henry 发自 凹非寺

隔了一年半，英伟达新一代机器人基础模型总算亮相了。

就在今年奥斯汀的CoRL大会上，英伟达GEAR负责人朱玉可和Jim Fan一起发布了新一代世界动作模型

GR00T 2。

官方demo长1分半，GR00T 2在里面裁标签用剪刀、装显卡、擦火柴、切香蕉做早餐、擦咖啡、收拾桌子、卖爆米花。

看下来几乎什么都能干。双手精细操作也好，全身移动也好，任务范围基本铺满了机器人能力的各个方向。

朱玉可还透露，GR00T2的模型、数据、仿真环境和数据采集硬件都会陆续开源。

眼下率先放出来的是10万小时人类数据。

这时候说一句英伟达nb，应该不过分。

GR00T 2：让机器人基础模型更能泛化、更灵巧、更会适应

作为世界动作模型，GR00T2能同时预测未来的画面和机器人的动作。训练的时候，“世界会怎么变”和“机器人该怎么动”是放在一起学的。

发布会上，Jim Fan把它定位成一个反应够快、能在本地跑的System 1（快系统）物理技能模型，既容易靠示范教会，也容易被推理模型引导。

落到GR00T 2内部，就是朱玉可在推特上提到的Xadapt跨本体适配。

说白了，以前要教一台机器人做新任务，通常得照着它的身体形态和控制方式，重新采一批机器人示范数据。

X-Adapt想拆掉的就是这层限制：人类或者手持设备示范过的技能，可以直接搬到没练过这项任务的机器人身上。

具体来看，

1、从人类示范迁移到机器人。

研究人员戴上动捕设备，示范怎么放置、润湿滤纸。接下来，双五指手Dexter就能完成同一件事。

全程没有采这个任务的机器人遥操作示范。只靠人类示范，Dexter在20次试验里成功率就到了65%。

2、从手持夹爪迁移到机械臂。

研究人员拿手持UMI夹爪，示范怎么组装玩具自卸卡车。模型学完之后，再把这项技能迁到YAM机械臂上。

UMI和YAM的夹爪形态并不一样，YAM照样能端到端做完最长约四分钟的组装任务，成功率60%。

同样的迁移路子，还用在了传送带分拣与抛掷、操作板拆解这些任务上。

3、从可穿戴外骨骼迁移到机器人灵巧手。

研究人员会先戴上DexUMI手部外骨骼，把做香蕉酸奶、舀麦片的动作示范一遍。模型拿这些数据微调之后，机器人就能自己接手把早餐做完，这项任务也用不着再额外采集机器人的遥操作示范。

三条路子看下来，指向的其实是同一件事：同一项技能，未必要在每种机器人身上都重新教一遍。

跨本体迁移当然不等于机器人数据可以完全不要。人类动捕和UMI这两条路径里，目标机器人照样得出数据，只不过这些数据跟具体任务无关，作用是让模型摸熟自己的身体结构、运动方式和控制空间。至于新任务的示范，可以从更好采的人类操作里来。

GR00T 2技术报告强调的正是这个方向——把机器人基础模型的泛化、灵巧性和适应能力撑起来。迁移之外，GR00T 2还展示了另一手：靠少量机器人示范把执行精度提上去。

另一组Dexter-50评测里，模型零样本平均成功率为40%；每项任务给一次示范，成功率升到71%；给五次示范，则达到95%。

更关键的是，这五次示范加起来不到三分钟。之后只需在单张RTX5090上做约30分钟的LoRA微调，就能得到适配对应任务的模型。

实际调用上，英伟达这次也跟上了开放的路子，推出WAM API。推理模型可以通过API拆解任务、检查执行进度，再把具体的物理技能交给GR00T 2去做。

换句话说，GR00T 2不只能自己把技能做完，还能当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？

咱一个一个说。X-Adapt背后首先是一座数据金字塔，GR00T 2的预训练混了三类数据：

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。

人类视频的规模远大于另外两类，这一点不难看出。它意味着机器人的学习材料不再局限于人工遥操作采集的动作轨迹，而是进一步扩展到大量真实的人类活动——人怎样拿起工具、移动物体、完成装配，一次动作之后周围场景又会发生怎样的变化。

UMI和可穿戴设备负责补上更直接的操作轨迹，机器人遥操作数据则帮模型学习不同身体对应的运动与控制方式。

人类视频到底能不能帮机器人干活？团队专门做了一组规模实验来验证：分别用不含人类视频、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，人类视频数据越多，真实机器人上的平均任务进度就越高，从50%提高到70%。

大规模人类经验究竟能带来什么？实验给出的回答很直接：它不光让模型的视觉知识更丰富，还能变成机器人在真实任务里实打实的执行进展。模型层面，GR00T2把语言指令、多视角相机画面和机器人状态一并接收，再借同一个扩散Transformer，把未来视频与动作序列放在一起预测。

而在模型之外，英伟达围绕GR00T2把采集、处理、训练、仿真验证到实际部署串成了一条完整工具链。

采集这一头靠的是UMI、DexUMI等设备，研究人员能直接记录人类操作，那些传统遥操作很难自然完成的灵巧动作尤其受益。数据这一头则有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；后者负责数据整理、描述性标注和自动评估。

仿真端交给了SimFoundry，它可以从真实场景重建任务环境，用来测试策略、生成数据和开发技能。

执行端由不同模型和组件分工完成。ASPIRE把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；面向人形机器人的Turbo换用更轻量的网络和更紧凑的视频表示，把预测开销压了下来。在G1的机载Jetson Thor上，Turbo单次预测耗时124毫秒；SONIC则跑在另一块Jetson Orin上，以50Hz做全身控制。

一个生成运动计划，另一个把计划变成持续的身体动作，机器人伸手、弯腰、搬运时才保持得住协调。

开发者拿到GR00T2，能调用的不只是模型本身，还可以顺着配套工具链采集自己的数据、适配自己的任务、在仿真里验证技能，最终部署到真实机器人上。

英伟达这次发布更值得关注的地方也在这里：它开放的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

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。”

话虽如此，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。

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%。

要不，下次「后会友期」，大模型队和具身模型队也来报个名？

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