0
| 本文作者： 鄭佳美 | 2025-03-28 15:41 |
英偉達(dá) GTC 大會(huì)熱度飆升。繼黃仁勛在英偉達(dá)大會(huì)上發(fā)布基礎(chǔ)世界模型 Cosmos 引發(fā)業(yè)內(nèi)討論后，英偉達(dá)團(tuán)隊(duì)近日又發(fā)布了一個(gè)新的物理世界大模型：Cosmos-Reason1。
作為 Cosmos 系列的一個(gè)大模型，顧名思義，Cosmos-Reason1 更強(qiáng)調(diào)模型的“Reason”（即“推理”）能力。這是繼 DeepSeek R1 采用純強(qiáng)化學(xué)習(xí)方法替代 SFT 之后，思考推理模型在物理世界中的進(jìn)一步探索；且據(jù)論文介紹，其取得了不錯(cuò)的成果。
論文地址：https://arxiv.org/abs/2503.15558
與 DeepSeek 跑在云端不同，Cosmos-Reason1 致力于解決的是人工智能系統(tǒng)與物理世界交互的問題——這要求跑在物理世界中的 AI 大模型要同時(shí)具備感知、理解與執(zhí)行復(fù)雜動(dòng)作的三個(gè)基本能力，即當(dāng)前具身智能領(lǐng)域主流的研究熱詞“VLA”，或“具身大腦”。
根據(jù)論文介紹，Cosmos-Reason1 可以理解物理世界，并通過長思維鏈（Long CoT）的推理過程在自然語言中生成適當(dāng)?shù)男袨闆Q策。在這個(gè)思路上，英偉達(dá)的研究團(tuán)隊(duì)開發(fā)兩個(gè)多模態(tài)大模型，分別是 80 億參數(shù)的 Cosmos-Reason1-8B 和 560 億參數(shù)的 Cosmos-Reason1-56B。
他們分四個(gè)階段來進(jìn)行數(shù)據(jù)收集與模型訓(xùn)練，分別是：視覺預(yù)訓(xùn)練、通用 SFT、物理 AI SFT、以及物理 AI 強(qiáng)化學(xué)習(xí)后訓(xùn)練。為了評(píng)估模型效果，他們分別在物理常識(shí)與具身推理兩個(gè)方向上制定了 Benchmark，并取得了不錯(cuò)的表現(xiàn)。
Cosmos-Reason1 技術(shù)路線圖概覽
當(dāng)前 Cosmos-Reason1 已開源，具身智能先鋒研究者宋舒然等人也參與其中。
物理世界的 AGI 有何不同？
業(yè)內(nèi)一直有觀點(diǎn)認(rèn)為，AGI 的發(fā)展會(huì)天然地分為云端 AGI 與端側(cè) AGI，物理世界中的 AGI 即屬于后者。
但相比云端 AGI 模型（如 DeepSeek R1 等），能夠與物理世界進(jìn)行有效交互的 AGI 卻突破緩慢，因其難度更大，不僅要具備云端 AGI 的理解、推理能力，還需要感知、決策。即使是推理環(huán)節(jié)，云端大模型的訓(xùn)練主要基于互聯(lián)網(wǎng)上的大量文本數(shù)據(jù)，也難以遷移到與物理世界的互動(dòng)知識(shí)中。
物理世界中的 AGI 需要具備什么能力？
英偉達(dá)團(tuán)隊(duì)認(rèn)為，與設(shè)計(jì)擅長解決編碼和數(shù)學(xué)問題的大模型不同，物理世界的大模型應(yīng)該具備物理世界常識(shí)與基于物理世界的具體推理能力。這包含兩方面：
一是物理常識(shí)應(yīng)分為三個(gè)主要類別：空間、時(shí)間和基礎(chǔ)物理，同時(shí)這三個(gè)類別又會(huì)被進(jìn)一步劃分為 16 個(gè)細(xì)粒度的子類別。這關(guān)乎到物理世界如何在物理定律下運(yùn)行，以及 AI 如何與物理世界進(jìn)行交互；
圖注：物理常識(shí)的 16 個(gè)子類別，空間包含關(guān)系、合理性、可供性與環(huán)境；時(shí)間包含規(guī)劃、相機(jī)、因果、指令、行為；基礎(chǔ)物理包括反重力、熱力學(xué)、電磁、機(jī)械學(xué)、客體永恒性、狀態(tài)、屬性。
二是他們認(rèn)為，要為具身推理引入一個(gè)二維的知識(shí)體系，其包含跨越 5 類具身智能體的 4 種關(guān)鍵推理能力。這樣有助于 AI 智能體在物理世界中的理解與規(guī)劃。
具體而言，具身推理需要具備以下能力：
處理復(fù)雜的感官輸入。與處理清晰數(shù)據(jù)表示的符號(hào)推理不同，具身推理必須從原始的、往往不完整且模糊的感官輸入中提取有意義的模式。
預(yù)測(cè)行動(dòng)效果。行動(dòng)會(huì)產(chǎn)生物理后果，有效的推理需要直觀地掌握因果關(guān)系。AI 系統(tǒng)必須預(yù)測(cè)一個(gè)物體對(duì)力會(huì)有怎樣的反應(yīng)，一個(gè)機(jī)器人的身體將如何與周圍環(huán)境相互作用，或者一輛車輛的移動(dòng)將如何受到地形和物理規(guī)律的影響。
遵循物理約束。與通常涉及優(yōu)化離散選擇的抽象問題解決不同，具身推理必須考慮現(xiàn)實(shí)世界的物理因素，如慣性、摩擦力和材料屬性。它要求 AI 生成在物理約束條件下可行的長期行動(dòng)規(guī)劃，以確保執(zhí)行過程中的穩(wěn)定性、效率和安全性。
從交互中學(xué)習(xí)。在物理 AI 中，行動(dòng)不是孤立發(fā)生的；每一個(gè)動(dòng)作或決策都會(huì)影響環(huán)境并產(chǎn)生反饋。具身推理必須基于這些交互不斷更新其理解，使系統(tǒng)能夠動(dòng)態(tài)地改進(jìn)其行為。
在這個(gè)過程中，Cosmos-Reason1 的目標(biāo)之一是使多模態(tài)大模型生成更多符合物理世界要求的反應(yīng)。在視覺世界中，模型對(duì)世界的理解會(huì)被表示為視頻形式，然后通過視頻輸入感知、理解與推理物理世界，再用自然語言將模型的反應(yīng)表達(dá)出來。他們采用的是純解碼的多模態(tài)大模型架構(gòu)，以及混合的 Mamba-MLP-Transformer 架構(gòu)。
值得注意的是，Transformer 架構(gòu)此前一直被詬病雖然擅長長序列表達(dá)、但無法高效實(shí)現(xiàn)空間理解，而 Mamba 架構(gòu)是典型的非 Transformer 架構(gòu)，英偉達(dá)團(tuán)隊(duì)采用 Mamba 混合或許就是為了中和 Transformer 在物理世界大模型中的短板。
他們使用張量并行度為 4 來訓(xùn)練 Cosmos-Reason1-8B 模型，而 Cosmos-Reason1-56B 模型則使用張量并行度為 8 和流水線并行度為 2來進(jìn)行訓(xùn)練，以支持更長的視頻訓(xùn)練。
為了提高模型的通用能力，在數(shù)據(jù)采集上，英偉達(dá)團(tuán)隊(duì)一共采用了總計(jì) 120M 的圖像、視頻與交互數(shù)據(jù)用于數(shù)據(jù)預(yù)訓(xùn)練，8M 的圖像和視頻數(shù)據(jù)用于通用的 SFT。
在大模型的推理中，基于規(guī)則的、可驗(yàn)證的大規(guī)模獎(jiǎng)勵(lì)（即強(qiáng)化學(xué)習(xí)方法）對(duì)解決數(shù)學(xué)、編碼問題起了很大的作用。受此啟發(fā)，英偉達(dá)團(tuán)隊(duì)也在 Cosmos-Reason1 中使用了強(qiáng)化學(xué)習(xí)方法來訓(xùn)練模型在物理世界中的推理能力。
他們探索了兩種多項(xiàng)選擇題回答的獎(jiǎng)勵(lì)類型，一種是基于人工注釋的 MCQ，另一種是受視頻自監(jiān)督學(xué)習(xí)的啟發(fā)，自動(dòng)生成基于視頻數(shù)據(jù)結(jié)構(gòu)的 MCQ，比如用打亂的時(shí)空視頻補(bǔ)丁來解謎題、預(yù)測(cè)視頻向前或向后播放的時(shí)間箭頭等。
Cosmos-Reason1 的效果
為了測(cè)試 Cosmos-Reason1 的效果，英偉達(dá)團(tuán)隊(duì)制定了以下基準(zhǔn)：
在物理常識(shí)上，他們制定了 3 個(gè)基準(zhǔn)（空間、時(shí)間與基礎(chǔ)物理），包含了來自 426 個(gè)視頻中的 604 個(gè)問題。
在具身推理上，他們建立了 6 個(gè)基準(zhǔn)測(cè)試、包含來自 600 個(gè)視頻的 612 個(gè)問題，覆蓋了包括人體、機(jī)械臂、人形機(jī)器人與自動(dòng)駕駛等多個(gè)構(gòu)型的物理具身。
他們將 Cosmos-Reason1 與其他的大模型進(jìn)行了對(duì)比，結(jié)果如下：
在物理常識(shí)的基準(zhǔn)上，Cosmos-Reason1-8B 與 56B 的效果都顯著提升，尤其是 56B 的效果全面超過 Qwen2.5-VL-7B 與 72B、Gemini 2.0 Flash 與 GPT-4o，只稍遜于 OpenAI 的 o1：
在具身推理上，顯著強(qiáng)于其他 VLM 模型，效果提升超 10%：
雷峰網(wǎng)(公眾號(hào)：雷峰網(wǎng))認(rèn)為在直觀物理上，他們的研究發(fā)現(xiàn)，許多主流的 VLM 大模型實(shí)際難以進(jìn)行直觀的物理推理。
為了測(cè)試模型的直觀推理能力，他們?yōu)槿齻€(gè)任務(wù)（時(shí)間箭頭、空間謎題與物體持久性）中的每一個(gè)任務(wù)都策劃了 100 個(gè)視頻，并生成 100 個(gè)問題。
結(jié)果顯示，現(xiàn)有的許多 VLM 模型在時(shí)間箭頭與物理持久性的任務(wù)上表現(xiàn)不佳，GPT-4o 與 OpenAI o1 處理空間謎題比隨機(jī)猜測(cè)強(qiáng)。但 Cosmos-Reason1-8B 在三個(gè)任務(wù)中都得到了顯著改進(jìn)：
時(shí)間箭頭例子：
時(shí)間箭頭例子：
參考文獻(xiàn)：https://arxiv.org/pdf/2503.15558
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
