NVIDIA étend Cosmos aux scénarios rares de l'IA physique

Qu'apporte la mise à jour de Cosmos ?

Le 21 octobre 2026, NVIDIA a présenté des outils Cosmos couvrant la préparation des données, l'adaptation des modèles, la simulation et le déploiement. Il s'agit de composants à combiner, et non d'un robot universel dont la sécurité aurait été démontrée partout. Chaque équipe doit examiner les droits sur les données, les besoins matériels, les erreurs possibles du modèle et les contraintes de son site. Le dépôt public de Data Factory décrit plusieurs prérequis vérifiables. Annonce NVIDIA · Dépôt Data Factory

Cinq schémas pour cinq manques de données

Data Factory propose la génération de jeux de données automobiles, la variation des attributs d'image, la création de vidéos d'événements, la génération d'images de défauts et l'augmentation de vidéos existantes. Ces schémas ciblent les scènes de conduite rares, les différences d'apparence, les anomalies créées à partir d'une image, les défauts industriels et les variations de météo ou d'éclairage. Le dépôt précise l'orchestration, la prise en charge de Kubernetes et les besoins en GPU, qui varient selon le schéma. L'existence d'un outil ne prouve pas que ses sorties sont toutes fidèles à la réalité. Annonce NVIDIA · Dépôt Data Factory

Pourquoi produire des événements rares ?

Une caméra d'inspection peut voir surtout des situations normales et très peu de fuites. De même, certains dangers routiers sont difficiles à capturer sans risque. Les exemples synthétiques peuvent élargir la couverture d'apprentissage sans attendre un incident. Ils peuvent aussi introduire des lois physiques peu plausibles, des étiquettes erronées ou des indices de fond trompeurs. Le nombre de clips n'est donc pas la mesure du succès. Il faut tester la détection sur des événements réels écartés de l'entraînement, suivre les fausses alertes et comparer différents capteurs et sites. Il s'agit ici d'une recommandation méthodologique, pas d'un résultat universel annoncé par NVIDIA. Annonce NVIDIA · Étude Encord

Ce que montre le cas ANYbotics

Encord, partenaire du projet, indique avoir produit plus de 1 500 clips à partir de 410 images de référence pour ANYbotics, couvrant neuf types de changement. Selon sa propre évaluation, le rappel des anomalies réelles a augmenté de 24 % sur les points d'inspection ayant reçu des exemples synthétiques. NVIDIA confirme dans son annonce le volume supérieur à 1 500 clips. Nous n'avons ni les données de test originales ni une réplication indépendante. Une hausse relative du rappel ne doit pas devenir un taux de précision absolu, ni être étendue à tous les robots industriels. Étude Encord · Annonce NVIDIA

Apprentissage, simulation et limites

NVIDIA affirme que Cosmos Framework peut désormais adapter davantage de modèles ouverts compatibles par ajustement, apprentissage par renforcement, distillation et quantification. Des variantes de Cosmos 3 Nano visent des simulations répétables avec plusieurs vues et capteurs pour la conduite et la robotique. Comparer des politiques dans ces scènes peut orienter les essais physiques, mais ne remplace pas leur validation. Bruit des capteurs, surfaces, lumière et comportement humain peuvent différer des images générées. L'entreprise annonce aussi jusqu'à deux fois plus de vitesse d'inférence avec Cosmos 3 NIM dans des configurations validées; cette borne ne décrit pas tous les systèmes. Annonce NVIDIA

Comment mener un essai utile ?

Choisir une anomalie importante et rare, puis réserver des incidents réels qui ne servent ni à entraîner ni à régler le générateur. Ajouter les clips synthétiques par étapes; comparer le rappel, les fausses alarmes, le coût de revue humaine et les différences entre caméras. Si un gain disparaît sur un autre site, revoir la distribution, les consignes de génération et les étiquettes avant de produire davantage. Le dépôt fournit un point de départ technique et Encord rapporte un exemple positif. Aucun des deux ne remplace les critères d'acceptation propres à une installation en production. Dépôt Data Factory · Étude Encord

Le coût des fausses alertes

Encord signale aussi une hausse des fausses alertes sur les scènes normales et l'absence de gain significatif pour certains types de changement. L'ajout d'images normales augmentées est une hypothèse de correction, non une solution déjà démontrée. Le temps passé à vérifier ces alertes doit entrer dans le calcul du bénéfice. Étude Encord