现实世界始终处于运动之中。为了实现自主运行，物理AI系统——包括机器人、自动驾驶汽车和智能空间——不仅需要理解它们所看到的内容以及导致这些现象发生的原因，还需要预测接下来可能发生什么。

在仓库中，机器人可能会遇到从未见过的物体配置。在道路上，自动驾驶汽车可能需要在行人从停放的车辆之间走出时做出反应。而在工厂里，安全系统必须预测叉车的行进方向，而不仅仅是检测到它的存在。

在现实世界中捕捉和重现这些场景既缓慢又昂贵，而且往往无法大规模重复。

NVIDIA Cosmos 3正是为此而生。这款全新的世界基础模型在今天于台北COMPUTEX举办的NVIDIA GTC大会上发布，它将视觉推理和多模态生成能力整合在单一模型中，涵盖文本、视频、图像、环境声音和动作，帮助开发者创建具有物理上下文的世界数据。

Q&A

Q1：NVIDIA Cosmos 3是什么？

A：NVIDIA Cosmos 3是一款世界基础模型，它将视觉推理和多模态生成能力整合在单一模型中，能够处理文本、视频、图像、环境声音和动作等多种模态，帮助开发者为物理AI系统创建具有物理上下文的世界数据。

Q2：物理AI系统为什么需要预测能力？

A：物理AI系统如机器人、自动驾驶汽车和智能空间需要在现实世界中自主运行。它们不仅要理解当前看到的内容和原因，还需要预测接下来可能发生的情况，以便做出正确的决策和反应，比如应对突然出现的行人或预测叉车的行进方向。

Q3：为什么在现实世界中训练物理AI系统很困难？

A：在现实世界中捕捉和重现训练场景既缓慢又昂贵，而且往往无法大规模重复。比如仓库中的特殊物体配置或道路上的突发情况，这些场景难以在真实环境中反复创建用于训练。