NVIDIA「Cosmos 3」発表——ロボットと自動運転AIを根底から変える「世界シミュレーター」の正体
2026年5月31日、台湾で開催されたGTC Taipeiの壇上に立ったJensen Huang CEOは、こう宣言した。
「物理AIのビッグバンはすぐそこに来ている」
その言葉を裏付けるように発表されたのが、NVIDIA Cosmos 3——ロボットや自動運転車のAIを訓練するための、まったく新しい「世界の土台」だ。
単なるモデルのアップデートではない。テキスト・画像・映像・音・ロボットの動作データを1つのシステムで扱える「世界初の完全オープンなオムニモデル」として、物理AIの開発方法そのものを塗り替えようとしている。
Cosmos 3とは何か——「思考と生成」を同時にこなすAI
AIには大きく2種類の能力がある。理解・推論する力（入力から意味を読み取る）と生成する力（映像・音・動作を作り出す）だ。
これまでのCosmos 2.xシリーズでは、この2つを別々のモデルが担っていた。しかしCosmos 3は、この両者を1つのシステムに統合した。
入力できるもの：テキスト、画像、映像、環境音、ロボットのアクションデータ
出力できるもの：画像、映像、テキスト（推論結果）、そしてロボットが次に取るべき行動の数値データ
これが「オムニモデル」と呼ばれる理由だ。視覚的に世界を理解し、その世界を映像として生成し、その中でロボットが何をすべきかを同時に予測できる。
革新的技術：Mixture-of-Transformers（MoT）アーキテクチャ
Cosmos 3の心臓部は、Mixture-of-Transformers（MoT）と呼ばれる独自アーキテクチャだ。
内部は2つの「タワー」から構成される：
Reasonerタワー（推論担当）
自己回帰型のTransformerで、入力された映像やテキストの意味を理解・推論する。従来の大規模言語モデル（LLM）に近い動作原理だ。
Generatorタワー（生成担当）
拡散モデルをベースとし、物理的に整合した映像・音声・アクションを生成する。現実の物理法則に従った動きのある映像を作り出せる。
この2つのタワーは、同一のTransformerアーキテクチャと3D多次元ロータリー位置埋め込み（mRoPE）を共有している。そして単一のフォワードパスの中で、推論と生成がリアルタイムに切り替わる。
20兆トークン相当のマルチモーダルデータ——約10億枚の画像、4億本の映像、環境音、人間とロボットの行動軌道——で学習した規模感も圧倒的だ。
モデルラインナップ：3つのサイズ展開
Cosmos 3 Super（64Bパラメータ）
Reasoner 32B + Generator 32B という最大構成。NVIDIAのHopper/Blackwell GPUを搭載したデータセンター向けで、ロボットや自動運転車の後学習（Post-training）のための大規模合成データ生成に最適化されている。精度を最優先するプロジェクト向け。
Cosmos 3 Nano（16Bパラメータ）
Reasoner 8B + Generator 8B の小型版。NVIDIA RTX PRO 6000ワークステーションで動作し、リアルタイムのロボット推論に対応する。エッジに近い環境でも物理AIを動かしたい開発者の選択肢。
Cosmos 3 Edge（近日公開）
エッジデバイスでのリアルタイム推論を想定した最小モデル。対応ハードウェアやリリース時期の詳細は未発表。
ロボットアクションを直接出力する——他の映像生成AIにない機能
Cosmos 3が従来の映像生成AIと根本的に異なる点がある。映像だけでなく、ロボットが実際に動くための数値データを直接出力できるのだ。
順動力学（Forward Dynamics）：「このアクションを取ると、次の瞬間どんな映像になるか」を予測
逆動力学（Inverse Dynamics）：「映像を見て、そこに至るまでにロボットはどう動いたか」を推定
ポリシー生成（Policy）：「この指示と状況から、ロボットは次に何をすべきか」のアクション列を予測
対応するロボット形態も幅広い。単腕ロボット（10次元）、双腕ロボット（20次元）、ヒューマノイド（29次元）、自動運転車（9次元）など、各形態の関節角度やグリッパー位置、走行軌道をそのまま出力できる。
これは「AIがロボットの動きを映像として想像する」だけでなく、「その動きを実際に実行できる形式で出力する」ということを意味する。
ベンチマーク：オープンモデル1位を総なめ
NVIDIAが公開したベンチマーク結果では、Cosmos 3はオープンモデルの中で複数の評価指標トップを獲得している。
Physics-IQ（物理整合性）：オープンモデル1位
PAI-Bench（物理AI総合）：1位
R-Bench（世界生成精度）：1位
RoboLab（アクションポリシー）：1位
RoboArena（アクションポリシー）：1位
VANTAGE-Bench（視覚理解）：1位
ただし、WaymoやTeslaなどの商用自動運転システムとの直接比較はまだ行われておらず、独立した第三者機関による検証も限定的な段階だ。これらの数字はあくまでNVIDIA主導の評価である点は念頭に置いておきたい。
Cosmos Coalition：6社との「世界モデル共同体」
Cosmos 3と同時に設立されたのが、NVIDIA Cosmos Coalitionだ。世界モデルの構築と普及を目的とするグローバルな産学連携体制。
創設6社のラインナップが興味深い：
Agile Robots（ヒューマノイドロボティクス）
Black Forest Labs（生成AI / 映像生成）
Generalist（汎用ロボットAI）
LTX（映像生成・AI）
Runway（クリエイティブAI / 映像生成）
Skild AI（汎用ロボット知能）
ロボティクス企業と映像生成AI企業が混在しているのは意図的だ。「物理的に正確な映像を生成する技術」と「ロボットを動かす技術」の境界が、Cosmos 3によって溶け始めている。RunwayはNVIDIAと共同で新たなベースモデルの開発も予定している。
実際に採用している企業・機関
ロボティクス領域
LG電子やサムスン電子がロボット製品向けに、Agile RobotsやSkild AIが汎用ロボット知能の開発に採用を表明している。サムスンのケースでは、ケーブル組み立てのような高精度製造工程に活用する計画だ。
自動運転領域
中国の大手EV・AV企業、Li Auto（理想汽車）が合成データ生成に採用。シナリオのバリエーションを大量生成して学習データを補強するユースケースだ。
研究機関
GR00Tヒューマノイドロボット関連プロジェクトを通じて、Stanford、ETH Zurich、UC San Diegoが採用予定と報告されている。
誰でも使える：アクセス方法とライセンス
使い始める方法
Hugging Faceからモデルをダウンロードできる（`nvidia/Cosmos3-Nano`、`nvidia/Cosmos3-Super`）。build.nvidia.comではブラウザから試用も可能。プロダクション利用にはNVIDIA NIM microservicesが提供される（Reasoner NIMは即日、Generator NIMは近日公開）。
クラウドパートナーとしてMicrosoft Azure、CoreWeave、Basetenなども対応する予定で、インフラの選択肢は広い。
ライセンス：OpenMDW 1.1
今回のリリースに合わせてLinux Foundationが策定した新ライセンス。モデルのウェイト、アーキテクチャ、データセット、コードを単一ライセンスでカバーし、商業利用フレンドリーな設計になっている。
MetaのLlamaライセンスにある「月間アクティブユーザー700万人超は有償」という制限がない点が、企業導入のハードルを下げている。
NVIDIAの本当の狙い：「チップから物理AIプラットフォームへ」
Cosmos 3を戦略的に読み解くと、NVIDIAの意図が見えてくる。
フロンティアモデルを無償公開することで、開発者をNVIDIAのアーキテクチャ上に誘導する。
Cosmos 3はHopper/Blackwell/RTX PRO 6000に最適化されている。モデルが普及すれば、そのモデルを動かすハードウェアの需要が直接生まれる。Linuxがサーバー市場でのIntel普及を後押ししたように、CosmosがロボティクスとAV分野でのNVIDIA GPU需要を生む構図だ。
同日発表のAlpamayo 2 Super（ロボット学習フレームワーク）、AlpaGym（シミュレーション環境）、OmniDreams（シナリオ生成）なども、いずれもCosmos 3を土台とした垂直統合スタックを形成している。
競合面では、Google DeepMindのGenie 3（リアルタイム3D世界モデル）、Fei-Fei Li設立のWorld Labs（3D世界生成特化）、Yann LeCunのAMI Labsなどが激しく競い合っている。
見落とせない課題
ここまで読んで「完璧では？」と思うかもしれないが、注意すべき点もある。
推論の説明可能性：Cosmos 3の推論プロセスが、ネットワーク内部の実際の動作を正確に反映していない可能性が指摘されている。自動運転や産業自動化に使う場合、安全性の根拠としての信頼性に疑問が残る。
独立ベンチマークの不足：前述の通り、すべての評価がNVIDIA主導で行われており、独立機関による検証が限定的だ。
合成データの限界：CMUやStanfordの研究では「合成データ40%混合で実データのみの性能に匹敵する」とされるが、より複雑なタスクでの検証は続いている。
Cosmos 3 Edgeの詳細未定：エッジ向けモデルのリリース時期や対応ハードウェアはまだ発表されていない。
まとめ：世界シミュレーターが変えること
NVIDIA Cosmos 3が示すのは、物理AIの開発コストとサイクルを根本的に圧縮できる可能性だ。
ロボットに「安全に箱を持ち上げる方法」を教えるためには、従来は何千回もの実機実験が必要だった。Cosmos 3を使えば、リアルな物理環境をシミュレートした映像を大量生成し、その中でアクションポリシーを学習させ、実機に転移させる——というサイクルが一気に加速する。
「世界モデル（World Model）」という概念は数年前から語られてきたが、ここまで多くのモダリティを統合し、オープンに公開されたモデルは初めてだ。
開発者向けには、Hugging FaceとGitHubからすぐに試せる状態にある。「どんなユースケースに使えそうか？」と考えながら触ってみるのが、この技術を最も速く理解する方法かもしれない。
参考資料
情報は2026年6月2日時点のものです。
アストラルコード合同会社は、AI技術を活用したシステム開発・業務効率化支援を行っています。初回相談は無料です。お気軽にお問い合わせください。
📨 お問い合わせはこちらまで https://x.gd/IuzDG
この度は最後まで記事を読んでいただき誠にありがとうございます。
