在這一演進(jìn)過(guò)程中，世界模型逐漸成為連接高層智能與底層執(zhí)行的關(guān)鍵基礎(chǔ)設(shè)施。通過(guò)對(duì)環(huán)境狀態(tài)及其時(shí)間演化進(jìn)行建模，世界模型使機(jī)器人系統(tǒng)能夠在受控環(huán)境中進(jìn)行仿真、訓(xùn)練與決策推演，從而為機(jī)器人在真實(shí)物理世界中實(shí)現(xiàn)可靠的感知、決策與行動(dòng)閉環(huán)提供支撐。

NVIDIA Cosmos：面向物理 AI 的世界基礎(chǔ)模型

NVIDIA Cosmos 包含一系列先進(jìn)的預(yù)訓(xùn)練多模態(tài)模型，為開(kāi)發(fā)者構(gòu)建虛擬世界、實(shí)現(xiàn)智能推理，提供了一套靈活、可擴(kuò)展的世界建模基礎(chǔ)設(shè)施。

在 Cosmos 平臺(tái)中，Cosmos Predict是面向世界狀態(tài)預(yù)測(cè)的核心基礎(chǔ)模型，通過(guò)視頻級(jí)生成與預(yù)測(cè)，Cosmos Predict 使物理 AI 系統(tǒng)能夠在給定當(dāng)前觀測(cè)和條件的情況下，對(duì)未來(lái)狀態(tài)進(jìn)行推演。其前瞻性的世界模型能力，為仿真、規(guī)劃及閉環(huán)決策環(huán)節(jié)提供高效支撐。最新版本的 Cosmos Predict 2.5 能夠僅基于單張圖像和文本提示，生成最長(zhǎng) 30 秒的未來(lái)世界狀態(tài)視頻，這一能力為物理 AI 系統(tǒng)提供了高質(zhì)量的合成數(shù)據(jù)來(lái)源。該模型還能進(jìn)一步優(yōu)化機(jī)器人的迭代式策略訓(xùn)練場(chǎng)景。

智元機(jī)器人 Genie Envisioner：

基于 Cosmos 實(shí)現(xiàn)感知到行動(dòng)的端到端閉環(huán)

基于 NVIDIA Cosmos，智元機(jī)器人近期發(fā)布了具身智能世界模型平臺(tái) Genie Envisioner（GE），系統(tǒng)性地打通了機(jī)器人從“感知”到“決策”再到“行動(dòng)”的端到端閉環(huán)。

GE 以統(tǒng)一的視頻生成式世界模型為核心，將策略學(xué)習(xí)、評(píng)估與仿真能力整合在同一框架之中，使世界模型能夠深度參與機(jī)器人決策與控制過(guò)程，成為具身智能系統(tǒng)中的關(guān)鍵基礎(chǔ)組成部分。

具身智能世界模型平臺(tái) Genie Envisioner（GE）

*圖片來(lái)源于 Genie Envisioner 項(xiàng)目網(wǎng)站

在 GE 的整體架構(gòu)中，GE-Sim模塊承擔(dān)著視頻級(jí)世界仿真的關(guān)鍵角色。該模塊需要在多視角條件下生成具備物理一致性和時(shí)間穩(wěn)定性的環(huán)境演化結(jié)果，同時(shí)還必須對(duì)機(jī)器人的動(dòng)作指令做出準(zhǔn)確響應(yīng)。

這種動(dòng)作條件世界模型（action-conditioned world model）對(duì)底層視覺(jué)先驗(yàn)、動(dòng)態(tài)建模能力以及多步驟穩(wěn)定性提出了極高要求，是具身智能從概念走向落地過(guò)程中最具挑戰(zhàn)性的技術(shù)環(huán)節(jié)之一。

NVIDIA Cosmos Predict 2，加速 GE-Sim 迭代升級(jí)

面對(duì)物理 AI 和具身智能場(chǎng)景在規(guī)模、多樣性與動(dòng)態(tài)復(fù)雜性上的挑戰(zhàn)，智元機(jī)器人團(tuán)隊(duì)引入 NVIDIA Cosmos Predict 2，為 GE-Sim 提供強(qiáng)大的通用視覺(jué)與物理先驗(yàn)?zāi)芰Α?/p>

通過(guò)將 Cosmos Predict 2 深度集成至自研的動(dòng)作條件世界模型架構(gòu)中，并結(jié)合 AgiBot World 數(shù)據(jù)集開(kāi)展針對(duì)性的后訓(xùn)練，團(tuán)隊(duì)顯著加快了 GE-Sim 的迭代節(jié)奏，并持續(xù)提升仿真質(zhì)量與系統(tǒng)穩(wěn)定性。

借助 Cosmos 世界基礎(chǔ)模型的基礎(chǔ)能力，GE-Sim 生成的多視角視頻能夠精準(zhǔn)響應(yīng)機(jī)器人的動(dòng)作指令。Cosmos 提供的通用視覺(jué)與物理先驗(yàn)，使模型能夠覆蓋海量具身場(chǎng)景的多樣性。在此基礎(chǔ)上，GE 架構(gòu)進(jìn)一步結(jié)合機(jī)器人動(dòng)作條件與任務(wù)約束，使生成結(jié)果既符合真實(shí)物理規(guī)律，又能夠直接服務(wù)于機(jī)器人決策與執(zhí)行。

基于 NVIDIA Cosmos 的 GE-Sim 視頻仿真演示：模型根據(jù)機(jī)器人動(dòng)作指令生成未來(lái)幀，并在多視角下保持高度一致性

基于 Cosmos 世界基礎(chǔ)模型優(yōu)化后的 GE-Sim，已于 2025 年 11 月正式發(fā)布并在 GitHub 開(kāi)源，為具身智能社區(qū)提供了可復(fù)用、可擴(kuò)展的世界仿真基礎(chǔ)設(shè)施。

不止于仿真：Cosmos 如何塑造機(jī)器人未來(lái)？

Cosmos 世界基礎(chǔ)模型正在成為物理 AI 的基礎(chǔ)模型層，為機(jī)器人提供：

高質(zhì)量合成數(shù)據(jù)生成，降低真實(shí)數(shù)據(jù)收集與標(biāo)注成本；

安全可靠的仿真環(huán)境，支持大規(guī)模強(qiáng)化學(xué)習(xí)與策略調(diào)試；

可擴(kuò)展的世界先驗(yàn)，加速不同場(chǎng)景的模型適配與部署。

通過(guò)將世界狀態(tài)預(yù)測(cè)能力系統(tǒng)化、模型化，Cosmos 讓機(jī)器人不僅在“感知現(xiàn)在”，更在“理解變化”和“推演未來(lái)”，從而在真實(shí)世界中做出更穩(wěn)健、更智能的決策。

Cosmos 將持續(xù)作為世界模型的核心底座，與生態(tài)伙伴共同推動(dòng)具身智能從實(shí)驗(yàn)室走向真實(shí)世界。