Știri
Știri din categoria Inteligență artificială
Nvidia își securizează pe termen lung memoria HBM4, o piesă critică pentru livrările de acceleratoare AI, printr-un acord multianual de co-dezvoltare cu SK Hynix, într-un moment în care memoria – nu GPU-urile – a devenit principala frână pentru extinderea infrastructurii AI, potrivit The Next Web.
Acordul, anunțat duminică în timpul vizitei în Coreea de Sud a CEO-ului Nvidia, Jensen Huang, acoperă atât proiectarea, cât și fabricarea memoriei de nouă generație pentru AI, inclusiv HBM4 (memorie cu lățime mare de bandă, folosită în acceleratoare) pentru platforma Vera Rubin, care intră acum în producție la scară completă.
Publicația notează că, pe fondul cererii explozive pentru infrastructură AI, constrângerea majoră s-a mutat de la procesoare grafice la memorie. CEO-ul Arm, Rene Haas, a spus recent că memoria este „probabil cea mai dificilă” problemă de rezolvat pentru industrie.
Pentru Nvidia, miza acordului nu este doar să-și asigure livrări, ci să se asigure că această capacitate de producție va exista efectiv în anii următori, într-un context în care disponibilitatea HBM este așteptată să rămână limitată cel puțin până în 2028, iar unele prognoze împing presiunea până în 2030.
Parteneriatul depășește un contract tipic de furnizare: Nvidia și SK Hynix vor co-dezvolta memoria de generație următoare pentru ceea ce Nvidia numește „fabrici AI” – clustere mari de centre de date folosite pentru antrenare și inferență (rulare) a modelelor.
Acordul vizează, potrivit articolului, și infrastructura și zona de „AI fizic” (aplicații AI integrate în roboți și sisteme industriale), dar componenta centrală rămâne memoria proiectată pentru Vera Rubin, descrisă ca cea mai puternică platformă de acceleratoare a Nvidia.
Jensen Huang a confirmat la Computex, în Taipei, că Samsung, SK Hynix și Micron au fost aprobate să furnizeze HBM4 pentru Vera Rubin. Totuși, acordul multianual de co-dezvoltare cu SK Hynix indică o relație mai profundă decât o simplă „calificare” de furnizor.
Potrivit estimărilor citate de The Next Web, SK Hynix ar avea alocat aproximativ 60%–70% din volumul de HBM4 pentru Vera Rubin, Samsung circa 25%–30%, iar Micron restul. În această logică, angajamentele pe termen lung ar putea facilita extinderea capacității SK Hynix și întărirea cotei sale în timp.
Vera Rubin este descrisă ca fiind construită în jurul unor clustere de procesoare Vera și nuclee grafice Rubin, „aliate” cu terabytes de HBM4 în fiecare sistem server. Publicația menționează și o constrângere tehnologică importantă: ambalarea avansată (în special procesul CoWoS al TSMC, care integrează GPU-urile cu HBM într-un singur pachet) este un factor-cheie care limitează ritmul livrărilor.
Livrările pentru Vera Rubin sunt așteptate să înceapă în trimestrul al treilea din 2026, iar producția implică peste 350 de parteneri din lanțul de aprovizionare, în 30 de țări, conform articolului.
„Împreună, vom co-dezvolta următoarea generație de memorie pentru fabricile AI și vom susține expansiunea globală accelerată a infrastructurii AI”, a declarat Jensen Huang, într-un comunicat citat de publicație.
Semnalul principal al acordului este că Nvidia încearcă să-și „blindeze” din timp componenta cea mai rară din configurațiile sale de vârf – memoria HBM – pentru a putea susține ritmul de livrare al sistemelor din generația Vera Rubin. În paralel, competiția dintre SK Hynix, Samsung și Micron se mută tot mai mult pe capacitate și pe viteza cu care pot livra stive HBM mai avansate, într-o piață în care deficitul de memorie riscă să dicteze ritmul întregii industrii AI.
Recomandate
Nvidia își securizează lanțul de aprovizionare pentru HBM4 , după ce a certificat trei dintre cei mai mari producători de cipuri de memorie, un pas care poate influența direct ritmul de livrare și costurile noii generații de acceleratoare pentru inteligență artificială, potrivit IT Home . Jensen Huang , directorul general al Nvidia, a confirmat pentru prima dată că Samsung Electronics, SK Hynix și Micron Technology au trecut procesul de certificare și sunt eligibile să furnizeze HBM4 (High Bandwidth Memory – memorie cu lățime mare de bandă), componentă descrisă ca „indispensabilă” pentru platforma de generație următoare Vera Rubin , folosită în sarcini de inteligență artificială. Informația este atribuită de publicație unui material Bloomberg. De ce contează: HBM4 este un „gât de sticlă” pentru acceleratoarele AI HBM este una dintre piesele critice în construcția acceleratoarelor AI, iar accesul la volume mari, cu specificații conforme, poate limita sau accelera livrările de sisteme. Prin certificarea simultană a trei furnizori, Nvidia își reduce dependența de un singur producător și își crește șansele de a acoperi cererea pentru noua platformă. Huang a spus că toți cei trei furnizori „au trecut cu succes certificarea, au intrat pe linie în producția de masă” și lucrează la capacitate ridicată pentru a susține necesarul de livrări al platformei Vera Rubin. Context: competiție între Samsung, SK Hynix și Micron pe o piață profitabilă Cele trei companii „domină împreună” piața globală a semiconductorilor de memorie pentru stocare și concurează pentru a câștiga cotă într-un segment descris ca foarte profitabil, pe fondul cererii explozive din zona infrastructurii AI. Separat, publicația amintește că Nvidia a indicat anterior, la Computex 2026 din Taipei, că Vera Rubin a intrat în etapa de producție de masă, iar produsele complete ar urma să fie livrate în această toamnă. Platforma este prezentată ca un sistem AI construit dintr-un Vera CPU și un cluster de GPU-uri Rubin. [...]
NVIDIA și SK hynix își leagă pe mai mulți ani dezvoltarea de memorii avansate, într-o mișcare menită să reducă riscul de blocaje de aprovizionare pe fondul extinderii „fabricilor de AI”. Parteneriatul, prezentat de NVIDIA News , aliniază co-dezvoltarea de memorii „next-generation” la foaia de parcurs a infrastructurii NVIDIA și vizează explicit susținerea capacității de livrare, într-un domeniu cu cicluri lungi de dezvoltare și investiții mari în producție. Acordul pornește de la colaborarea tehnică existentă dintre cele două companii și pune accent pe faptul că, pe măsură ce centrele de date dedicate AI se extind global, memoria avansată devine un factor critic de performanță și disponibilitate pentru platformele de calcul. În acest context, parteneriatul este descris ca un mecanism de a ține pasul cu cererea și cu ritmul de evoluție al infrastructurii NVIDIA. „Fabricile de AI sunt motoarele următoarei revoluții industriale, iar memoria avansată este esențială pentru performanța lor”, a declarat Jensen Huang, fondator și CEO al NVIDIA. Ce acoperă parteneriatul: produse și piețe vizate În cadrul acordului multianual, SK hynix ar urma să co-dezvolte memorii pentru mai multe familii de produse NVIDIA, pe segmente diferite, de la infrastructură la dispozitive: supercomputerele AI NVIDIA Vera Rubin și procesoarele NVIDIA Vera ; PC-uri cu NVIDIA RTX Spark ; platforme de calcul pentru robotică NVIDIA Jetson Thor . Publicația notează și intenția SK hynix de a se diversifica în piețe pe care NVIDIA le dezvoltă în jurul infrastructurii AI, „personal AI” și „physical AI” (AI aplicată în sisteme care interacționează cu lumea fizică). AI în proiectarea și fabricația de cipuri: simulări accelerate și „ digital twins ” O componentă operațională importantă a colaborării este folosirea AI în proiectarea și producția de semiconductori. SK hynix utilizează bibliotecile NVIDIA CUDA-X și cadrul NVIDIA PhysicsNeMo pentru a accelera simulările din zona de proiectare și fabricație, inclusiv fluxuri de lucru de tip TCAD (Technology Computer-Aided Design – simulări pentru proiectarea tehnologiilor de fabricație) și litografie computațională, precum și coduri interne de inginerie. Separat, SK hynix dezvoltă „digital twins” (gemeni digitali – replici virtuale ale fabricilor) pentru operațiuni autonome în fabrici, combinând NVIDIA Omniverse , optimizări de scene 3D prin OpenUSD și motorul de optimizare decizională NVIDIA cuOpt . În același pachet este menționată și platforma NVIDIA Metropolis , pentru analiză video inteligentă în medii industriale. De ce contează pentru piață Mesajul central al acordului este legat de securizarea și extinderea aprovizionării cu memorie avansată într-un moment în care „fabricile de AI” se construiesc și se extind rapid, iar dezvoltarea și fabricarea memoriilor de ultimă generație presupun cicluri lungi și investiții de capital ridicate. În practică, parteneriatul încearcă să reducă presiunea pe lanțul de aprovizionare și să sincronizeze mai strâns evoluția memoriei cu cerințele viitoare ale platformelor NVIDIA. Companiile mai menționează că explorează conectarea gemenilor digitali cu software-ul existent și fluxuri de lucru bazate pe „agentic AI” (sisteme AI care pot planifica și executa sarcini), pentru a automatiza activități și a îmbunătăți deciziile în producție. Materialul nu oferă însă un calendar, volume de livrare sau valori financiare ale acordului. [...]
Jensen Huang respinge scenariile apocaliptice despre IA și cere evaluări măsurabile ale riscurilor , într-un moment în care Nvidia vinde infrastructura hardware care alimentează expansiunea accelerată a tehnologiei, potrivit TechRadar . Într-o intervenție în podcastul „ No Priors ”, CEO-ul Nvidia a criticat narațiunile „doomer” (catastrofiste) care domină discuția publică despre riscurile inteligenței artificiale, argumentând că multe temeri sunt „exagerate” și influențate de literatura și filmele SF ale secolului XX. Ideea centrală: fără o cuantificare riguroasă, discuția despre „riscuri existențiale” rămâne mai degrabă speculativă decât utilă pentru decizii. De ce contează: Nvidia este în centrul infrastructurii IA TechRadar amintește că Nvidia produce procesoarele grafice (GPU) folosite pe scară largă la antrenarea și rularea modelelor de IA (inferență) și își poziționează businessul în „infrastructura” și „construcția” de capacități, inclusiv din perspectiva consumului de energie. În acest context, poziționarea publică a CEO-ului contează pentru felul în care industria și factorii de decizie pot ajunge să prioritizeze riscurile: între avertismente generale și evaluări aplicate, legate de utilizarea curentă. Riscurile invocate țin mai mult de AGI decât de IA de azi Publicația separă riscurile asociate implementărilor actuale de IA de temerile legate de „ inteligența artificială generală” (AGI) – o formă ipotetică ce ar putea replica inteligența umană, ar acționa autonom, și-ar modifica propriul cod și și-ar stabili singură obiectivele. În acest registru, TechRadar notează că astfel de capabilități nu sunt atinse în prezent și, „potrivit unora”, nu ar fi probabile mai devreme de 10–15 ani, deși „alții” cred că ar putea apărea mult mai curând. În consecință, argumentul lui Huang este că implementările curente sunt încă „prea primitive” și au nevoie de prea multă intervenție umană pentru ca oamenii să „piardă controlul”. Unde rămâne un risc concret: suprafața de atac în companii Chiar dacă respinge scenariile existențiale, analiza atrage atenția că „agentic AI” (IA capabilă să execute sarcini în mod mai autonom, ca un „agent”) poate adăuga un nou strat la „suprafața de atac” cibernetică a organizațiilor pe măsură ce este adoptată și ar putea deveni vulnerabilă la exploatare în viitor. Context: scrisoarea deschisă din 2023 și absența lui Huang TechRadar reamintește că, în 2023, un grup de oameni de știință și lideri din tehnologie a semnat o scrisoare deschisă care avertiza că IA ar putea duce la extincția omenirii și că riscul ar trebui tratat la nivelul altor amenințări societale, precum războiul nuclear. Printre semnatari au fost enumerați Elon Musk, Sam Altman și Bill Gates, iar Jensen Huang este menționat ca „absent notabil”. În ansamblu, mesajul lui Huang împinge dezbaterea dinspre retorică spre măsurare: nu neagă existența riscurilor, dar contestă utilitatea scenariilor inspirate din ficțiune atunci când se discută despre probabilitate și control în lumea reală. [...]
SK Telecom vizează construirea unui AI Cloud de „scară gigawatt” în Coreea, cu prima „fabrică AI” planificată pentru 2027 , într-un parteneriat tehnologic cu NVIDIA care mizează pe eficiență energetică și cost mai mic per unitate de calcul pentru aplicații industriale și enterprise, potrivit NVIDIA News . Inițiativa folosește platforma NVIDIA DSX (o arhitectură „full-stack”, adică de la cipuri și sisteme până la software și operațiuni) ca „plan” de proiectare pentru centre de date optimizate pentru sarcini de inteligență artificială. În logica anunțului, miza este ca infrastructura să producă „token-uri” (unități de procesare folosite în modele generative) la cost cât mai redus și cu eficiență energetică ridicată, într-un context în care consumul de energie și accesul la acceleratoare (GPU) devin constrângeri operaționale majore pentru extinderea AI. Ce construiește SK Telecom și de ce contează operațional SK Telecom spune că AI Cloud-ul va susține servicii de tip „sovereign AI” (modele și date operate sub control național/organizațional), „physical AI” (AI aplicată în sisteme fizice, precum robotică și producție) și „agentic AI” (agenți software care execută sarcini), pentru companii și industrii din Coreea, cu o viziune de extindere în regiuni mai largi din Asia. Compania își bazează proiectul pe infrastructura proprie de rețea, centre de date și competențe enterprise, iar NVIDIA DSX este prezentată ca un set integrat de tehnologii care ar accelera „timpul până la producție” (cât de repede poate fi pusă în funcțiune o capacitate AI utilizabilă comercial) și ar îmbunătăți performanța raportată la energie („token performance per megawatt”). Elemente de colaborare și utilizări deja anunțate Parteneriatul este poziționat ca o extindere a colaborării dintre NVIDIA și grupul SK, inclusiv către cercetare comună pentru „arhitecturi de fabrici AI” de generație următoare, cu accent pe optimizări „de la siliciu la rețea” (cipuri, memorie și operarea centrelor de date). În paralel, SK Telecom indică proiecte conexe care conturează tipul de aplicații vizate: utilizarea „digital twins” (replici digitale ale unor procese/instalații) în fabrici de semiconductori SK hynix , pe baza bibliotecilor NVIDIA Omniverse (detalii suplimentare sunt menționate de SK Telecom aici: https://news.sktelecom.com/en/3077 ); adoptarea seturilor de date open-source NVIDIA Nemotron pentru antrenarea modelului A.X K1, în cadrul proiectului guvernamental coreean „Sovereign AI Foundation Model Project”. Totodată, SK Telecom urmează să devină „NVIDIA Cloud Partner”, adică parte dintr-un program global prin care furnizorii folosesc infrastructura și ecosistemul NVIDIA pentru a livra servicii AI în cloud. Ce urmează Calendarul explicit din anunț indică drept reper punerea în funcțiune a primei „fabrici AI” în 2027 . Dincolo de acest termen, materialul nu oferă detalii despre investiții, capacitate instalată (în GPU) sau clienți contractați, astfel că impactul economic nu poate fi cuantificat pe baza informațiilor publicate acum; accentul rămâne pe arhitectura tehnică și pe ținta de scalare la nivel „gigawatt”. [...]
NVIDIA mizează pe „antrenarea la scară” pentru a reduce costurile și timpul de dezvoltare în robotică, conducere autonomă și agenți virtuali, prin modele care generalizează mai bine și rulează mai eficient pe hardware-ul din teren, potrivit NVIDIA , într-o prezentare a trei lucrări de cercetare la conferința CVPR 2026 . Ideea comună a celor trei lucrări este că volume foarte mari de date (în special din simulare) și arhitecturi optimizate pot elimina cicluri repetate de antrenare și pot face sistemele mai aplicabile „din cutie” în contexte variate — un punct cu impact operațional direct pentru companiile care dezvoltă roboți sau sisteme autonome. GraspGen-X: prindere „zero-shot” pentru grippere diferite, fără reantrenare pe fiecare configurație NVIDIA prezintă GraspGen-X , descris ca primul „model fundamental” (foundation model) pentru prindere robotică „zero-shot” — adică poate propune poziții de prindere pentru obiecte și grippere pe care nu le-a mai văzut, fără a fi reantrenat pentru fiecare tip de clește. În mod uzual, arată compania, sistemele de prindere sunt specializate: o politică de control (policy) antrenată pentru un gripper cu două degete nu se transferă automat la un gripper multi-degete, ceea ce obligă la colectare de date, ajustări (fine-tuning) și validare pentru fiecare „întrupare” (embodiment) nouă. GraspGen-X încearcă să elimine acest blocaj prin antrenare pe un set masiv de date: cercetătorii au generat 2 miliarde de prinderi simulate , acoperind mii de forme de obiecte și configurații sintetice de grippere. Modelul poate fi folosit împreună cu curoboV2 , o bibliotecă de planificare a mișcării accelerată cu CUDA, pentru a executa prinderile în medii necunoscute. NVIDIA indică și o continuare a lanțului tehnologic, prin lucrarea „Grasp-MPC”, prezentată la ICRA 2026 (link în sursă). LCDrive: raționament mai rapid pentru mașini autonome, cu mai puține „tokenuri” A doua lucrare, LCDrive, vizează o limitare practică a raționamentului de tip „chain-of-thought” (pași intermediari de gândire): în varianta bazată pe text, fiecare cuvânt generat înseamnă „tokenuri” care consumă timp de calcul, iar în mașină tokenurile devin o constrângere de latență. Soluția propusă este înlocuirea raționamentului în limbaj natural cu reprezentări latente compacte (un spațiu intern de stări care comprimă informația), astfel încât sistemul să „gândească” în stări care surprind informație spațială, nu în propoziții. Arhitectura alternează între propunerea de acțiuni candidate și predicția felului în care va arăta lumea dacă acele acțiuni sunt executate, într-o buclă de rafinare. NVIDIA susține că rezultatul este o calitate comparabilă a traiectoriei față de raționamentul bazat pe text, folosind aproximativ jumătate din tokenuri . Modelul este construit pe NVIDIA Alpamayo și antrenat cu supervizare derivată din date existente de vehicule. NitroGen: antrenarea agenților „întrupați” în jocuri, la volum mare de interacțiuni A treia lucrare, NitroGen, extinde principiul din NVIDIA Isaac GR00T (model fundamental deschis pentru roboți umanoizi) către medii virtuale, folosind jocurile video ca teren de antrenament: lumi structurate, variate, cu obiective și condiții de succes bine definite. NVIDIA afirmă că NitroGen a fost antrenat pe peste 1.000 de jocuri și 40.000 de ore de interacțiune , iar agenții rezultați au fost evaluați pe mai multe genuri (de la action RPG la platformere și jocuri open-world), demonstrând comportamente precum luptă, navigație și explorare. În condiții cu puține date (când agentul vede doar câteva exemple dintr-un mediu nou), pornirea de la NitroGen ar îmbunătăți performanța cu până la 52% față de metodele anterioare de vârf, potrivit companiei. Modelul este disponibil ca open-source pe GitHub și pe Hugging Face . De ce contează pentru industrie: mai puține cicluri de antrenare, latență mai mică, generalizare mai bună Mesajul operațional al pachetului de cercetări este reducerea „fricțiunii” de implementare: de la eliminarea reantrenării pentru fiecare gripper (GraspGen-X), la raționament mai rapid pe hardware-ul din vehicul (LCDrive), până la pre-antrenarea agenților în medii virtuale diverse înainte de contactul cu lumea reală (NitroGen). NVIDIA mai indică faptul că a prezentat la CVPR și „noi abilități” pentru agenți de „AI fizic” (physical AI) menite să accelereze dezvoltarea de vehicule autonome, roboți și sisteme de viziune, cu detalii suplimentare într-un material separat (link în sursă). [...]
NVIDIA pune la dispoziția cercetătorilor „skill-uri” pentru agenți AI, ca să reducă timpul și fragmentarea din fluxurile de lucru pentru vehicule autonome, roboți și sisteme de viziune. Potrivit NVIDIA , la CVPR compania a prezentat un set de „physical AI agent skills” (capabilități reutilizabile pentru agenți software care automatizează pași de cercetare) menite să lege într-un flux unitar etape care, în mod obișnuit, sunt împărțite între instrumente diferite: reconstrucția scenelor, generarea de scenarii rare, antrenarea politicilor, evaluarea comportamentului și iterarea rapidă. De ce contează: cercetarea „physical AI” e încetinită de integrare, nu doar de modele Mesajul central este operațional: problema majoră în „physical AI” (AI care interacționează cu lumea fizică prin percepție și acțiune) nu este doar obținerea unor modele mai puternice, ci construirea unui flux complet în jurul lor. NVIDIA susține că noile skill-uri, împreună cu biblioteci și cadre de simulare, urmăresc să reducă munca de „cusut” instrumente și să accelereze experimentarea. În acest context, compania amintește și anunțul din această săptămână privind NVIDIA Cosmos 3 , descris ca un „foundation model” pentru physical AI, care unifică raționamentul vizual, generarea de lumi și generarea de acțiuni. Skill-urile sunt poziționate ca un strat care ajută la trecerea de la capabilități de model la fluxuri de lucru scalabile, end-to-end. Vehicule autonome: simulare repetabilă pentru „coada lungă” a condusului Pentru cercetarea în vehicule autonome, NVIDIA indică drept problemă „coada lungă” a condusului: interacțiuni rare, geometrii neobișnuite ale drumului, schimbări de lumină și comportamente-limită greu de colectat repetat, dar critice pentru antrenare și validare. Abordarea propusă include automatizarea reconstrucției scenelor din date de flotă și generarea de scenarii sintetice. Un exemplu este skill-ul „Neural Reconstruction”, care ar transforma date capturate de flotă în scene 3D editabile pentru simulare și generare de date sintetice, împreună cu tehnologii precum NVIDIA Omniverse NuRec și InstantNuRec. NVIDIA mai menționează: NVIDIA AlpaGym , un cadru open-source de învățare prin recompensă (reinforcement learning) în buclă închisă, conectat la simulare de fidelitate ridicată și scalare pe mii de GPU-uri; NVIDIA OmniDreams , un model generativ de lume condiționat de acțiuni, care adaugă randare fotorealistă în bucla de simulare; NVIDIA Alpamayo 2 Super , descris ca cel mai puternic model open de condus al companiei până acum: un model VLA (vision-language-action) cu 32 de miliarde de parametri, pentru raționare, planificare și acțiune „pe întregul stack” de condus, cu țintă de dezvoltare și implementare level 4. Viziune AI: generarea de exemple controlate și „anomalii” sintetice În zona de vision AI, NVIDIA spune că blocajul este lipsa unui volum suficient de exemple controlate pentru a testa cum se comportă modelele când se schimbă condițiile vizuale, starea obiectelor sau evenimentele în timp. Sunt menționate explicit direcții precum detecția de anomalii „zero-shot”, generarea de anomalii sintetice și recunoașterea defectelor cu puține exemple (few-shot). Noile „Metropolis skills” ar permite agenților AI să genereze scenarii vizuale sintetice (inclusiv anomalii), să extindă seturile de date și să sprijine pseudo-etichetarea. Pentru inspecția vizuală, publicația dă ca exemplu skill-ul „Defect Image Generation”, care creează exemple de defecte pe suprafețe diferite pornind de la imagini reale, într-un flux ce combină Isaac Sim (simulare), Cosmos 3 și NVIDIA OSMO (orchestrare). Pentru agenți video, sunt menționate Metropolis Blueprint pentru căutare și sumarizare video (VSS), NVIDIA TAO și skill-uri de augmentare video, cu scopul de a automatiza bucla „build-and-evaluate” pentru modele care detectează evenimente, raționează pe scene complexe, sumarizează activitatea și trimit alerte. Roboți: automatizarea pașilor de simulare și antrenare, inclusiv „sim-to-real” În robotică, NVIDIA pune accent pe iterație: cercetătorii au nevoie de multe medii controlate și rulări de politici (policy rollouts) pentru a înțelege cum se schimbă comportamentul robotului între sarcini și configurații, iar asta implică, de regulă, integrare manuală între simulare, variații de sarcini, antrenare și evaluare. Compania afirmă că „robotics skills” permit agenților să automatizeze pași frecvenți precum pregătirea scenei, simularea și învățarea robotului folosind biblioteci Omniverse, Isaac Sim și Isaac Lab. Sunt menționate și skill-uri specializate pentru mobilitate și manipulare, inclusiv fluxuri pentru sarcini „sim-to-sim” și „sim-to-real” (transfer din simulare către lumea reală), precum construcția mediilor, reglaje de fizică, depanare și profilare. Pentru robotică medicală, NVIDIA indică „Cosmos-H-Surgical-Simulator”, care ar genera date realiste pentru antrenare și evaluare, învățând direct din date chirurgicale reale, cu obiectivul de a reduce diferența dintre simulare și realitate. Disponibilitate și acces: instrumente pe GitHub și medii preconfigurate pe Brev NVIDIA precizează că instrumentele și skill-urile pentru agenți physical AI sunt disponibile public prin GitHub, la NVIDIA physical AI skills . Totodată, skill-uri pentru generare de date sintetice (Neural Reconstruction, Video Augmentation, Defect Image Generation) pot fi rulate și ca „Physical AI Launchables” pe NVIDIA Brev, în medii preconfigurate care rulează pe GPU-uri NVIDIA H100 și includ credite de test pentru cercetători. Separat, compania afirmă că setul său de date „NVIDIA Physical AI Dataset” a depășit 15 milioane de descărcări pe Hugging Face și anunță noi lansări de seturi de date, inclusiv GRAIL (aprox. 50 de ore de interacțiuni humanoid–obiect) și șase seturi video sintetice folosite la antrenarea Cosmos 3. [...]
