作者：默思編輯部 發布：2026-06-03
世界基礎模型（World Foundation Model）是一種學習理解物理世界運作規則的 AI 模型——物體怎麼移動、怎麼碰撞、掉落時會發生什麼、物體之間如何互動。這跟一般的影片生成模型有本質上的差異：Nvidia Cosmos 3 不只是生成看起來逼真的畫面,關鍵在於它同時學習了「動作資料」（action data）,能夠預測一個機器人或自駕車,在特定情境下接下來應該採取什麼動作。
Cosmos 3 使用了 20 兆 token 的多模態資料進行訓練，內容包含近 10 億張圖片、4 億支真實與合成影片、音訊，以及來自人類與機器人的動作資料——這樣的訓練規模,反映出打造一個真正通用的「機器人大腦」,所需要的資料量遠超過單純的視覺或語言模型。
Cosmos 3 的目標,是統一合成世界生成、視覺推理與動作模擬,加速開發能應對複雜環境的通用機器人智能。相較於前面提到的 VLA（視覺-語言-動作）模型直接控制機器人動作,世界基礎模型更像是提供一套「物理常識引擎」,讓下游的機器人控制模型可以站在對物理世界已有基本理解的基礎上,進一步學習具體任務。
這個領域目前也吸引了其他重量級研究者投入——Transformer 架構元老之一 Yann LeCun 創立的 AMI Labs,正在尋求 30 億美元估值；電腦視覺學者李飛飛創立的 World Labs,則在洽談 50 億美元估值的融資輪。Physical Intelligence 也募得超過 4 億美元,目標是打造一套通用機器人基礎模型,賭注是「單一策略最終能控制任何機器人執行任何任務」。這幾家公司的共同信念是:通用世界模型會是機器人與自駕車下一階段最重要的技術戰場。
目前已有 Agile Robots、Doosan Robotics、LG 電子、三星等公司,以 Cosmos 為基礎開發機器人應用;理想汽車（Li Auto）將其用於自動駕駛開發;Waabi、Wayve、Foretellix 等自駕車公司,則利用 Cosmos 模擬交通場景、天候條件與行人行為,不需要實際上路測試就能大量驗證系統表現。
世界基礎模型代表著具身智能領域的一次架構典範轉移——從「針對單一任務訓練單一模型」，走向「先建立一個通用的物理世界理解基礎，再依應用場景微調」，這跟大型語言模型領域「先做通用預訓練、再做任務微調」的發展路徑高度相似。