NVIDIA utvider Cosmos-plattformen med avanserte verktøy for å bygge og distribuere fysiske AI-verldsmodeller

Bilde: NVIDIA · Kilde

NVIDIA har forbedret sin Cosmos-plattform ved å introdusere nye treningsverktøy, simuleringskontrollpunkter og Cosmos Data Factory-blåkopier for å akselerere utvikling, evaluering og distribusjon av fysiske AI-verldsmodeller som simulerer virkelige interaksjoner på tvers av flere industrier.

NVIDIA har kunngjort betydelige forbedringer av sin Cosmos-plattform med mål om å fremme skapelsen og distribusjonen av verldsmodeller – komplekse AI-systemer som hjelper maskiner med å oppfatte, forstå og simulere den fysiske verden. Disse evnene er avgjørende for anvendelser som autonome kjøretøy, robotikk og industriell inspeksjon.

Kjernen i Cosmos-plattformen er å tilby utviklere av verldsmodeller banebrytende åpne modeller, omfattende treningsdata, og omfattende optimaliserings- og distribusjonsverktøy. NVIDIA rapporterer at Cosmos-modeller rangerer blant topp fem på seks ulike åpne modell-lederboards, noe som understreker deres konkurransedyktige ytelse.

En viktig del av oppdateringen er Cosmos Data Factory, en samling sky-native blåkopier utviklet for å bygge og berike store, merka multisensoriske datasett som er essensielle for trening av fysisk AI. Disse blåkopiene automatiserer oppgaver som datamerking, kuratering, augmentering og syntetisk datagenerering i ulike scenarier. For eksempel muliggjør spesialiserte blåkopier generering av datasett for autonome kjøretøy med kuraterte og syntetiske kjøredatasett, generering av hendelsesvideoer for å simulere sjeldne eller farlige hendelser, og generering av defektbilder for kvalitetsinspeksjonsmodeller. Støttet på plattformer som GitHub, Microsoft Azure, Nebius og CoreWeave, akselererer Cosmos Data Factory dataflyt ved hjelp av agentiske ferdigheter og GPU-akselerasjon.

Bilprodusenten Porsche bruker Cosmos Data Factory via Voxel51 på Microsoft Azure for å skape et delt dataøkosystem for autonome kjøretøy (AV) mellom Volkswagen Groups merker. Initiativet har som mål å redusere gjentatte fysiske testkjøringer med opptil 90 % og forkorte utviklingssykluser med opptil 85 %. Tilsvarende har robotikkfirmaet ANYbotics brukt Cosmos-verktøy for å generere over 1 500 syntetiske videoklipp for å trene inspeksjonsroboter, og datavisjonsselskapet Ultralytics forbedret sin YOLO-modell for defektdeteksjon ved hjelp av målrettede syntetiske defekter.

I tillegg til dataverktøy har NVIDIA utvidet Cosmos Frameworks trenings- og distribusjonskapasiteter. Utviklere kan nå finjustere og optimalisere ledende åpne modeller som GR00T, Alpamayo, QWEN og Pi0.5 gjennom teknikker som forsterkningslæring, destillering og kvantisering. For eksempel har robotikkforskningslaboratoriet MicroAGI tilpasset Cosmos 3 for å spesialisere seg på egosentriske manipulasjonsoppgaver, noe som betydelig reduserer modellstørrelsen uten tap av nøyaktighet.

Plattformen inkluderer også simuleringsforbedringer med Cosmos 3 Nano-modellvarianter som gjør det mulig for utviklere å teste autonome policyer i komplekse, flerperspektiviske multisensoriske simuleringer før faktisk distribusjon. NVIDIAs Cosmos 3 NIM mikrotjenester gir opptil 2x raskere inferens samtidig som kvaliteten opprettholdes, og støtter kontinuerlig videoanalyse med varsler under ett sekund. Bygget på disse teknologiene tilbyr NVIDIA Metropolis Blueprint 3.3 effektive funksjoner for videosøk og oppsummering, noe som hjelper team med å overvåke betydelig flere videostrømmer per GPU.

Økosystemet støtter en åpen og modulær tilnærming. Utviklere kan kuratere treningsdatasett med Cosmos Data Factory, trene og finjustere modeller med Cosmos Framework, og distribuere dem via skalerbare mikrotjenester. Denne integrerte arbeidsflyten muliggjør effektive iterasjonssykluser og økt tillit til distribusjon av AI-systemer som opererer trygt og effektivt i fysiske miljøer.

Sammen med partnere som Microsoft Azure og Voxel51 understreker NVIDIA sitt engasjement for å muliggjøre en ingeniørdrevet AI-utviklingsprosess fokusert på repeterbar validering og kontroll. Som demonstrert av Porsches modulære data flywheel-modell forventes denne samarbeidsorienterte, men OEM-kontrollerte tilnærmingen til data- og modellhåndtering å akselerere utviklingen av autonome kjøretøy og mer.

NVIDIAs fortsatte investeringer i Cosmos-plattformen reflekterer den økende betydningen av fysisk AI i virkelige anvendelser, noe som gjør det enklere for utviklere å bygge sofistikerte AI-modeller som oppfatter og handler i den fysiske verden med forbedret pålitelighet og effektivitet.