「物理AI」がクラウドを脱出した日。
エッジで動く4B世界モデルの衝撃
SIGGRAPH 2026でNVIDIAが発表した「Cosmos 3 Edge」。データセンター級の物理知能が、わずか4Bパラメータで手のひらサイズのJetsonに降りてきた。クラウドを介さず、ロボット自身がその場で「世界を理解し、未来を予測し、行動を選択する」——そんな物理AIが、ラボから現場へと解き放たれた実力を検証する。
手のひらサイズのエッジ機器で動く小ささ
VANTAGE-Benchで同サイズ帯トップ
1秒間に15回、次の行動を判断・更新
※こちらはリアルタイムではない用途
OpenMDW 1.1で誰でも利用・改変可
GPU8枚あれば現場特化の「専用の脳」に
なぜ今、ロボティクスに「世界モデル」が必要なのか
これまで、高度な物理知能（フロンティア級モデル）を動かすにはデータセンターの膨大な計算資源が不可欠であり、現場（エッジ）で動作するロボットの知能には厳しい制限がありました。リアルタイムな反応が求められる物理環境において、クラウドとの通信遅延は致命的なリスクとなるため、私たちは「知能」と「現場」のどちらかを妥協せざるを得なかったのです。
SIGGRAPH 2026で発表された「NVIDIA Cosmos 3 Edge」は、この常識を根本から覆す。データセンター級の物理知能が、手のひらサイズのJetsonに降りてきた。クラウドを介さず、ロボット自身がその場で「世界を理解し、未来を予測し、行動を選択する」——そんな物理AI（Physical AI）が、ついにラボから現場へと解き放たれた。
本スライドでは、Cosmos 3 Edgeが持つ技術的なブレークスルーと、実用化に向けて依然として残る制約を分けて評価する。
4Bパラメータに凝縮された「フロンティア級」の物理知能
Cosmos 3 Edgeは、単なる既存モデルの軽量化ではありません。上位モデル（Nano/Super）がQwen3-VLをベースにしているのに対し、この4Bモデルはエッジでの実行に最適化するためスクラッチから開発されたDense（密）モデルであるという点が極めて重要です。
同サイズ帯での実力：VANTAGE-Bench 視覚分析ベンチマーク
エッジ向け4Bモデルのカテゴリ内比較（第三者計測）
「フロンティア級の物理理解・予測・行動生成」と「エッジでのリアルタイム動作」の間には、長年明確なトレードオフが存在した。Cosmos 3 Edgeは4Bというコンパクトな設計でありながら、理解（VLM）から予測、そして行動生成（Policy）までを統合し、現場のセンサーに近いオンデバイス環境で妥協のない知能を稼働させることを可能にした。
見る・考える・動くを統合する「Mixture-of-Transformers」の魔術
この知能を支えるのは、Reasoner（理由器）とGenerator（生成器）を統合した「Mixture-of-Transformers（MoT）」というハイブリッド構造です。特筆すべきは、エッジでの効率化のために256p/480pという戦略的な解像度を選択している点です。これにより、ロボットに必要な「理解」と「予測」を最小限の負荷で実現しています。
MoT構造：2つの塔が情報を共有し、未来をシミュレーションする
Reasoner（状況理解・計画）と Generator（未来予測）が協調して行動を決定する
2つのタワーが情報を共有することで、ロボットは「もしこの操作を行えば、世界はどう変化するか」を脳内でシミュレーションしながら、最適な行動を決定できるようになる。
ロボットを止めない「15Hz」のリアルタイム制御ループ
エッジAIにおいて「リアルタイム」の定義は厳密に区別されるべきです。Cosmos 3 Edgeは、用途に応じてハードウェアと速度のバランスを緻密に設計しています。
処理内容ごとの推論速度（Jetson Thor T5000）
用途によって求められる「リアルタイム性」は異なる
| 処理内容 | 推論速度 | 実用上の位置づけ |
|---|---|---|
| 行動生成 (Policy) | 15Hz | 32アクション/推論 — リアルタイム制御可能 |
| 視覚推論 (Reasoner) | 約3秒 | 状況判断・計画立案に使用 |
| 高品質動画生成 (I2V) | 約137秒 | シミュレーション・検証用（リアルタイムではない） |
フラッグシップであるJetson Thor（T5000）では15Hzの制御ループを実現しますが、エントリー層のT2000では7.63秒を要し、リアルタイム制御には至りません。一方で、2BパラメータのReasonerモジュール単体であれば、Jetson Orin 8GB上でも動作可能という柔軟性も持ち合わせています。
フラッグシップJetson Thor T5000
行動生成 15Hzでリアルタイム制御が可能。フル性能を発揮する構成。
エントリー層Jetson Thor T2000
行動生成に7.63秒を要し、リアルタイム制御には未到達。
軽量構成Jetson Orin 8GB
2BのReasonerモジュール単体なら動作可能。状況判断用途に限定。
誤解に注意：「高品質な長尺動画生成まで含めてリアルタイムで動く」という理解は不正確。物理AIとしての実用性は、あくまで「行動生成」の速度（15Hz）にある。
「Embodiment-Agnostic」— あらゆるロボットに即適応できる汎用性
Cosmos 3 Edgeは、アクション（行動）を特定のハードウェアに依存しない「幾何ベクトル（並進・回転・操作状態）」として扱います。これにより、カメラ姿勢制御、自動運転車両、あるいは多指ハンドのロボットアームなど、異なる形態（Embodiment）のハードウェアであっても、共通の表現空間で知能を機能させることができます。
日本の製造業にとって「再発明」の好機
この汎用性は、日本のトップランナーが参加する「Cosmos Coalition」に向け、NVIDIAが呼びかけている理由でもあります。
重みもレシピも「Openly available」という圧倒的な開放性
NVIDIAは、Cosmos 3 Edgeを「OpenMDW 1.1」ライセンスのもと、極めてオープンな形で提供しています。Hugging Faceでの重み公開だけでなく、GitHubでは「Action post-training」や「DROID Policy」といった具体的な学習レシピまでもがOSSとして公開されています。
これは、企業が「NVIDIAの完成品を借りて使う」時代が終わり、「自社の現場データに適応させた独自の世界モデルを所有する」時代が来たことを意味する。
現場で「専用の脳」を育てる
- 所有の自由：自社の工場や病院の秘匿データを用い、オンプレミスでファインチューニングが可能。
- 現場の最適化：8枚のGPUがあれば、わずか数時間の学習で特定のタスクに特化した「専用の脳」へと進化させることができる。
結論：ラボから現場へ。物理AIが切り拓く次の5年
NVIDIA Cosmos 3 Edgeの登場は、物理AIが研究室のシミュレーションを飛び出し、工場、病院、スマートインフラといった「現実の現場」で真に実用化されるターニングポイントです。4Bというサイズに凝縮された知能は、もはやクラウドという命綱を必要としません。
ロボットは自らの瞳（カメラ）で世界を見、自らの脳（エッジGPU）で考え、そして即座に動く。この自律性の獲得こそが、次世代の自動化の本質です。
物理AIの可能性を解き放つ準備は、すでに整っています。