エヌビディア、CES 2025でロボットと自動運転向け世界基盤モデル「Cosmos」を公開　Figure、Agility、XPENG、Uberなど15社が採用、日本勢は不在

米エヌビディアは2025年1月6日、CES 2025の基調講演で、ロボットや自動運転車をまず仮想世界で学ばせるための世界基盤モデル(WFM)基盤「Cosmos」を発表した。物理法則を踏まえた映像を生成するモデル、映像トークナイザー、データ整備ツールで構成する。最初のモデルは商用利用を認める「NVIDIA Open Model License」で公開し、ロボットと自動運転の開発企業14社と米Uberを初期採用企業として紹介した。同日には、ヒューマノイド向けの「Isaac GR00T Blueprint」も公表した。

エヌビディアはCosmosの公式ブログで、モデルは人の動作、環境、産業、ロボット、走行に関する実世界データ2000万時間から得た9000兆トークンで学習したと説明した。2025年1月7日にarXivで公開されたプレプリント(2501.03575)によると、720pから4Kまでの生映像約2000万時間を整理し、事前学習用に約1億本、微調整用に約1000万本のクリップを作成した。同社はデータ整備ツール「NeMo Curator」を使えば2000万時間分をBlackwell世代のGPUで14日、Hopper世代で40日で処理でき、CPUだけなら3年以上かかるとしている。Cosmosのトークナイザーは既存の最先端手法に比べ総圧縮率が8倍、処理速度が12倍だという。

モデルは3つの階層に分かれる。Nanoはエッジでの低遅延リアルタイム推論向け、Superは高性能な基本モデル、Ultraは最高品質で独自モデルの蒸留に使う位置づけだ。Hugging Faceで公開した最初のチェックポイント「Cosmos 1.0」は2種類の構造を持つ。拡散モデルは70億と140億パラメーターで、テキストや画像、映像から映像を生成する。自己回帰モデルは40億と120億パラメーターに加え、テキストも受け付ける50億と130億パラメーターの派生版がある。モデルカードによると、70億パラメーターの拡散モデルは1280x704画素で121フレーム、毎秒24フレームで約5秒の映像を出力し、H100一枚で約380秒かかる。40億パラメーターの自己回帰モデルは9フレームの入力から1024x640画素の24フレームを約62秒で生成する。

モデルはHugging Face、エヌビディアのNGCカタログ、GitHubで配布し、APIカタログ経由での利用、今後のNIMマイクロサービス、DGX Cloudでの運用にも対応するとした。「Cosmos Guardrails」が生成前の指示文と生成後の映像を点検し、APIカタログで生成した映像にはAI生成と識別できる不可視の電子透かしを入れるという。

発表資料に記された初期採用企業は1X、Agile Robots、Agility、Figure AI、Foretellix、Fourier、Galbot、Hillbot、IntBot、Neura Robotics、Skild AI、Virtual Incision、Waabi、XPENGとUberだ。エヌビディアによると、Waabiは自動運転のデータ整備とシミュレーション評価に、Hillbotはロボット学習用の3D環境をテラバイト単位で生成するのにCosmosを使う。AgilityのPras Velagapudi最高技術責任者(CTO)は、高価な実データ収集を減らしながら写実的な学習シナリオを生成、拡張できると述べた。UberのDara Khosrowshahi最高経営責任者(CEO)は、エヌビディアとの協業で安全で拡張可能な自動運転の実現時期を早められるとの見方を示した。

ジェンスン フアンCEOは「ロボットにとってのChatGPTの瞬間が近づいている」と語った。大規模言語モデルが対話AIの土台であるように、世界基盤モデルはロボットや自動運転の開発に欠かせないが、すべての開発者が自ら学習させる力を持つわけではないとし、フィジカルAIを誰もが使えるようにするためにCosmosをつくったと強調した。

同日発表のIsaac GR00T Blueprintは3つのワークフローからなる。GR00T-TeleopはApple Vision Proでデジタルツイン内の人の動きを取り込み、仮想ロボットがそれをなぞって正解データをつくる。GR00T-Mimicはその実演をより大きな合成動作データに増やし、OmniverseとCosmosを基盤とするGR00T-Genがドメインランダム化と3Dアップスケーリングでさらに拡張する。学習はオープンソースのロボット学習基盤Isaac Labで行う。エヌビディアは米Boston DynamicsとFigureがIsaac GR00Tを導入したと明らかにし、ヒューマノイド市場が今後10年で380億ドルに達するとの見通しを引用した。

エヌビディアはその後、具体的な数値も示した。2025年に改訂した開発者向けブログでは、GR00T-Mimicが11時間で人の実演6500時間分に相当する78万本の合成軌道を生成し、実データと組み合わせると実データのみの場合より性能が40%向上したとしている。2025年5月18日のCOMPUTEXでは、Cosmos Predictを使うGR00T-Dreamsにより、人手なら約3カ月かかるデータ収集を経ずにヒューマノイド向けモデルGR00T N1.5を36時間で開発したと説明した。

日本の視点では、初期採用企業に日本企業が一社も入らなかった点が目を引く。産業用ロボットで世界有数の地位を持つ日本勢は、その後エヌビディアとの連携を急いだ。MEKAWIREは、ファナックが2025年12月にROS 2とエヌビディア技術への対応を打ち出し、川崎重工業が2026年5月にエヌビディアなどと米サンノゼにフィジカルAI拠点を開設し、2026年7月には富士通がファナック、安川電機、川崎重工業とエヌビディア技術を使うフィジカルAI基盤づくりに乗り出したと報じてきた。人手不足が深刻な日本の製造や物流の現場では、少ない実演からロボットに作業を教えられる合成データの手法は導入の壁を下げる可能性がある。

初期採用のロボット企業の多くは本格的な量産売上を持たないベンチャーだった。MEKAWIREの検証済みデータでは、CES前のFigureの直近資金調達は2024年2月の6億7500万ドルのシリーズB、Skild AIは2024年7月に評価額15億ドルで3億ドルを調達していた。

競合では、米グーグル傘下のDeepMindが2024年12月4日に、行動で操作できる3D環境を最長1分ほど一貫して生成する「Genie 2」を公表したが、一般公開はしていない。米OpenAIは同月9日、有料のChatGPT利用者向けに最長20秒の1080p映像を生成する「Sora Turbo」を提供し始めた。Cosmosは重みを商用目的でダウンロードでき、ロボットと車両の学習データに狙いを定めた点が異なる。

課題も多い。エヌビディアはCosmosの映像で学んだロボットが実データで学んだロボットより現場で優れるという結果を示しておらず、生成映像はもっともらしく見えても物理的に誤ることがある。同社の資料同士でも学習データの説明が食い違い、GR00Tのブログは18京トークンと200万時間、Cosmosのブログは9000兆トークンと2000万時間としていた。5秒の映像にH100で数分かかる計算コストや、標準的なオープンソースではない自社ライセンスである点も見極めが要る。