英伟达Cosmos问世：物理AI重新定义自动驾驶与机器人

AI行业这两年卷得挺厉害的。厂商们疯狂堆参数、拼文案生成、比对话流畅度，但折腾来折腾去，所有大模型都困在虚拟数字世界里——它们能写出完美的机械操控方案，却搞不明白皮球为什么会滚、杯子为什么会倒、东西为什么会往下掉。这些人类三岁就懂的物理常识，传统AI死活学不会。

这也是为什么人形机器人落地慢、自动驾驶总在“辅助”二字上打转的根本原因。

六月一日的台北GTC大会上，英伟达甩出了今年最重磅的一张牌：NVIDIA Cosmos 3物理世界基础模型。如果说GPT帮AI读懂了人类的语言，那Cosmos就是帮AI读懂真实世界的物理规则。物理AI的时代，正式拉开帷幕。

什么是物理AI？读懂行业最难的“常识难题”

很多人搞不懂：AI都能写代码、画图、写论文了，为什么造个能自己端水杯、分拣货物的机器人还是难如登天？

答案其实挺简单的：语言好模仿，物理没法复刻。

人类从会爬开始，就能感知世界的底层规则——重力会让东西往下掉，推东西会有摩擦力，水会流动，硬东西撞在一起会弹开。这些你根本不用学的常识，恰恰是传统AI的知识盲区。

传统AI靠的是死记硬背：喂给它海量实拍数据，它记住这些场景。一旦路况、环境、物体姿态出现一点变化，模型就容易出错。这就是自动驾驶事故频发、机器人换个环境就变“智障”的根本原因。

而物理AI——也叫World Foundation Model——彻底换了一套玩法。它不再背数据，而是直接学习物理世界的底层规律。它掌握了重力、惯性、摩擦力、空间几何，能够预判物体下一步往哪跑，哪怕从没见过的新场景，也能做出符合物理常识的最优判断。

说白了，传统AI靠背题，Cosmos靠理解世界。

英伟达Cosmos 3，到底强在哪里？

作为全球首款完全开放的全模态物理AI基础模型，Cosmos 3搭载了英伟达自研的混合Transformer架构，把视觉推理、世界生成、动作预测三样东西塞进了同一个模型里。

这套组合拳，直接从根上解决了自动驾驶和机器人行业的两大痛点：真实数据采集太贵、极端场景样本根本不够。

相比之前的模型，Cosmos有三个颠覆性的优势。

虚拟造境，打破数据采集的天价门槛。

物理场景实拍数据又贵又慢。暴雨、侧翻、路上突然掉下来个东西——这类极端高危场景，你根本没法大规模去实地拍。Cosmos用AI算力直接生成高保真的虚拟世界：城市路况、天气变化、工业车间、居家环境，全都能造。虚拟世界里的物理规则跟真实世界一模一样，物体碰撞、流体运动、环境变化，全都给你仿真出来。

开发者再也不用砸钱满世界采集数据，让自动驾驶车辆、人形机器人在虚拟宇宙里跑上亿次训练就行了。英伟达披露的数据显示，采用合成数据后，物理AI的训练和评估周期从数月直接缩短至数天。

全维度预判，从“事后感知”变“事前预判”。

过去的逻辑是：摄像头拍到一个东西→识别它→执行指令。这一步一步走下来，总会有反应延迟，突发状况根本来不及处理。

Cosmos把逻辑整个翻了过来。它能结合当前环境，直接预判未来几秒内所有物体的运动轨迹。比如行驶中提前判断前车什么时候刹车、路口行人往哪边走；作业中预判零件滚到哪、重物倒向哪。传统AI只能看见“现在”，Cosmos能看见“未来”。

多尺寸适配，全行业免费开放。

为适配不同需求，Cosmos 3推出了两个版本：Nano版本约一百六十亿参数，适合轻量化终端实时交互；Super版本约六百四十亿参数，适合大规模数据生成和更高精度的仿真。英伟达直接把模型权重、代码、训练脚本、数据集全部开源，还牵头成立了全球开发者联盟，首批成员包括Agile Robots、Black Forest Labs、LTX、Runway等。