全体起立！时隔一年半，英伟达的新一代机器人基础模型终于来了！
刚刚，在今年奥斯汀举行的 CoRL 大会上，英伟达 GEAR 领导朱玉可和 Jim Fan，搬出了新一代世界动作模型——
GR00T 2。
看下来，几乎是样样全能。从双手精细操作到全身移动，模型的任务范围几乎覆盖了机器人能力的各个方向。
而且，据朱玉可透露，GR00T2 的模型、数据、仿真环境和数据采集硬件也将陆续开源。
目前，10 万小时的人类数据已经率先开放。
GR00T 2：扩展机器人基础模型的泛化、灵巧性与适应能力
作为一款世界动作模型，GR00T2 能够同时预测未来画面与机器人动作。训练时，它把 " 世界将如何变化 " 和 " 机器人应当如何行动 " 放在一起学习。
发布会上，Jim Fan 将其定位为一个反应够快、能够本地运行，同时既容易通过示范教会，也容易被推理模型引导的 System 1（快系统）物理技能模型。
X-Adapt 则试图打破这层限制，人类或手持设备示范过的技能，可以直接迁移给没有练过这项任务的机器人。
具体来看，英伟达展示了三条路径。
1、从人类示范迁移到机器人。
研究人员佩戴动捕设备，示范如何放置、润湿滤纸。随后，双五指手 Dexter 就能完成同一任务。
整个过程中，没有采集该任务的机器人遥操作示范。仅凭人类示范，Dexter 在 20 次试验中的成功率就达到 65%。
2、从手持夹爪迁移到机械臂。
研究人员使用手持 UMI 夹爪，示范如何组装玩具自卸卡车。模型学习后，再将这项技能迁移到 YAM 机械臂上。
尽管 UMI 与 YAM 的夹爪形态不同，YAM 仍能端到端完成最长约四分钟的组装任务，成功率达到 60%。
同样的迁移路径，还被用于传送带分拣与抛掷、操作板拆解等任务。
3、从可穿戴外骨骼迁移到机器人灵巧手。
研究人员戴上 DexUMI 手部外骨骼，示范制作香蕉酸奶、舀取麦片。
模型利用这些数据微调后，机器人就能接手完成早餐任务，同样不需要额外采集这项任务的机器人遥操作示范。
总结来看，这三条路径指向同一个变化：同一项技能，不必总是在每一种机器人上重新示范一遍。
当然，跨本体迁移并不意味着完全不需要机器人数据。
在人类动捕和 UMI 路径中，目标机器人仍会提供与具体任务无关的数据，让模型熟悉自身的身体结构、运动方式和控制空间。新任务的示范，则可以来自更容易采集的人类操作。
这也是 GR00T2 技术报告所强调的方向，扩展机器人基础模型的泛化、灵巧性与适应能力。
在另一组 Dexter-50 评测中，模型的零样本平均成功率为 40%；每项任务提供一次示范后，成功率提高到 71%；提供五次示范后，则达到 95%。
更关键的是，这五次示范合计不足三分钟。随后，只需要在单张 RTX5090 上进行约 30 分钟的 LoRA 微调，就能得到适配对应任务的模型。
通过 API，推理模型可以负责拆解任务、检查执行进度，再将具体的物理技能交给 GR00T2 执行。
换句话说，GR00T2 不仅可以自己完成技能，还能成为上层智能体调用的物理执行模块。
那么，问题来了：英伟达，你咋这么 nb？
40 万小时人类视频，怎么变成机器人的动手能力？
咱一个一个来说。X-Adapt 背后，首先是一座数据金字塔。GR00T2 的预训练混合了三类数据：
402,730 小时人类第一视角视频；
10,184 小时手持 UMI 演示，覆盖 2,897 项任务；
23,500 小时机器人遥操作数据。
人怎样拿起工具、移动物体、完成装配，以及一次动作之后，周围场景会发生怎样的变化。
UMI 和可穿戴设备负责补充更直接的操作轨迹，机器人遥操作数据则帮助模型学习不同身体对应的运动与控制方式。
为了验证人类视频究竟能不能帮助机器人干活？团队还专门做了一组规模实验。
他们分别使用不含人类视频、1%、10% 和全部人类视频的数据训练模型，再在 72 项 Dexter 任务上评估。
结果显示，随着人类视频数据增加，真实机器人上的平均任务进度从 50% 提高到 70%。
为了吃下这些数据，在模型方面，GR00T2 则接收语言指令、多视角相机画面和机器人状态，通过同一个扩散 Transformer，联合预测未来视频与动作序列。
最后，围绕 GR00T2，英伟达还在把数据采集、处理、训练、仿真验证和实际部署接成一套完整工具链。
采集端，是 UMI、DexUMI 等设备。它们让研究人员直接记录人类操作，尤其是那些传统遥操作很难自然完成的灵巧动作。
数据端，包括 Human-1M 与 Flora。前者提供人类第一视角视频，首批 10 万小时子集已经公开；后者支持数据整理、描述性标注和自动评估。
仿真端，则有 SimFoundry。它可以从真实场景重建任务环境，用于策略测试、数据生成和技能开发。
执行端，则由不同模型和组件分工完成。
ASPIRE 将机器人模型与代码技能组织起来，支持任务执行和错误恢复。面向人形机器人，Turbo 使用更轻量的网络和更紧凑的视频表示，降低预测开销。
在 G1 的机载 Jetson Thor 上，Turbo 单次预测耗时为 124 毫秒；SONIC 则运行在另一块 Jetson Orin 上，以 50Hz 进行全身控制。
前者生成运动计划，后者把计划转化为持续的身体动作，让机器人在伸手、弯腰和搬运时维持协调。
这样一来，开发者拿到 GR00T2 后，不仅能调用模型本身，还能沿着配套工具链采集自己的数据、适配自己的任务、在仿真中验证技能，最后将其部署到真实机器人上。
这也是英伟达此次发布更值得关注的地方：它开放的已经不只是一款机器人模型，而是从数据采集、模型训练到技能调用和实际执行的一整套开发体系。
One more thing
在 CoRL 的现场演讲里，Jim Fan 说：
"Astra 没有打碎我们的梦想，它打破的是我们的围墙。"
" 这不是寒冬，这是机器人的夏天。"
虽然话是这么说不错，但今天发布的 Claude Fable 5.2，在 RoboDojo 上的表现也着实有点，来给机器人学上课的意思。
在 Anthropic 公布的 RoboDojo Sim 仿真双臂测试中，采用相同运行框架、各模型最高可用推理强度，Fable 5.2 得分 64.9%，GPT-6 Astra 为 29.8%。
参考链接
[ 1 ] https://research.nvidia.com/labs/gear/gr00t-2/
[ 2 ] https://research.nvidia.com/labs/gear/gr00t-2/assets/gr00t2_whitepaper.pdf
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
科技前沿进展每日见
