NVIDIA、Cosmosを対話型の世界シミュレーションに適用する枠組みを公開

何が起きたか

NVIDIAは、Cosmos世界基盤モデル（World Foundation Model）を、物理AI向けのリアルタイム対話型の世界シミュレーションに適応させる共通の枠組みを、論文「Interactive World Simulation with Cosmos for Physical AI」として発表しました。arXivでの公開日は2026年11月4日です。

仕組みと中身

論文要旨によると、この枠組みは行動やシーン制御に応じて視覚的な観測を連続的に生成します。これにより、人や身体を持つエージェントが、変化し続ける仮想環境とやり取りできるとしています。

実務への影響

ロボットや自動運転の学習・評価用に、映像生成型の仮想環境を共通の土台で作る方向を示す研究です。実機試験の前段の検証に使える可能性がありますが、精度や実務での適合性は材料からは確認できません。

事例

• カメラナビゲーションとロボットマニピュレーション
• 制御可能なビデオトランスファー
• 複数視点の自動運転（AV）シミュレーション

試すには

1. 論文のarXivページから公式プロジェクトサイトとGitHubリポジトリに進み、公開されているサンプルの内容を確認する
2. Hugging Faceのコレクションでチェックポイントの種類とライセンスを確認する

注意点・未確認のこと

• 材料は論文の要旨のみで、モデル規模、遅延、フレームレート、評価結果などの数値は確認できません。
• 必要な計算資源やライセンス条件は材料からは確認できません。
• 実世界の3Dスキャンや3DGSとの連携の有無は材料に記載がありません。
• Xの投稿は話題の手がかりで、記事の事実はarXivの要旨に基づきます。

用語

世界基盤モデル（WFM）

環境の変化を映像などで予測・生成する大規模モデル。物理AIの学習や評価の土台に使われます。

物理AI

ロボットや自動運転車など、現実世界で動くAIの総称です。

ビデオトランスファー

入力映像の構造を保ちつつ、見た目や条件を変えて別の映像に変換する処理です。

出典

一次情報（発表元・論文・リポジトリ）

• Interactive World Simulation with Cosmos for Physical AIarXiv（arxiv.org）・en

きっかけになったXのポスト

• @arnaudmercier のポストをXで見るx.com

この記事は、AIが出典（一次情報）をもとに日本語で作成し、人による事前の確認を経ずに、出典との照合などの自動の検査を通ったものを公開しています（AIの利用について）。数値や仕様は発表元の情報で、当社が独自に検証したものではありません。詳しくは原典をご確認ください。誤りのご指摘はお問い合わせからお願いします。確認のうえ速やかに訂正します。