英伟达发布 Cosmos 3 世界基础模型，欲统一具身智能全模态
原标题：英伟达 Cosmos 3 深度拆解：它想做具身智能时代的「安卓系统」| RSS 2026
AI 摘要
英伟达在悉尼 RSS 2026 上发布 Cosmos 3，这是一个面向物理 AI 的多模态世界基础模型，在单一 Transformer 架构下统一了文本、视觉、音频和动作模态。Cosmos 3 提供 Edge（4B）、Nano（16B）和 Super（64B）三个版本，支持世界理解、未来模拟和动作执行，并完全开源。英伟达物理 AI 专家 Max Li 在演讲中强调，该模型旨在成为具身智能时代的标准化基础，通过边缘端优化让模型在 Jetson 设备上实时运行。
正文节选
0 编辑丨岑峰 2026 年，大模型行业正经历一场前所未有的“体感位移”。那个在纯数字世界几乎无往不利的 Scaling Law，在试图跨越到物理世界时，正遭遇物理规律、空间约束和长尾数据的残酷审判。 AI 行业最核心的矛盾正日趋明显：云端算力的指数级爆发，与机器人终端落地的步履蹒跚，构成了一种日益撕裂的鸿沟。 这种割裂感，在 7 月悉尼 RSS 2026的最后一天，被推向了最高潮。在 “Robot World Models（机器人世界模型）” Workshop 上，传统机器人学界对物理因果的“敬畏”，正与 AI 工业界对规模效应的“迷信”正面交锋。 就在这场范式撞击的火山口上，英伟达物理AI专家Max Li，为我们拆解了其新发布的重量级产品——Cosmos 3。 这不再仅仅是一个更逼真的视频生成器：它是全球首个在同一个 Transformer 架构下，彻底打通了文本、视觉、音频和动作全模态的世界基础模型。如果说过去两年的具身智能还处于“组装机”时代：开发者需要吃力地将视觉模型、语言模型和控制算法像乐高一样拼凑在一起，那么 Cosmos 3 的出现，则宣告了“整机一体化”时代的到来。