Nvidia öffnet auf der CES 2025 seine Cosmos-Weltmodelle für Roboter und autonome Autos, Neura Robotics und Agile Robots unter den ersten Nutzern

Nvidia hat seine Keynote auf der CES 2025 am 6. Januar 2025 genutzt, um Cosmos vorzustellen, eine Plattform aus Weltmodellen, Video-Tokenizern und Werkzeugen zur Datenaufbereitung. Die Modelle sollen physikalisch plausible Videos erzeugen, mit denen Roboter und autonome Fahrzeuge trainiert werden, bevor sie in die reale Welt gehen. Nvidia veröffentlichte die ersten Cosmos-Modelle unter der hauseigenen NVIDIA Open Model License, die kommerzielle Nutzung erlaubt, und nannte 14 Entwickler aus Robotik und autonomem Fahren sowie Uber als frühe Anwender. Am selben Tag stellte der Konzern den Isaac GR00T Blueprint vor, der wenige menschliche Demonstrationen in große synthetische Bewegungsdatensätze für Humanoide verwandelt.

Die Größenordnungen sind beträchtlich. Laut Nvidias Cosmos-Blog wurden die Modelle mit 9.000 Billionen Token trainiert, gewonnen aus 20 Millionen Stunden Daten zu menschlichen Interaktionen, Umgebungen, Industrie, Robotik und Straßenverkehr. Der begleitende Preprint, am 7. Januar 2025 auf arXiv unter der Nummer 2501.03575 veröffentlicht, beschreibt die Aufbereitung von rund 20 Millionen Stunden Rohvideo in Auflösungen von 720p bis 4K zu etwa 100 Millionen Clips für das Vortraining und rund 10 Millionen für das Feintuning. Nach Nvidias Angaben verarbeitet die Pipeline NeMo Curator diese 20 Millionen Stunden in 14 Tagen auf Blackwell-GPUs oder 40 Tagen auf Hopper-GPUs, während eine reine CPU-Pipeline mehr als drei Jahre bräuchte. Der Cosmos-Tokenizer komprimiere achtmal stärker und arbeite zwölfmal schneller als führende Alternativen.

Nvidia teilt die Modelle in drei Klassen ein. Nano ist für latenzarme Echtzeit-Inferenz am Edge gedacht, Super als leistungsstarke Basis, Ultra für maximale Wiedergabetreue und das Destillieren eigener Modelle. Die ersten offenen Checkpoints erschienen als Cosmos 1.0 auf Hugging Face in zwei Architekturen. Diffusionsmodelle mit 7 und 14 Milliarden Parametern erzeugen Videos aus Text oder setzen Bilder und Videos fort. Autoregressive Modelle mit 4 und 12 Milliarden Parametern sagen künftige Bilder voraus, ergänzt um Varianten mit 5 und 13 Milliarden Parametern, die zusätzlich Text verarbeiten. Laut Modellkarte liefert das 7B-Diffusionsmodell 121 Bilder in 1280x704 Pixeln, rund fünf Sekunden bei 24 Bildern pro Sekunde, und braucht dafür etwa 380 Sekunden auf einer H100. Das 4B-Modell erzeugt aus 9 Eingabebildern 24 neue in 1024x640 Pixeln in etwa 62 Sekunden.

Verteilt werden die Modelle über Hugging Face, Nvidias NGC-Katalog und GitHub, mit Zugriff über den API-Katalog, späteren NIM-Microservices und Betrieb in DGX Cloud. Cosmos Guardrails prüfen nach Unternehmensangaben Eingaben vor der Generierung und Videos danach. Videos aus dem API-Katalog tragen ein unsichtbares Wasserzeichen, das sie als KI-generiert kenntlich macht.

Die Anwenderliste in Nvidias Mitteilung umfasst 1X, Agile Robots, Agility, Figure AI, Foretellix, Fourier, Galbot, Hillbot, IntBot, Neura Robotics, Skild AI, Virtual Incision, Waabi und XPENG sowie Uber. Waabi nutze Cosmos für Datenkuratierung und Simulationsbewertung beim autonomen Fahren, Hillbot für die Erzeugung von Terabytes an 3D-Umgebungen für das Robotertraining, teilte Nvidia mit. Agility-Technikchef Pras Velagapudi erklärte, Cosmos erlaube fotorealistische Trainingsszenarien ohne so viel teure Datenerfassung in der realen Welt. Uber-Chef Dara Khosrowshahi sagte, die Zusammenarbeit mit Nvidia könne den Zeitplan für sicheres und skalierbares autonomes Fahren beschleunigen.

Nvidia-Gründer und Vorstandschef Jensen Huang sprach von einem Wendepunkt. „Der ChatGPT-Moment für die Robotik kommt“, sagte er. Weltmodelle seien für Roboter und autonome Fahrzeuge so grundlegend wie große Sprachmodelle für Chatbots, doch nicht jeder Entwickler habe die Mittel, eigene zu trainieren. Cosmos solle physische KI demokratisieren.

Der am selben Tag vorgestellte Isaac GR00T Blueprint besteht aus drei Arbeitsabläufen. GR00T-Teleop erfasst menschliche Bewegungen mit einer Apple Vision Pro in einem digitalen Zwilling, ein simulierter Roboter ahmt sie nach und liefert Referenzdaten. GR00T-Mimic vervielfacht diese Demonstrationen zu einem größeren synthetischen Datensatz, GR00T-Gen auf Basis von Omniverse und Cosmos erweitert ihn per Domain Randomization und 3D-Upscaling. Trainiert wird in Isaac Lab, Nvidias quelloffenem Framework für Roboterlernen. Boston Dynamics und Figure setzten Isaac GR00T bereits ein, erklärte Nvidia und verwies auf die Erwartung, dass der Markt für Humanoide im nächsten Jahrzehnt 38 Milliarden Dollar erreicht.

Später lieferte Nvidia Zahlen nach. In einem 2025 überarbeiteten Entwicklerblog heißt es, GR00T-Mimic habe in 11 Stunden 780.000 synthetische Trajektorien erzeugt, was 6.500 Stunden menschlicher Demonstration entspreche, und die Kombination mit realen Daten habe die Leistung gegenüber rein realen Daten um 40 Prozent gesteigert. Auf der Computex am 18. Mai 2025 erklärte Nvidia, mit dem auf Cosmos Predict aufbauenden GR00T-Dreams habe man das Humanoidenmodell GR00T N1.5 in 36 Stunden entwickelt statt in rund drei Monaten manueller Datensammlung.

Für Europa ist bemerkenswert, dass mit Neura Robotics und Agile Robots zwei deutsche Robotikfirmen auf der Liste standen, während europäische Autohersteller unter den Autonomie-Anwendern fehlten. MEKAWIRE hat seither berichtet, wie sich das Ökosystem in Deutschland verdichtet hat. Schaeffler will Gelenke für Neura bauen, Wandelbots, SCHUNK und EY bringen Nvidia-basierte physische KI in den Mittelstand, und Neura sammelte im Juni 2026 eine Series C von bis zu 1,4 Milliarden Dollar ein. Für Mittelständler mit kleinen Losgrößen ist das Versprechen verlockend, Roboter mit wenigen Demonstrationen anzulernen, statt teure Datensammlungen aufzubauen.

Die Robotik-Anwender waren überwiegend wagnisfinanzierte Firmen ohne nennenswerte Serienumsätze. Nach verifizierten MEKAWIRE-Daten war Figures letzte offengelegte Runde vor der CES eine Series B über 675 Millionen Dollar im Februar 2024, Skild AI hatte im Juli 2024 300 Millionen Dollar bei einer Bewertung von 1,5 Milliarden Dollar eingesammelt.

Im Wettbewerb kam Cosmos wenige Wochen nach zwei viel beachteten Modellen. Google DeepMind stellte am 4. Dezember 2024 Genie 2 vor, das steuerbare 3D-Welten für das Training von Agenten bis zu einer Minute konsistent erzeugt, aber nicht breit verfügbar war. OpenAI öffnete am 9. Dezember 2024 Sora Turbo für zahlende ChatGPT-Kunden mit Videos von bis zu 20 Sekunden in 1080p. Cosmos unterschied sich durch herunterladbare Gewichte mit kommerzieller Lizenz und die Ausrichtung auf Roboter- und Fahrzeugdaten.

Offene Fragen blieben erheblich. Nvidia legte keine Feldergebnisse vor, wonach mit Cosmos-Videos trainierte Roboter besser abschneiden als mit realen Daten trainierte, und generierte Videos können plausibel aussehen und dennoch physikalisch falsch sein. Nvidias eigene Seiten beschrieben den Trainingsdatensatz unterschiedlich. Der GR00T-Blog nannte 18 Billiarden Token einschließlich 2 Millionen Stunden Fahr-, Roboter-, Drohnen- und synthetischer Aufnahmen, der Cosmos-Blog 9.000 Billionen Token aus 20 Millionen Stunden. Hinzu kommen Rechenkosten von Minuten H100-Zeit pro Fünf-Sekunden-Clip und eine Lizenz, die Nvidia selbst formuliert hat und keine Standard-Open-Source-Lizenz ist.