NVIDIA का Cosmos 3 Edge रोबोट दिमाग को धरती पर लाता है
एक नया, कॉम्पैक्ट AI मॉडल रोबोट और फैक्ट्री कैमरों को स्वतंत्र रूप से सोचने देता है, बिना पास के डेटा सेंटर की जरूरत के।
मुख्य बिंदु
- NVIDIA ने 2025 में Cosmos 3 Edge जारी किया, एक 4-बिलियन-पैरामीटर AI वर्ल्ड मॉडल जो बड़े डेटा-सेंटर सर्वर के बजाय छोटे एज डिवाइस पर चलने के लिए डिज़ाइन किया गया है।
- मॉडल VANTAGE-Bench पर समान आकार के मॉडलों में पहले स्थान पर है, जो स्मार्ट बिल्डिंग और रोबोटिक्स में विजन-आधारित AI कार्यों के लिए एक बेंचमार्क टेस्ट है।
- NVIDIA Jetson Thor हार्डवेयर पर चलते हुए, मॉडल 15 फ्रेम प्रति सेकंड पर प्रति इनफेरेंस साइकल 32 भविष्यवाणी रोबोट क्रियाएं संसाधित करता है, जो वास्तविक समय नियंत्रण के लिए पर्याप्त तेज़ है।
- NVIDIA ने पिक-एंड-प्लेस कार्यों के लिए DROID डेटासेट पर प्रशिक्षित एक साथी नीति मॉडल भी जारी किया, जो रोबोट हेरफेर रिकॉर्डिंग का एक सार्वजनिक रूप से उपलब्ध संग्रह है।
एक अस्पताल की आपूर्ति कक्ष में एक रोबोट भुजा की कल्पना करें। उसे एक बॉक्स को देखना है, इसके लिए पहुंचना है, यह भविष्यवाणी करना है कि जब इसकी उंगलियां संपर्क में आएंगी तो क्या होगा, और अगर कुछ बदलता है तो समायोजन करना है। हाल ही तक, यह सब एक साथ करने के लिए मीलों दूर एक शक्तिशाली सर्वर से जुड़ाव की आवश्यकता थी। NVIDIA इसे बदलना चाहता है।
मंगलवार को, NVIDIA ने Cosmos 3 Edge को Hugging Face पर प्रकाशित किया, ओपन-सोर्स AI रिपॉजिटरी जहां शोधकर्ता मॉडल स्वतंत्र रूप से साझा करते हैं। यह मॉडल कॉम्पैक्ट है और सीधे काम कर रहे डिवाइस पर चल सकता है, चाहे वह एक गोदाम रोबोट हो, एक फैक्ट्री कैमरा हो, या स्व-निर्देशित वाहन हो।
यहां मुख्य वाक्यांश है "वर्ल्ड मॉडल"। एक वर्ल्ड मॉडल, व्यापक रूप से, AI सॉफ्टवेयर है जो सीखता है कि एक दृश्य समय के साथ कैसे बदलता है। यह केवल वस्तुओं को पहचानता नहीं। यह यह भविष्यवाणी करता है कि वे कैसे चलेंगे, एक क्रिया क्या कारण देगी, और अगला कदम क्या उठाना है। इसे एक मशीन को कारण और प्रभाव का एक मोटा मानसिक चित्र देने के रूप में सोचें।
Cosmos 3 Edge यह 4 बिलियन पैरामीटर के साथ करता है, जहां एक पैरामीटर मॉडल के अंदर एक एकल समायोज्य संख्या है जो यह निर्धारित करता है कि यह कैसे सोचता है। यह बड़ा लगता है, लेकिन चैटबॉट के लिए उपयोग किए जाने वाले शीर्ष AI मॉडलों में सैकड़ों अरब हैं। 4 बिलियन पर, मॉडल एज डिवाइस पर फिट होता है, छोटे कंप्यूटर जो फैक्ट्री फ्लोर और अस्पताल के गलियारों में मशीनों में निर्मित होते हैं, बजाय क्लाउड डेटा सेंटर में बैठने के।
यह वास्तव में एक रोबोट को कैसे नियंत्रित करता है?
मॉडल यह भविष्यवाणी करता है कि क्या करना है और एक ही चरण में अगला क्या होना चाहिए यह दिखाता है। इसे एक केले के साथ एक टेबल की छवि और निर्देश दें "केले को उठाएं और इसे प्लेट में डालें", और यह रोबोट भुजा के लिए भौतिक आंदोलन दोनों को आउटपुट करता है और एक दृश्य सिमुलेशन कि एक बार ये आंदोलन हो जाने के बाद दृश्य कैसा दिखना चाहिए।
NVIDIA ने मॉडल को दो जुड़ी हुई प्रसंस्करण प्रणालियों के साथ निर्मित किया जो दृश्य की एक साझी समझ से काम करते हैं। एक प्रणाली भाषा और दृश्य तर्क को संभालता है। दूसरी भविष्यवाणी और कार्य पीढ़ी को संभालता है। वे एक सामान्य ध्यान परत साझा करते हैं, मॉडल का वह हिस्सा जो यह तय करता है कि किसी भी क्षण में जानकारी के कौन से टुकड़े सबसे महत्वपूर्ण हैं, इसलिए दोनों पक्ष सिंक में रहते हैं।
बहुत अलग-अलग मशीनों से क्रियाएं, एक रोबोट ग्रिपर, एक फोर्कलिफ्ट पर एक कैमरा, एक वाहन स्टीयरिंग प्रणाली, सभी को एक ही कॉम्पैक्ट गणितीय प्रारूप में अनुवादित किया जाता है। इसका मतलब है कि एक मॉडल संभवतः न्यूनतम पुनः प्रशिक्षण के साथ कई अलग-अलग प्रकार की मशीनों को सेवा दे सकता है।
डेवलपर्स के लिए, NVIDIA प्रशिक्षण स्क्रिप्ट और पिक-एंड-प्लेस रोबोट कार्यों के लिए सूक्ष्मता के लिए तैयार संस्करण जारी कर रहा है। टीमें उच्च-अंत GPU के एक छोटे क्लस्टर का उपयोग करके बेस मॉडल को अनुकूलित कर सकती हैं, विशेष चिप्स जो भारी संख्या-कुचलने वाले AI की जरूरत है, इसे क्षेत्र में सस्ते एज हार्डवेयर में धकेलने से पहले।
NVIDIA ने एक बड़े साथी मॉडल का एक तेजर संस्करण भी जारी किया जो आंतरिक प्रसंस्करण चरणों की संख्या को 50 तक से केवल 4 तक कम करता है, छवि और वीडियो पीढ़ी में 25 गुना तेजी प्रदान करता है।
Cosmos 3 Edge अब Hugging Face से एक मुफ्त डाउनलोड के रूप में उपलब्ध है।
