NVIDIA 已發佈 Cosmos 3，這是一款開放權重的物理 AI 基礎模型，將視覺推理、多模態世界生成以及原生機器人動作預測統一到單一架構之中。 該平台推動行業從“頭重腳輕”的視覺—語言—動作（VLA）模型，轉向世界動作模型（WAM）範式，更強調物理定律、力和軌跡，而不是語言結構。 Cosmos 3 基於mixture-of-transformers（混合 Transformer） 架構建構，使用推理模組來理解時空場景動態，再由生成模組合成高度精準、符合物理規律的資料。 作為一種 omnimodel（全模態模型），Cosmos 3 能夠原生輸出數值化動作資料——包括關節角度和夾爪軌跡——讓開發者可以針對特定機器人本體進行微調。

在今日舉行的2026台北GTC大會期間，輝達發佈了Cosmos 3——一款基於突破性Transformer混合架構的物理AI世界模型。 據悉，Cosmos 3是全球首個完全開放原始碼的全能模型(Omni-Model，也叫全模態模型)。其能夠以領先的物理精度原生理解和生成文字、圖像、視訊、環境聲音和動作，將物理AI的訓練和評估周期從數月縮短到數天。 “得益於多模態推理語言、視覺和世界模型的突破，物理AI的爆發式增長指日可待。”黃仁勳表示：“Cosmos 3將使開發者在建構機器人、自動駕駛汽車和視覺人工智慧方面實現代際飛躍，從而在物理世界中感知、推理、規劃和行動。” 在此之前，Cosmos系列平台均由多個專用模型整合而來，需要跑多個模型才能完成推理、生成、動作的過程。相比之下，Cosmos 3解決了物理AI的一個根本挑戰：使機器人、自動駕駛汽車在訓練資料有限和模擬堆疊分散的情況下，也能夠在現實世界穩定工作。

黃仁勳的核心觀點是：機器人（Physical AI）將迎來能力爆發，關鍵在於把訓練場搬進可規模化的數字世界——用 Omniverse 搭建可物理模擬的 3D 世界平台、用 Cosmos 作為面向物理世界的“世界模型”，並像“PDF/搜尋”那樣引入 ground truth（事實錨點）：用模擬把牛頓物理等規律“編碼”進去，去約束/校準模型生成的未來情境保持物理可信；這樣機器人就能在虛擬環境裡以安全、低成本、超高頻的方式覆蓋海量光照/材質/場景組合，學到能力後再遷移到真實世界，構成爆發的技術基礎。來源：AI工業（採用 AI 工具整理）本文基於 黃仁勳 等的公開視訊（https://www.youtube.com/watch?v=-bMIq_WM4gg）進行學習復盤，僅供學習交流參考。亦可加入知識星球閱讀更多資料（方式見文末）。從「無解難題」到深度學習拐點來源：AI工業（採用 AI 工具整理）2012 年前，電腦視覺、語音識別、語言理解這些關鍵智能問題幾乎沒有解法，只能算是人類「強烈渴望但無能為力」的難題。深度學習出現之後，這些問題開始在短短幾年內被逐一攻克，從“沒有解決方案”變成“一個接一個被解決”，這讓押注這條路線的人，看到了足夠堅定的理由：未來一定會徹底改變。在這樣一條長期路線上，要穿過八到十年的「真空期」，關鍵在於你有沒有一套穩固的核心信念。這套信念必須從第一性原理出發推理——要麼基於物理規律，要麼基於對行業結構的深刻理解，要麼基於對相關科學的深入理解。只要這些底層原理和初始假設沒有變化，就沒有理由去改變自己的核心判斷。中間可能會有很長一段時間看不到明顯成果，你會微調方向，但不會輕易推翻整套信念。也正因為如此，輝達在真正結果出現之前，已經在這條路線投入了數百億美元，即便外界有聲音希望公司“多留利潤、抬股價”，他們仍選擇優先投資自己的未來。兩大核心判斷：計算範式與深度學習本質來源：AI工業（採用 AI 工具整理）這背後最重要的是兩個核心判斷。第一個是關於計算範式的判斷：未來的主線是加速計算和平行計算，而不是只依賴傳統通用 CPU。通過專門為平行和加速設計的處理器，可以重新定義高性能計算的方式，這一判斷從公司早期就被提出，一直到今天依然成立。第二個判斷是對深度學習本質的認知：深度神經網路可以從各種不同模態的資料中學習模式和關係，並且隨著模型規模與資料規模的增大，能夠學到更細膩、更豐富的特徵。實踐已經證明，模型越大、資料越多，能學到的知識確實越多，而且目前並沒有發現明確的物理極限、架構極限或數學極限，這意味著這條路線可以持續沿著「更大模型 + 更多資料」的方向推進。在這個視角下，資料本質上是人類經驗的數位化。深度學習已經能夠從圖像中學習物體識別，從聲音中學習語音，從海量文字中學習語言、語法、詞彙、句法等結構；更進一步，它可以在不同模態之間進行「翻譯」：文字到文字（摘要、翻譯）、文字到圖像（圖像生成）、圖像到文字（圖像描述）、氨基酸序列到蛋白質結構，未來甚至是蛋白質到自然語言（用一句話解釋一個蛋白的功能，或根據目標性質反推一個蛋白結構）。同理，也可以從文字到視訊，從文字到機器人動作 token。從計算的角度看，這些只是不同模態之間的對應問題，而深度學習已經證明它幾乎可以處理任何模態到任何模態的轉換，於是很多原本看似遙遠的難題，其實都已經在拐角處等待被解決。回顧過去十年，更多的是在夯實「AI 的基礎科學」：摸清模型、演算法、算力、資料之間的關係，證明這條路線真的能走得通。而接下來的十年，在繼續推進基礎研究的同時，重心會明顯轉向「AI 的應用科學」——也就是：如何把這些能力嵌入到具體行業裡。包括數字生物學、氣候科技、農業和漁業、機器人與自動駕駛、交通與物流最佳化、教育與教學、內容與媒體等，AI 不再只是研究課題，而是會成為各行各業的通用基礎能力。Physical AI：在數字世界裡訓練機器人在所有應用方向裡，Physical AI——也就是機器人——是一個特別典型的例子。傳統做法要麼在真實世界中訓練機器人，風險高、成本高、磨損大；要麼依賴有限的資料來源，比如讓人穿動捕服採集動作，這會導致樣本不足、學習緩慢。現在的轉變在於：我們開始在數字世界中訓練機器人，讓它們在虛擬環境裡進行高頻訓練，每天可以經歷遠超現實的重複次數和環境變化，學習速度因此大幅提升。這意味著，機器人領域可能正在走向一次能力「大爆炸」。為此，輝達在搭建配套的「世界」與「工具」。Omniverse 是一個 3D 數字世界平台，用來訓練機器人系統，讓它們不必完全依賴物理世界才能學習；而 Cosmos 則讓這些 3D 世界變得更加真實與多樣：同一張桌子、同一項任務，可以模擬無數種光照、時間、場景與材質組合，讓機器人在虛擬環境中經歷極其豐富的“人生體驗”。通過 Omniverse + Cosmos，機器人可以在虛擬世界中以安全、低成本、超高頻的方式訓練，然後再把學到的能力遷移到物理世界，構成 Physical AI 爆發的技術基礎。ChatGPT 剛出來時非常驚豔：它能根據提示詞生成文字。但它也有明顯問題——當對話變長，或它對自己並不真正瞭解的話題開始“高談闊論”時，會出現幻覺（hallucination）：仍能生成看起來很合理的答案，但不一定基於事實，缺少“真實錨點”。下一代能力是：模型能被上下文（context）約束。你上傳 PDF，那 PDF 就成為 ground truth（事實基準）；模型聯網搜尋，搜尋結果就成為它的事實依據。在“生成模型 + 事實錨點”的組合下，它再去推理如何回答問題，就更可靠。也就是說：第一部分是生成式 AI，第二部分是ground truth（真實依據）。把這個思路延伸到物理世界：要讓機器人真正理解現實，需要一個物理世界的基礎模型（foundation model）。機器人必須理解重力、摩擦、慣性，具備幾何與空間認知；理解物體恆存（object permanence）（看不見時物體仍存在）；理解因果關係（推倒會倒、傾斜會翻）。這些“物理常識”需要被編碼進世界基礎模型，讓 AI 擁有world common sense（世界常識）。他們用Cosmos去做這件事：建構一個**“世界模型 / world language model”，就像 ChatGPT 是語言模型一樣，Cosmos 是面向物理世界的模型。但僅有模型還不夠，還要像“PDF/搜尋”那樣加入ground truth。他們用 Omniverse 的物理模擬來做“事實錨點”：模擬基於牛頓物理等已知規律，通過原則性求解器把物理定律“編碼”進去，因此可以用來約束/校準 Cosmos，使其生成的未來場景是物理上可信（physically plausible）的。因此，Omniverse（模擬） + Cosmos（世界模型） 能生成無限多符合物理規律的未來情境，讓機器人在數字世界裡快速學習。比如工廠機器人要學習所有可能路線，不必在現實中一條條試（耗時且磨損），而是通過模擬在更短時間裡覆蓋更多情況（黑暗、阻塞等），實現更快學習。他預測：未來 10 年，“所有會移動的東西都會變得機器人化”，而且會很快。車輛將更自動化；機器人會先在“Omniverse + Cosmos”裡學習，再進入真實世界。風險、幻覺與「社區式安全架構」來源：AI工業（採用 AI 工具整理）同時也必須討論風險：包括 偏見、毒性、幻覺（對未知內容過度自信導致人們依賴錯誤資訊）、生成假資訊/假新聞/假圖像，以及冒充（impersonation）（AI 能高度擬人甚至擬某個具體人）。在安全工程上，他強調兩類問題：一類是系統本意正確但因工程失誤導致傷害（如自動駕駛的感測器故障、漏檢、策略錯誤）；另一類是 AI 想阻止風險但系統鏈路失敗。解決方式類似航空：依靠冗餘與多層安全網，建構“社區式安全架構”——系統正常時可靠運行，異常時不把人置於危險，並由周圍的安全與防護系統兜底。 (AI工業)

Cosmos世界基礎模型降低了實體AI的開發門檻，而DRIVE Hyperion平台正在拉高自動駕駛的上限。一個完全自動駕駛的時代正被以輝達為首的科技公司推動加速到來。 輝達在2024年掀起了一場AI風暴，不僅市值超越蘋果、特斯拉站上了世界之顛，也讓他的創立者黃仁勳一直處於暴風眼的中心。 世界願意傾聽他對未來世界的判斷與預言。 在2025年年初CES的開幕演講中，黃仁勳斷言：

美國拉斯維加斯當地時間1月6日（台北時間1月7日上午10:30），晶片巨頭輝達創始人CEO黃仁勳登上2025國際消費電子展（CES）舞台，發表開幕主題演講，並行布了輝達的多個新產品，其中包括首個生成式世界基礎模型Cosmos。 輝達表示，物理AI模型的開發成本很高，需要大量現實世界的資料和測試，但Cosmos世界基礎模型（WFM）可為開發者提供一種生成大量照片級真實、基於物理的合成資料的簡便方法，以訓練和評估他們現有的模型。開發者還可以通過微調Cosmos WFM來建構定製模型。最終Cosmos的目標是推動自動駕駛汽車(AV)和機器人等物理AI系統的發展，讓物理AI普及化，讓每個開發者都能用上通用機器人技術。 AI的下一個前沿是物理AI，現在已經出現具身智能、空間智能等新概念。黃仁勳表示：“機器人技術的ChatGPT時刻即將到來。與大型語言模型一樣，世界基礎模型對於推進機器人和自動駕駛汽車開發至關重要，開放世界基礎模型將加速下一波AI浪潮。” 輝達表示已經有許多領先的機器人和汽車公司成為Cosmos的首批使用者，包括1X、Agile Robots、Agility、Uber等。本文盤點了輝達宣佈合作的14家人形機器人企業。

一、Cosmos 的核心理論 根據Sunny Aggarwal 的解釋，Cosmos 社區認為區塊鏈的未來不會是由幾個區塊鏈所主宰，而是會存在各種各樣的區塊鏈，其中大多數都屬於應用鏈，就像現實世界不會有一個最終結算層，區塊鏈世界也是如此，我們將會有很多結算層，每一個區塊鏈都會是其原生資產的結算層，這賦予了它們主權，而Rollup 或其他系統則並不具備主鏈的主權，總的來說，Cosmos 的核心理論並不是像以太坊那樣嘗試構建一個世界計算機，而是建立各種各樣的社區計算機，並讓這些計算機之間實現互聯。 Zaki Manian 補充表示，Cosmos 的出現，是為了殺死胖協議理論，而胖協議理論的核心是，區塊鏈底層協議的token 會捕獲建立在其之上的應用的價值，而具有網絡效應的協議token，會是最有價值的。與此相反的是，Cosmos 的核心理論認為，捕獲價值的層應該是應用層，是最接近用戶的層，因此Cosmos 建立了一些技術堆棧，幫助開發者建立盡可能最好的應用層。 二、以太坊VS Cosmos