英伟达发布Cosmos Reason：机器人视觉推理新突破

在SIGGRAPH大会上，英伟达推出开源物理AI与机器人视觉推理模型Cosmos Reason，可将复杂指令分解为任务并用常识执行。

在当地时间周一揭幕的行业顶级会议SIGGRAPH上，全球领先的AI芯片制造商英伟达，展示了一系列面向机器人开发者的世界模型、应用库和基础设施。

其中，最引人注目的是参数量仅为70亿的开源物理AI应用和机器人视觉推理模型Cosmos Reason。

英伟达指出，自OpenAI多年前发布CLIP模型以来，视觉语言模型已彻底改变了计算机视觉任务，如物体与模式的识别。然而，之前的模型难以处理多步骤任务或应对模糊或新颖的现实体验。

凭借记忆和理解能力，Cosmos Reason使机器人和AI具身代理能够“像人类一样推理”，并在真实世界中采取行动。

在英伟达提供的案例中，运行视觉推理模型的机器人手臂，成功根据“面包+烤面包机”的场景，推断出将面包放入烤面包机烘烤的最合理动作，并将思考逻辑转化为机器手臂的操作指令。

（来源：英伟达）

这一功能被称为“机器人规划与推理”。Cosmos Reason能够作为机器人的“大脑”，负责有意识、条理化的决策。视觉推理模型能够解释环境，并在面对复杂指令时将其分解为任务并利用常识执行。

此外，该模型还能用于一系列AI应用。例如自动化对大规模、多样化训练数据集进行整理、标注，也能从海量视频数据中提取有价值的信息并进行归因分析。

目前这个模型已经投入商业化运营。英伟达透露，公司内部的机器人和自动驾驶团队正使用这个模型进行数据整理与过滤、标注以及VLA（视觉语言动作）后训练。优步（Uber）也在使用该模型为自动驾驶训练数据进行标注与生成说明。

除此之外，麦格纳国际正在使用该模型开发全自动即时配送解决方案City Delivery，用以帮助车辆更快适应新城市环境。VAST Data、Milestone Systems也在交通监控自动化、视觉检测等领域应用该模型。

除了Cosmos Reason，英伟达还在Cosmos世界模型中新增了Cosmos Transfer-2，用于加速从3D仿真等场景生成合成数据，以及一个经过蒸馏、更为注重速度优化的Cosmos Transfers版本。

英伟达也在周一更新了Omniverse软件开发工具包，并公布了新的神经重建库。其中包括一种渲染技术库，允许开发者使用传感器数据在三维中模拟现实世界。

这一系列发布标志着AI芯片巨头正在加码进军机器人领域，试图将其培养成AI数据中心之外的下一个重要应用场景。