我要投稿

构建物理 AI 的引擎：NVIDIA Cosmos

发布日期：2026-01-21 20:10:17 浏览次数： 1521

作者：NVIDIA英伟达企业解决方案

微信搜一搜，关注“NVIDIA英伟达企业解决方案”

在开放复杂的物理环境中稳定运行，机器人需要能够理解环境的动态演化以及自身行动可能带来的结果。在这一演进过程中，世界模型逐渐成为连接高层智能与底层执行的关键基础设施，为机器人在真实物理世界中实现可靠的感知、决策与行动闭环提供支撑。

NVIDIA Cosmos：

面向物理 AI 的世界基础模型

NVIDIA Cosmos 包含一系列先进的预训练多模态模型，为开发者构建虚拟世界、实现智能推理，提供了一套灵活、可扩展的世界建模基础设施。

在 Cosmos 平台中，Cosmos Predict 是面向世界状态预测的核心基础模型，通过视频级生成与预测，Cosmos Predict 使物理 AI 系统能够在给定当前观测和条件的情况下，对未来状态进行推演。

智元机器人 Genie Envisioner：

基于 Cosmos 实现感知到行动的端到端闭环

GE 以统一的视频生成式世界模型为核心，将策略学习、评估与仿真能力整合在同一框架之中。在 GE 的整体架构中，GE-Sim 模块承担着视频级世界仿真的关键角色。该模块需要在多视角条件下生成具备物理一致性和时间稳定性的环境演化结果，同时还必须对机器人的动作指令做出准确响应。

具身智能世界模型平台 Genie Envisioner（GE）

*图片来源于 Genie Envisioner 项目网站

NVIDIA Cosmos Predict 2，

加速 GE-Sim 迭代升级

智元机器人通过将 Cosmos Predict 2 深度集成至自研的动作条件世界模型架构中，为 GE-Sim 提供强大的通用视觉与物理先验能力。同时，结合 AgiBot World 数据集开展针对性的后训练，显著加快了 GE-Sim 的迭代节奏，并持续提升仿真质量与系统稳定性。

基于 NVIDIA Cosmos 的 GE-Sim 视频仿真演示：模型根据机器人动作指令生成未来帧，并在多视角下保持高度一致性

更多资源

想要了解更多信息，请关注 NVIDIA Cosmos 开发者资源，并加入我们的开发者社区：

阅读 Genie Envisioner 研究论文：

https://arxiv.org/pdf/2508.05635

了解 Genie Envisioner 开源项目详情：

https://github.com/AgibotTech/Genie-Envisioner

阅读 Cosmos Cookbook：

https://nvda.ws/4qevli8

了解模型及数据集：

https://github.com/nvidia-cosmos

在我们的托管模型库中试用 Cosmos 模型：

https://nvda.ws/3Yg0Dcx

加入 Cosmos 开发者社区：

https://discord.gg/u23rXTHSC9

以上为摘要内容，点击“阅读原文”或扫描下方二维码阅读完整内容：

*本文中图片及视频均由智元机器人提供，如果您有任何疑问或需要使用图片及视频，请联系智元机器人。

GTC 2026 将于 2026 年 3 月 16 至 19 日在美国加州圣何塞及线上同步举行，扫描下方二维码，立即注册线上大会或购买现场参会门票。

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2026-01-20

多模态RAG不止知识问答：文搜图与图搜图的四种实现方案

2026-01-16

KDD 2026 | 小红书内容审核：Hi-Guard 让内容治理“知其然，更知其所以然”

2026-01-10

Pulsar特性在AI场景中的使用

2026-01-10

多模态检索新突破！Qwen3-VL-Embedding/Reranker AI 真正“看懂“你在搜什么，从图片到视频全拿下！

2026-01-09

多模态文档解析模型进展：UNIREC-0.1B架构、数据情况、实际测试

2026-01-09

DeepSeek OCR + mHC 将开启多模态“信息动力学”新范式

2026-01-09

Qwen3-VL-Embedding系列上新：探索统一多模态表征与排序

2026-01-06

NVIDIA Audio2Face-3D 实时语音驱动面部动画最新部署指南

联系获取

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

谁是OCR王者？MinerU、PaddleOCR、DeepSeek-OCR 实测对比，集成一个多模态PDF解析系统

2025-11-10

万字拆解UI-TARS 2.0，看懂豆包手机背后的核心技术

2025-12-15

微软又上大分！刚刚开源一款 0.5B 轻量级实时 TTS 模型，还能边想边说！

2025-12-06

DeepSeek-OCR多模态数据分析Agent实战

2025-10-31

阿里 Qwen3-TTS 全新上线！支持9种方言+49种音色，连天津味儿都拿捏了！

2025-12-07

GLM-TTS技术报告：基于多奖励强化学习的可控发音语音合成

2025-12-11

Gemini 3 多模态Prompt：手相宗师 - 玄师

2025-11-19

声画俱全，一镜入戏 | Seedance 1.5 pro 音视频创作模型正式发布

2025-12-17

蓝色光标×火山引擎：用AI实现多模态内容创作自由

2026-01-05

多模态检索新突破！Qwen3-VL-Embedding/Reranker AI 真正“看懂“你在搜什么，从图片到视频全拿下！

2026-01-10

大家都在问

一篇文章讲清楚：到底什么是NotebookLM？除了PPT，它还能做啥？

2025-12-31

GenAI的多模态数据智能平台如何构建？

2025-08-04

本地AI对话神奇，ChatWise到底有什么用？

2025-05-26

什么是基于知识图谱的多模态推理？

2025-05-13

AI数字人领域重大突破：告别拼凑式合成，阿里OmniTalker能否开启音视频一体化新时代？

2025-04-08

Midjourney V7全面测评：50组多风格提示词实测，是否还有领先优势?

2025-04-05

如何结合多模态RAG和异步调用实现大模型内容理解？

2025-03-30

Chat GPT文生图不用DALL·E模型了？

2025-03-26

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS 提示词框架提示词技巧 AI+电商 AI面试数字员工 ChatBI AI知识库开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB Palantir Glean