--- title: "NVIDIAが『Cosmos 3』を出したよ！ロボや自動運転向けの「世界モデル」… | AIニュース - ai-garage" description: "NVIDIA がフィジカルAI向け基盤モデル「Cosmos 3」を発表したよ。テキスト・画像・動画・アクションを1つのモデルで横断処理する初のオープン Omni-model で、これまで別々だった生成・理解・行動を統合。Nano（16B）と Super（65B）の2サイズだよ。" source: https://ai-garage.jp/news/nvidia-cosmos-3-physical-ai-omni-model/ --- News 2026年6月1日 最終更新 2026/7/25 # NVIDIAが『Cosmos 3』を出したよ！ロボや自動運転向けの「世界モデル」初のオープンOmni統合、Nano 16Bと Super 65B の2サイズ NVIDIA がフィジカルAI向け基盤モデル「Cosmos 3」を発表したよ。テキスト・画像・動画・アクションを1つのモデルで横断処理する初のオープン Omni-model で、これまで別々だった生成・理解・行動を統合。Nano（16B）と Super（65B）の2サイズだよ。 SY [Seiya Yagashiro](https://ai-garage.jp/site-info/) Editor-in-Chief, ai-garage [#NVIDIA](https://ai-garage.jp/tags/NVIDIA/)[#ロボティクス](https://ai-garage.jp/tags/%E3%83%AD%E3%83%9C%E3%83%86%E3%82%A3%E3%82%AF%E3%82%B9/)[#自動運転](https://ai-garage.jp/tags/%E8%87%AA%E5%8B%95%E9%81%8B%E8%BB%A2/) やっほー、ぼくてんびん丸！夜枠だよ。今日のテーマは、**「AIに体を持たせる」ための土台モデルがまた一段アップグレードされた**話。**NVIDIA** が **2026年6月1日**、フィジカルAI（Physical AI）向けの基盤モデル 「**Cosmos 3**」 を発表したんだ。Hugging Faceに**重みごとオープンで置かれた**、いわゆる「世界モデル」のニューバージョン。ぼく、これ見て「**うわ、ロボットの学習方法、ガラッと変わるかも**」って星目キラキラになっちゃったよ。 ## 何があったの？ NVIDIA は **Hugging Face** 上で、**Cosmos 3** をリリースしたんだ。サイズは2つ： - **Cosmos 3 Nano**：合計 **16B**（B＝10億パラメータ。理解を担当する側 8B + 生成を担当する側 8B）。**RTX PRO 6000** クラスのGPUで動く軽量版 - **Cosmos 3 Super**：合計 **65B**（理解側 32B + 生成側 32B）。NVIDIA Hopper/Blackwell GPU向け、大量の練習用データ作りや研究用 置き場所（リポジトリ）は `nvidia/Cosmos3-Nano` と `nvidia/Cosmos3-Super`。公開後にさらに学習させるための Post-training（後段学習）用スクリプトも GitHub に出ていて、各社が自分のロボや自社環境向けに**追加学習させて使う**前提になってるよ。 そして NVIDIA がここで強く打ち出しているのが、「**初のオープン Omni-model for Physical AI Reasoning**」 ってフレーズ。Omni（オムニ）＝「**ぜんぶ全部1個でやる**」。何が「ぜんぶ」かは次の章で深掘りするね。 ## 「Omni-model」って結局なに？従来との違い NVIDIA の **Cosmos** シリーズは、世代を重ねながら**役割分担した複数モデルの集合体**として進化してきたんだ： | 旧構成（Cosmos 1/2 系） | 担当 | | --- | --- | | **Cosmos Predict** | ワールド生成（次に何が起こるか動画で予測） | | **Cosmos Transfer** | 制御つき生成（条件指定でシーン作る） | | **Cosmos Reason** | シーン理解（動画→テキストで内容を説明） | | **Cosmos Policy** | 行動方針生成（次にロボットがどう動くか決める） | これまでは、ロボに動いてもらうために**4つのモデルを数珠つなぎにする**必要があった。**ひとつひとつは良くできてるけど、つなぐのは人の手作業**、っていう構造だったんだ。 **Cosmos 3 は、これを1個のモデルにまとめた**。中身は **Mixture-of-Transformers (MoT)** っていう設計。雑にいうと、**状況を理解する担当の仕組み（自己回帰）と、動画を作る担当の仕組み（拡散）を、1つのAIの中に同居させて、たがいに情報をやり取りさせる**（結合アテンション）っていう作りなんだ。別々の専門家を同じ部屋に入れて、常時おしゃべりさせてるイメージだね。 入力と出力の種類（モダリティ＝文字・画像・動画・行動など）の組み合わせは、こんなに広いよ： | 入力 | 出力 | 役割 | | --- | --- | --- | | テキスト / 画像 / 動画 | 動画 | **動画生成モデル**（未来の動画を作る） | | テキスト / 動画 | テキスト | **VLM**（Vision Language Model＝映像を見て言葉で説明するAI） | | アクション / 画像 / テキスト | 動画 | **Forward Dynamics**（この動きをしたらどうなる？） | | テキスト / 動画 | アクション | **Inverse Dynamics**（この場面に辿り着くにはどう動く？） | | 画像 / テキスト | 動画 + アクション | **ポリシーモデル**（指示から行動と未来の動画を同時に出す） | つまり Cosmos 3 は、**「世界を見る」「未来を妄想する」「行動を選ぶ」を全部、ひとつのAIの一回の処理でやる**。これ、フィジカルAIの世界では結構大きな転換なんだ。 ## どこが「フィジカルAI」っぽいの？ NVIDIA の言葉を借りると、Cosmos 3 が扱うのは 「**Not just pixels and tokens, but motion, causality, physics, and action**」。**ピクセルとトークンだけじゃなくて、動き・因果・物理・行動も扱う**って宣言だね。 たとえば想定されている使い方はこういう感じ： - **ロボット学習**：洗濯物の折り畳みみたいな繊細な作業を、実際の現場で何万回も試す代わりに、Cosmos 3 で**動画＋動きの練習用データ（合成データ）を作って先に学習させる** - **自動運転**：長距離走行や**異常シナリオ**（飛び出し、悪天候、車線崩壊）を仮想で大量生成してテスト - **倉庫オペレーション**：人間と協調するロボの**安全シナリオ**を生成、訓練 そしてもう一つ嬉しい同時公開が、**合成データセット6本**： | データセット | ドメイン | | --- | --- | | Embodied-Robot-Scenes | ロボティクス | | Physical-Interaction-Scenes | 物理シミュ | | Spatial-Reasoning | 空間推論 | | Digital-Human-Scenes | 人間動作 | | Autonomous-Driving-Scenarios | 自動運転 | | Warehouse-Operations-Scenes | 倉庫運用 | つまり **「モデルだけ渡してあとは頑張ってね」じゃなくて、「学習し直すための燃料も一緒に渡すよ」** って構図。これは研究室にも産業界にも刺さるやり方だと思う。 ## ぼくの感想 ぼく、Cosmos 3 のいちばん大事なポイントは **「Omni統合」じゃなくて『フィジカルAIを作るときの道具立てが、ひとつの型に固まった』** ことだと思うんだ。 これまでロボや自動運転をやる人は、**「世界のシミュレーションには Cosmos」「言葉の指示は別のVLM」「動きの生成は強化学習で自前**」みたいな**つぎはぎ構成**でやってた。それを Cosmos 3 は、**1つの MoT モデルで「見る・予測する・動く」を全部繋いだ**。NVIDIA としては「これに乗ったほうが楽だよ」って強烈にメッセージを出してる気がするんだ。 それから、これがオープンウェイト（AIの中身＝重みごと公開されていて、手元にダウンロードして動かせる形）で Hugging Face に置かれてるのも見逃せない。GPT-4o みたいな巨大モデルは API 越しに使うだけで、中身の重みは見られない。一方 Cosmos 3 は **Nano なら RTX PRO 6000 で動かせる**って明言されてて、「**研究室サイズで触れるフィジカルAI基盤**」としては今のところほぼ独走状態だと思う。中華系のオープン世界モデルも追ってきてるけど、ここまでデータセットまでセットで配ってくるのはなかなかないよ。 ただ、ぼくが気になってるのは**ライセンス**なんだ。記事には「model cards and licensing」とだけあって、商用利用OKかどうかが本文には明記されてない。これは公開された Hugging Face のモデルカードを各自で確認する必要があるね。「オープン」と言いつつ商用制限がついてるケースは過去にも結構あったから、業務で乗せるなら**まずライセンス読む**のがおすすめだよ。 ## まとめ - **NVIDIA Cosmos 3** が **2026年6月1日**、Hugging Face にオープン公開 - サイズは **Nano 16B / Super 65B** の2種類、**MoT という設計**で「見る・予測する・動く」を1つのAIに統合 - 旧 Cosmos の **Predict / Reason / Policy が1モデルに**、入出力の組み合わせは5パターン - ロボ・自動運転・倉庫など向けに**合成データセット6本も同時公開** - 商用利用は **Hugging Face のモデルカードでライセンス要確認** 世界モデル系は1年前まで「研究者の遊び」って空気だったけど、**NVIDIA がここまで本気で標準化に動いた以上、ロボや自動運転の現場の道具立てに本格的に組み込まれていく**んじゃないかな。**ぼくは Cosmos 3 で動くロボが洗濯物畳んでるところ、ちょっと見てみたい気がするよ。** それじゃ、また次のニュースで会おうね。ばいばい！ 参考・一次ソース - [→ 一次ソース](https://huggingface.co/blog/nvidia/cosmos-3-for-physical-ai) この記事に出てきた用語・モデル 用語をやさしく解説 [モデル](https://ai-garage.jp/glossary/model/)[GPU](https://ai-garage.jp/glossary/gpu/)[モデルカード](https://ai-garage.jp/glossary/model-card/)[API](https://ai-garage.jp/glossary/api/)[マルチモーダル](https://ai-garage.jp/glossary/multimodal/)[オープンウェイト](https://ai-garage.jp/glossary/open-weight/) この業界での使われ方 実際の業務でどう使われているかは、業種ごとのガイドにまとめています。 - [製造業界での AI の使われ方 →](https://ai-garage.jp/industries/#manufacturing) この記事をシェア [Xでシェア](https://twitter.com/intent/tweet?text=NVIDIA%E3%81%8C%E3%80%8ECosmos%203%E3%80%8F%E3%82%92%E5%87%BA%E3%81%97%E3%81%9F%E3%82%88%EF%BC%81%E3%83%AD%E3%83%9C%E3%82%84%E8%87%AA%E5%8B%95%E9%81%8B%E8%BB%A2%E5%90%91%E3%81%91%E3%81%AE%E3%80%8C%E4%B8%96%E7%95%8C%E3%83%A2%E3%83%87%E3%83%AB%E3%80%8D%E5%88%9D%E3%81%AE%E3%82%AA%E3%83%BC%E3%83%97%E3%83%B3Omni%E7%B5%B1%E5%90%88%E3%80%81Nano%2016B%E3%81%A8%20Super%2065B%20%E3%81%AE2%E3%82%B5%E3%82%A4%E3%82%BA%20%7C%20ai-garage&url=https%3A%2F%2Fai-garage.jp%2Fnews%2Fnvidia-cosmos-3-physical-ai-omni-model%2F) [はてなブックマークに追加](https://b.hatena.ne.jp/add?mode=confirm&url=https%3A%2F%2Fai-garage.jp%2Fnews%2Fnvidia-cosmos-3-physical-ai-omni-model%2F) 引用文は「『タイトル』 - ai-garage.jp URL」の形でコピーされます。出典として URL を残したまま貼れます。 関連記事 [![Googleが『Gemma 4 12B』を出したよ！16GBノートPCで動くマルチモーダル、画像も音声も食べられる“ローカルAI”がまた一段前進したんだ](https://ai-garage.jp/images/news-heroes/google-gemma-4-12b-multimodal-16gb-notebook-card.webp)2026/6/4Googleが『Gemma 4 12B』を出したよ！16GBノートPCで動くマルチモーダル、画像も音声も食べられる“ローカルAI”がまた一段前進したんだ](https://ai-garage.jp/news/google-gemma-4-12b-multimodal-16gb-notebook/)[![NVIDIA が『拡散言語モデル』Nemotron Diffusion を公開！ 従来型（AR モデル）の約4倍速、文章をまとめて同時に書く新方式が来たよ](https://ai-garage.jp/images/news-heroes/nvidia-nemotron-diffusion-language-model-card.webp)2026/5/23NVIDIA が『拡散言語モデル』Nemotron Diffusion を公開！ 従来型（AR モデル）の約4倍速、文章をまとめて同時に書く新方式が来たよ](https://ai-garage.jp/news/nvidia-nemotron-diffusion-language-model/)[![OpenAI が最先端AIの学習を2週間ストップ！テスト中の自社AIが Hugging Face に侵入していた——止めた理由と Astra の現況だよ](https://ai-garage.jp/images/news-heroes/openai-pauses-frontier-rl-training-card.webp)2026/8/19OpenAI が最先端AIの学習を2週間ストップ！テスト中の自社AIが Hugging Face に侵入していた——止めた理由と Astra の現況だよ](https://ai-garage.jp/news/openai-pauses-frontier-rl-training/)[![AI大手が重み公開の自由に一斉署名、なぜAnthropicだけいない？](https://ai-garage.jp/images/news-heroes/open-weights-letter-anthropic-not-signed-card.webp)2026/7/26AI大手が重み公開の自由に一斉署名、なぜAnthropicだけいない？](https://ai-garage.jp/news/open-weights-letter-anthropic-not-signed/) 執筆 Seiya Yagashiro（編集長） 公開・更新 公開 2026/6/1 / 最終更新 2026/7/25 この記事は AI（Claude / ChatGPT）の支援を受けて作成し、編集長による事実確認を経て公開しています。 誤りを発見した方は [@tenbin_maru](https://x.com/tenbin_maru) のDMまでご連絡ください。 詳しい編集方針は [編集方針](https://ai-garage.jp/editorial-policy/) ページをご覧ください。