英伟达发布GR00T 2：从人类视频迁移动作，实验室任务成功率10%至80%
英伟达在一份研究报告中介绍GR00T 2，称其通过预测未来画面把人类手部动作迁移到机械臂，减少对新任务遥操作的依赖；实验室测试中不同任务成功率在10%至80%之间，触觉传感器数据尚未接入。
AI解读：英伟达发布机器人基础模型GR00T 2，目标是用人类演示视频替代逐任务遥操作。模型同时预测下一步动作和短时未来视频，英伟达称其为“世界-动作模型”，不再沿用前代GR00T 1的视觉-语言-动作路线。
训练使用超过1000块GB300芯片组成的集群，视频素材约40万小时，内容为佩戴头戴相机的人执行各类任务。教机器人新任务时，研究人员称人用数据手套、专用手部夹爪或手指外骨骼演示即可，训练时再结合目标机器人的通用运动数据。
实验室中，五指手机器人借此点燃火柴、切香蕉、把包裹抛上传送带，未针对这些任务做遥操作；成功率因任务而异，为10%至80%。仅凭一段人手动作视频，系统还在计算机模拟中学会钉钉子。
在50个少样本已表现较好的任务上，不到3分钟常规训练把成功率从40%提升到95%。长程装配则依赖更高层语言模型拆分步骤、标注抓取点和触发纠错例程；玩具车装配在有纠错模型时至少97%的试验成功，无纠错和额外微调时为100次中成功23次。
面向双足机器人的精简版GR00T 2 Turbo在机器人内置的Jetson Thor上运行，测试中可舀爆米花、清理桌面、用脚下毛巾擦液体，擦液体成功率略低于一半。研究团队指出模型尚不处理直接触觉传感器数据，会漏掉螺丝转了一半等细微错误；语言模型规划让机器人在垃圾分类中平均等待超过7秒，闲置时间约占总时长三分之一。
英伟达在一份关于GR00T 2的研究报告中介绍了一个新的机器人基础模型，目标是用人类视频演示替代逐任务遥操作。英伟达称该模型为“世界-动作模型”（WAM），会同时计算下一步动作和一小段未来视频，例如预测机械臂抓起物体时相机画面应如何变化。
该模型不再沿用前代GR00T 1的视觉-语言-动作路线。英伟达称，视频预测让动作序列能在不同机器人形态之间迁移。
训练数据与使用方式
英伟达称，系统在超过1000块GB300芯片组成的集群上训练，使用约40万小时视频，内容为佩戴头戴相机的人执行多种任务。
研究人员称，教机器人新任务时，人用数据手套、专用手部夹爪或手指外骨骼演示步骤即可。训练时把这些记录与目标机器人的通用运动数据结合，模型会在视频预测中生成机械臂而非人手，并据此导出控制指令。
实验室结果与边界
在实验室测试中，五指手机器人以这种方式点燃火柴、切香蕉、把包裹抛上传送带，未针对这些任务接受遥操作。成功率随任务不同，在10%至80%之间。
仅凭一段人手动作视频，系统还在计算机模拟中学会钉钉子。在50个少样本后已表现较好的选定任务上，不到3分钟常规训练把成功率从40%提升到95%。
对于较长装配工作，英伟达将GR00T 2与更高层语言模型配合：GR00T 2负责抓取动作，语言模型拆分步骤、在相机画面中给抓取点标色，并在零件掉落时启动辅助例程。研究人员把玩具车散件无序放在桌上，组合系统在至少97%的试验中完成装配；没有纠错语言模型和额外微调时，100次尝试成功23次。
插网线、插充电器等精细任务则通过在真实设备上反复试错训练。
Turbo版本与已知限制
英伟达为双足机器人开发了精简版GR00T 2 Turbo，处理图像细节更少，直接运行在人形机器人的Jetson Thor车载计算机上。测试中机器人舀爆米花、清理桌面、用脚下毛巾擦液体，擦液体任务成功率略低于一半。
研究团队列出可靠落地前的障碍：模型尚不处理直接触觉传感器数据，有时漏掉螺丝转了一半等细微错误；更高层语言模型明显拖慢速度，垃圾分类时机器人平均等待规划模型下一次计算超过7秒，闲置时间约占总时长三分之一。