英伟达发布GR00T 2：机器人看人干活视频就能学新技能
11月9日，英伟达在美国得克萨斯州奥斯汀举行的机器人学习大会（CoRL）上发布了新一代机器人基础模型 GR00T 2。它的学习方式很特别：不再依赖人类手把手遥控机器人做演示，而是直接”看”人类干活的第一人称视频，就能学会新的操作技能。英伟达称，在 50 项任务的内部测试中，模型在看过 5 次演示并经过短暂微调后，平均成功率达到 95%。
不再是”视觉—语言—动作”，而是”世界动作模型”
GR00T 2 建立在英伟达的 Cosmos 世界模型平台之上，是 GR00T N1 的继任者。与上一代把摄像头画面和语言指令直接翻译成电机动作的做法不同，英伟达把 GR00T 2 定义为”世界动作模型”（world-action model）：一个扩散 Transformer 同时去噪生成两样东西——机器人下一步的动作，以及执行这个动作后眼前画面会变成什么样。换句话说，模型在动手之前，会先在”脑子里”把未来几秒的画面预演一遍，再决定怎么动。这种设计让模型对物理世界的理解不再只停留在指令层面，而是与动作的后果绑定在一起。
40 万小时人类视频：训练数据的来源变了
机器人学习长期有个瓶颈：教会机器人一项技能，传统做法需要人类操作员通过遥控设备一遍遍演示，数据又贵又慢。GR00T 2 的训练数据构成说明英伟达正在绕开这条路：
- 402,730 小时第一人称人类视频：工人头戴摄像头记录的日常操作画面，是训练数据的主体；
- 10,184 小时手持夹持器演示：用手持 UMI 夹持器录制的演示，覆盖 2,897 项任务；
- 23,500 小时机器人遥操作数据：涵盖平行夹爪、灵巧手以及宇树 G1 人形机器人。
整个训练在一千多块 GB300 芯片组成的集群上完成。英伟达同时把其中 10 万小时人类视频整理成 Human-1M-100K 数据集，以 CC BY 4.0 协议在 Hugging Face 上开放，供其他研究者使用。
95% 的成绩单：先看数字，再看成色
按照英伟达公布的内部测试结果，在 50 项操作任务上，GR00T 2 零演示的平均成功率为 40%，其中 40 项任务至少成功过一次；每项任务给 1 次演示后，平均成功率升至 71%；给 5 次演示、再在单块 RTX 5090 显卡上微调 30 分钟后，平均成功率达到 95%。
这组数字需要打个折扣再看：50 项任务的具体清单没有公开，测试由英伟达自己完成，独立机构的验证尚未出炉。英伟达自己也在论文中承认了模型的短板：它目前还处理不了触觉等直接传感器数据，有时会忽略螺丝只拧了一半这类细微错误。95% 是实验室条件下的成绩，不等于工厂流水线上的表现。
英伟达同时发布了轻量版 GR00T 2 Turbo：采用 20 亿参数的联合视频—动作 Transformer，在 Jetson Thor 计算平台上单次预测耗时 124 毫秒，面向双足机器人等算力受限的本体。
配套工具与首批试点
与模型一同发布的还有开源机器人学习框架 Isaac Lab 3.0，新增 Newton 物理引擎，可在 PhysX 与 Newton 求解器之间切换，并支持强化学习后训练。两项新的工业基准也同步亮相：DexBench 包含 15 项任务、覆盖 4 个工业场景，VABAR 则针对 6 项工业任务做标准化评估。
首批试点已经排定：富士康用它做服务器制造自动化，西门子用于工业场景评估，Nexuni 测试洗衣处理，MicroAGI 则让 YAM 机械臂学习插拔网线。不过这些都还处在试点评估阶段，没有一家宣布把 GR00T 2 部署到正式生产线上。
影响与展望：数据成本降下来，机器人才能快起来
GR00T 2 真正的意义不在 95% 这个数字，而在训练数据的来源变了：人类日常工作的视频到处都是，远比遥控机器人一遍遍演示便宜。如果”看视频学技能”这条路走得通，机器人掌握新技能的边际成本会大幅下降，人形机器人进工厂、进仓库的时间表可能因此提前。
但有两件事值得盯着看。第一，英伟达把模型代码的发布时间定在 2026 年 12 月，权重发布时间与许可条款至今没有公布，在代码真正交付、第三方复现之前，它还不能算一个已经开源的模型。第二，实验室的成功率能否经受住真实环境的检验——触觉缺失、细微错误漏检这些短板，恰恰是工厂里最不能容忍的问题。如果 12 月的代码如期交付且复现结果接近官方数字，GR00T 2 有望成为机器人领域的”基础模型时刻”；如果复现落差太大，95% 的光环就需要重新评估。