Nota do Editor: Este post faz parte de Into the Omniverse, uma série focada em como desenvolvedores, praticantes de 3D e empresas podem transformar seus fluxos de trabalho usando os mais recentes avanços em OpenUSD e NVIDIA Omniverse. Em julho, a NVIDIA uniu-se a mais de 200 empresas e organizações para assinar a carta aberta “Open Weights e Liderança Americana em IA”, argumentando que a liderança em IA será medida não por um único modelo de ponta, mas pela capacidade de um ecossistema aberto alcançar todos os setores. Modelos abertos, que qualquer pessoa pode baixar, inspecionar, modificar e executar em sua própria infraestrutura, são o que torna isso possível. Em nenhum lugar isso é mais crucial do que na IA física, onde cada implantação é um problema de especialização. A IA física precisa entender e prever consequências, não apenas aparências. Para tornar isso possível, os modelos de mundo aprendem como os ambientes físicos se comportam, o que pode acontecer a seguir e quais ações seguintes fazem sentido. Eles podem gerar dados de mundo e ação fisicamente fundamentados, simular estados futuros e fornecer uma base que as equipes podem especializar para um robô, veículo autônomo ou sistema de visão com IA. Modelos de mundo abertos já estão sendo usados para gerar dados de treinamento, testar políticas e especializar sistemas de IA física. O NVIDIA Cosmos 3 reúne essas capacidades em uma família de modelos abertos, com resultados de benchmark líderes e adoção em robótica, veículos autônomos e visão com IA. E as bibliotecas NVIDIA Omniverse, parte do NVIDIA Agent Toolkit, fornecem capacidades pré-construídas para a criação de mundos prontos para simulação que as equipes de IA física podem usar para treinar, testar e validar sistemas antes da implantação no mundo real. Modelos de Mundo São a Fundação da IA Física Os dados por trás da IA física são difíceis e caros de coletar na escala necessária. Eventos raros e cenários de cauda longa podem ser especialmente difíceis de reproduzir com segurança e repetidamente. Os modelos de mundo permitem: Dados mais úteis ao aprender relações físicas de cenários multimodais em grande escala. Ambientes mais diversos.
Fonte: NVIDIA AI Blog
Publicado em 2026-08-06