輝達在悉尼 RSS 2026 的機器人世界模型研討會上，釋出了其最新世界基礎模型 Cosmos 3。據輝達物理 AI 專家 Max Li 現場介紹，該模型首次在同一個 Transformer 架構下打通了文本、視覺、音訊與動作四種模態，旨在為具身智慧提供統一的“大腦”底座。這一發布正值 AI 行業從雲端算力向物理世界遷移的關鍵節點，被視為輝達佈局機器人生態的重要一步。
Cosmos 3 的核心設計圍繞“理解世界、模擬未來、執行動作”三大能力展開。它既能像視覺語言模型（VLM）一樣理解觀測影片，也能生成影片、音訊與動作，並通過逆動力學從影片反推底層動作，從而利用海量無標籤影片資料訓練策略。Max Li 強調，第一人稱視角資料是獲取物理互動知識的最有效途徑，團隊正與開源社群合作注入此類資料。
在架構上，Cosmos 3 採用混合專家（MoE） 設計，分為負責理解的“推理器”和負責跨模態生成的“生成器”。推理時使用因果自注意力，生成時使用雙向注意力。為統一不同機器人形態的動作向量，模型支援汽車、單臂、雙臂及人形機器人等多種具身，並通過啟發式規則在語義空間對齊動作。訓練分為動力學、逆動力學和策略三種模式，並採用24 FPS 基準線對齊不同幀率影片的時間軸。
模型家族包含三個版本：Cosmos Edge（40 億引數 MoE，適合邊緣裝置）、Cosmos Nano（160 億引數）和 Cosmos Super（640 億引數）。Max Li 特別指出，Edge 版本可在 Jetson 等端側裝置上即時推理，無需伺服器級 GPU，這標誌著具身智慧正從資料中心向邊緣側遷移。訓練資料方面，推理器預訓練使用了約 2200 萬個樣本，生成器預訓練資料摺合約 1000 萬小時影片，並經歷預訓練、中期訓練（引入動作與跨域資料）和後期訓練（針對策略輸出）三個階段。
Cosmos 3 完全開源，團隊釋出了模型、程式碼和詳細論文，參與人數超過 100 人。Max Li 表示將手動回覆 GitHub 上的所有 Issue，以支援社群應用。現場問答中，他回應了關於動作落地差距的問題，承認預訓練階段未包含控制資訊，但後期訓練引入控制訊號後模型才真正實用。他還提到，在機器人和具身智慧相關領域，引入動作顯著提升了未來視覺預測的精度，但全域性統計資料尚未完全驗證。
業內觀察認為，Cosmos 3 的釋出標誌著具身智慧從“組裝機”時代（開發者拼湊視覺、語言、控制模型）邁向“整機一體化”時代。輝達試圖通過定義標準化的“大腦與肢體”協議，讓碎片化的機器人形態在統一邏輯底座上進化，其野心不僅是硬體壟斷，更是成為具身智慧時代的“安卓系統”。不過，傳統機器人學界對物理因果的敬畏與 AI 工業界對規模效應的迷信之間的張力，仍是這一範式能否落地的關鍵考驗。