NVIDIA erweitert die Cosmos-Plattform mit fortschrittlichen Werkzeugen zum Erstellen und Bereitstellen physischer AI-Weltmodelle

Image: NVIDIA · Source

NVIDIA hat seine Cosmos-Plattform durch neue Trainingstools, Simulations-Checkpoints und Cosmos Data Factory-Blaupausen erweitert, um die Entwicklung, Bewertung und Bereitstellung physischer AI-Weltmodelle zu beschleunigen, die reale Interaktionen in verschiedenen Branchen simulieren.

NVIDIA hat bedeutende Verbesserungen an seiner Cosmos-Plattform angekündigt, die darauf abzielen, die Erstellung und Bereitstellung von Weltmodellen voranzutreiben — komplexe KI-Systeme, die Maschinen dabei helfen, die physische Welt wahrzunehmen, zu verstehen und zu simulieren. Diese Fähigkeiten sind entscheidend für Anwendungen wie autonome Fahrzeuge, Robotik und industrielle Inspektion.

Im Kern bietet die Cosmos-Plattform Entwicklern von Weltmodellen hochmoderne offene Modelle, umfangreiche Trainingsdaten und umfassende Werkzeugkits für Optimierung und Bereitstellung. NVIDIA berichtet, dass Cosmos-Modelle in sechs verschiedenen offenen Modell-Ranglisten zu den fünf besten zählen, was ihre konkurrenzfähige Leistung unterstreicht.

Ein wesentlicher Teil des Updates ist die Cosmos Data Factory, eine Suite cloud-nativer Blaupausen, die darauf ausgelegt sind, große, gelabelte multisensorische Datensätze zu erstellen und anzureichern, die für das Training physischer KI unerlässlich sind. Diese Blaupausen automatisieren Aufgaben wie Datenkennzeichnung, -kuratierung, -erweiterung und die Generierung synthetischer Daten in verschiedenen Szenarien. Beispielsweise ermöglichen spezialisierte Blaupausen die Generierung von Datensätzen für autonome Fahrzeuge mit sorgfältig ausgewählten und synthetischen Fahrdaten, die Erstellung von Ereignisvideos zur Simulation seltener oder unsicherer Vorfälle sowie die Generierung von Defektbildern für Qualitätsinspektionsmodelle. Unterstützt auf Plattformen wie GitHub, Microsoft Azure, Nebius und CoreWeave beschleunigt die Cosmos Data Factory Daten-Workflows durch agentenbasierte Fähigkeiten und GPU-Beschleunigung.

Das Automobilunternehmen Porsche nutzt Cosmos Data Factory über Voxel51 auf Microsoft Azure, um ein gemeinsames Datenökosystem für autonome Fahrzeuge (AV) zwischen den Marken des Volkswagen-Konzerns zu schaffen. Dieses Projekt zielt darauf ab, wiederholte physische Testfahrten um bis zu 90 % zu reduzieren und Entwicklungszyklen um bis zu 85 % zu verkürzen. Ebenso verwendete das Robotikunternehmen ANYbotics Cosmos-Werkzeuge zur Erstellung von über 1.500 synthetischen Videoclips zur Schulung von Inspektionsrobotern, und das Computer-Vision-Unternehmen Ultralytics verbesserte sein YOLO-Modell zur Defekterkennung mithilfe gezielter synthetischer Defekte.

Neben den Datentools hat NVIDIA die Trainings- und Bereitstellungsfunktionen des Cosmos Framework erweitert. Entwickler können nun führende offene Modelle wie GR00T, Alpamayo, QWEN und Pi0.5 mittels Techniken wie Reinforcement Learning, Distillation und Quantisierung feinabstimmen und optimieren. Beispielsweise passte das Robotikforschungslabor MicroAGI Cosmos 3 an, um sich auf egozentrische Manipulationsaufgaben zu spezialisieren, was die Modellgröße erheblich reduzierte, ohne an Genauigkeit zu verlieren.

Die Plattform umfasst auch Verbesserungen bei der Simulation mit Cosmos 3 Nano Modellvarianten, die Entwicklern ermöglichen, autonome Richtlinien in komplexen, multiview- und multisensorischen Simulationen vor dem realen Einsatz zu testen. NVIDIAs Cosmos 3 NIM-Microservices bieten bis zu doppelt so schnelle Inferenz bei gleichbleibender Qualität und unterstützen kontinuierliche Videoanalysen mit Sofortwarnungen unter einer Sekunde. Aufbauend auf diesen Technologien bietet NVIDIA Metropolis Blueprint 3.3 effiziente Video-Such- und Zusammenfassungsfunktionen, die Teams helfen, deutlich mehr Videostreams pro GPU zu überwachen.

Das Ökosystem unterstützt einen offenen und modularen Ansatz. Entwickler können Trainingsdatensätze mit Cosmos Data Factory kuratieren, Modelle mit dem Cosmos Framework trainieren und feinabstimmen und diese über skalierbare Microservices bereitstellen. Diese integrierte Pipeline ermöglicht effiziente Iterationszyklen und erhöht das Vertrauen in die Bereitstellung von KI-Systemen, die sicher und effektiv in physikalischen Umgebungen operieren.

Gemeinsam mit Partnern wie Microsoft Azure und Voxel51 betont NVIDIA sein Engagement für einen ingenieurgetriebenen KI-Entwicklungsprozess mit wiederholbarer Validierung und Kontrolle. Wie das modulare Datenflywheel-Modell von Porsche zeigt, wird erwartet, dass dieser kollaborative, aber OEM-gesteuerte Ansatz bei Daten- und Modellmanagement die Entwicklung autonomer Fahrzeuge und darüber hinaus beschleunigt.

NVIDIAs fortgesetzte Investitionen in die Cosmos-Plattform spiegeln die wachsende Bedeutung physischer KI in realen Anwendungen wider und erleichtern Entwicklern den Bau komplexer KI-Modelle, die die physische Welt zuverlässiger und effizienter wahrnehmen und darin agieren.