我要投稿

一文读懂英伟达世界模型平台 Cosmos

发布日期：2025-04-06 08:10:50 浏览次数： 1638 作者：科技词话

在当今人工智能飞速发展的时代，新的技术和平台如雨后春笋般不断涌现。英伟达作为科技领域的巨头，于 2025 年1月份的CES上重磅推出了 Cosmos 世界基础模型平台，一经亮相便吸引了全球的目光，在人工智能领域掀起了新的波澜。

|| Cosmos 平台的诞生背景

随着人工智能从理论研究逐步走向实际应用，物理 AI 系统，如机器人和自动驾驶汽车等，面临着巨大的发展挑战。训练这些物理 AI 系统需要耗费大量的人力和资源，通常需要收集、标记和分类数百万小时的真实世界影像数据。例如，为了训练一辆能够在复杂路况下安全行驶的自动驾驶汽车，需要收集大量不同场景、不同天气条件下的驾驶视频数据，并对其中的各种元素进行精确标注，这个过程不仅成本高昂，而且耗时费力。

为了解决这些问题，英伟达精心打造了 Cosmos 平台，旨在通过创新的技术手段，降低物理 AI 系统的开发门槛，加速其发展进程，让更多的开发者能够投身于物理 AI 领域的创新与实践。

简单来讲，Cosmos是一个世界模型平台，平台上有一系列开源且开放权重的视频世界模型，参数量在4B至14B之间。这些模型的用途十分清晰，即针对机器人、自动驾驶汽车等在物理世界运作的AI系统，生成海量达到照片级真实效果且基于物理规则的合成数据，从而解决该领域数据极度匮乏的难题。

生成效果如下：

|| Cosmos 平台的核心组件

（一）世界基础模型（World Foundation Models）

这是 Cosmos 平台的核心引擎。这些模型基于先进的深度学习技术，如扩散模型和自回归模型，具备强大的生成能力。

第一类：扩散模型

能够依据文本提示和视频提示生成逼真的视觉仿真。例如，当开发者输入一段描述 “在一个阳光明媚的城市街道上，车辆和行人有序通行” 的文本，扩散模型就可以生成相应的逼真场景视频，适用于 Text2World 的应用场景。又或者输入一段包含部分场景的视频提示，模型能据此生成更完整、连贯的场景，即 Video2World 场景。

第二类：自回归模型

基于视频提示（也可选择配合文本提示）来生成未来的视觉世界。假设输入一段机器人在仓库中当前位置和动作的视频，自回归模型可以预测机器人接下来在该环境中的动作和位置变化，生成未来一段时间内的视觉世界模拟。

这些模型规模庞大，参数数量从 40 亿到 140 亿不等，分为 Nano、Super 和 Ultra 三个类别。Nano 适用于实时、低延迟推理和边缘部署，其参数相对较少，能够在资源有限的边缘设备上快速运行；Super 是 “高性能基线” 模型，可直接用于微调并部署；Ultra 则追求最大的准确性和高质量输出，为提炼定制模型提供最佳的保真知识转移。

（二）高级标记器（Tokenizer）

Cosmos 平台配备了先进的可视化标记器，如 Cosmos Tokenizer。它能够将图像和视频转换成 token，与当前领先的标记器相比，其总压缩率提高了 8 倍，处理速度提高了 12 倍。这一高效的转换过程，使得视频数据能够更快速、高效地被模型处理和理解，极大地提升了数据处理的效率和质量。

（三）护栏（Guardrail）

为了确保平台的安全、可靠运行，遵循道德和法律规范，Cosmos 平台设置了护栏模型。它能够保证模型的使用是 “负责任” 的，防止出现隐私泄露、偏见产生等不良后果，为平台的稳定运行和广泛应用提供了坚实的保障。

（四）加速视频处理管道

借助 NVIDIA NeMo™ Curator 驱动的 NVIDIA AI 和 CUDA® 加速数据处理管线，开发者能够使用 NVIDIA Blackwell 平台在 14 天内处理、整理和标记 2000 万小时的视频，而如果单纯使用 CPU 则需要 3 年以上。这一强大的加速能力，大大缩短了数据处理的时间，让开发者能够更快地从原始数据中提取有价值的信息，加速模型的训练和优化过程。