NVIDIA utökar Cosmos-plattformen med avancerade verktyg för att bygga och distribuera fysiska AI-världsmodeller

Bild: NVIDIA · Källa

NVIDIA har förbättrat sin Cosmos-plattform genom att introducera nya träningsverktyg, simuleringskontrollpunkter och Cosmos Data Factory-ritningar för att påskynda utveckling, utvärdering och distribution av fysiska AI-världsmodeller som simulerar verkliga interaktioner över flera industrier.

NVIDIA har tillkännagett betydande förbättringar av sin Cosmos-plattform med målet att främja skapandet och distributionen av världsmodeller – komplexa AI-system som hjälper maskiner att uppfatta, förstå och simulera den fysiska världen. Dessa funktioner är avgörande för tillämpningar som autonoma fordon, robotik och industriell inspektion.

I sin kärna erbjuder Cosmos-plattformen världmodellsutvecklare banbrytande öppna modeller, omfattande träningsdata samt kompletta optimerings- och distributionsverktyg. NVIDIA rapporterar att Cosmos-modeller rankas bland de fem främsta på sex olika öppna modellrankningar, vilket understryker deras konkurrenskraftiga prestanda.

En viktig del av uppdateringen är Cosmos Data Factory, en svit av molnbaserade mallar utformade för att bygga och berika stora, märkta multisensoriska dataset som är avgörande för träning av fysisk AI. Dessa mallar automatiserar uppgifter såsom datamärkning, kurering, förstärkning och syntetisk datagenerering i olika scenarier. Till exempel möjliggör specialiserade mallar generering av datasätt för autonoma fordon med noggrant utvalda och syntetiska kördata, generering av händelsevideor för att simulera sällsynta eller osäkra händelser samt generering av defektbilder för kvalitetsinspektionsmodeller. Cosmos Data Factory, som stöds på plattformar inklusive GitHub, Microsoft Azure, Nebius och CoreWeave, påskyndar dataflöden med hjälp av agentbaserade färdigheter och GPU-acceleration.

Biltillverkaren Porsche använder Cosmos Data Factory via Voxel51 på Microsoft Azure för att skapa ett gemensamt datalandskap för autonoma fordon bland varumärken inom Volkswagen Group. Initiativet syftar till att minska upprepade fysiska testkörningar med upp till 90 procent och förkorta utvecklingscykler med upp till 85 procent. På liknande sätt använde robotikföretaget ANYbotics Cosmos-verktyg för att generera över 1 500 syntetiska videoklipp för att träna inspektionsrobotar, och datorvisionsföretaget Ultralytics förbättrade sin YOLO-modell för defektigenkänning genom att använda riktade syntetiska defekter.

Utöver dataverktyg har NVIDIA utökat Cosmos Frameworks tränings- och distributionskapaciteter. Utvecklare kan nu finjustera och optimera ledande öppna modeller såsom GR00T, Alpamayo, QWEN och Pi0.5 genom tekniker som förstärkningsinlärning, destillering och kvantisering. Till exempel har robotikforskningslabbet MicroAGI anpassat Cosmos 3 för att specialisera sig på egocentriska manipulationsuppgifter, vilket kraftigt minskar modellstorleken utan förlust av noggrannhet.

Plattformen inkluderar även simuleringsförbättringar med Cosmos 3 Nano-modellvarianter, som möjliggör för utvecklare att testa autonoma policies i komplexa, multiview multisensoriska simuleringar innan verklig distribution. NVIDIAs Cosmos 3 NIM-mikrotjänster ger upp till dubbelt så snabb inferens samtidigt som kvaliteten bibehålls, stödjer kontinuerlig videoanalys med undersekundssvar. Med utgångspunkt från dessa tekniker erbjuder NVIDIA Metropolis Blueprint 3.3 effektiva möjligheter för videosökning och sammanfattning, vilket hjälper team att övervaka betydligt fler videoströmmar per GPU.

Ekosystemet stödjer en öppen och modulär strategi. Utvecklare kan skapa träningsdatasätt med Cosmos Data Factory, träna och finjustera modeller med Cosmos Framework och distribuera dem via skalbara mikrotjänster. Denna integrerade pipeline möjliggör effektiva iterationscykler och högre förtroende för att distribuera AI-system som fungerar säkert och effektivt i fysiska miljöer.

Tillsammans med partners som Microsoft Azure och Voxel51 betonar NVIDIA sitt engagemang för att möjliggöra en ingenjörsdriven AI-utvecklingsprocess fokuserad på upprepad validering och kontroll. Som demonstrerat av Porsches modulära data flywheel-modell förväntas denna samarbetande men OEM-styrda metod för data- och modellhantering påskynda utvecklingen av autonoma fordon och vidare.

NVIDIAs fortsatta investeringar i Cosmos-plattformen speglar den ökande betydelsen av fysisk AI i verkliga tillämpningar, vilket gör det lättare för utvecklare att bygga avancerade AI-modeller som uppfattar och agerar i den fysiska världen med förbättrad tillförlitlighet och effektivitet.