英伟达GR00T 2看人视频自己学动作
报价宝综合消息英伟达GR00T 2看人视频自己学动作
教机器人干活，过去要先花几个小时遥控它做一遍。英伟达发布的GR00T 2想把这个流程砍掉：这是一台「世界-动作模型」，一边计算下一步动作，一边同时预测接下来几秒摄像头画面应该变成什么样——比如机械臂抓起物体时画面该如何变化。
训练规模不小：英伟达动用了超过一千块GB300芯片，喂进约40万小时的人类任务视频，素材全部来自戴头戴相机干活的人。到了教新任务的时候，人类只需戴上数据手套或手指外骨骼演示一遍，模型就能在视频预测里把人手换成机器手，推导出对应的控制指令。
实验室里的成绩单已经相当像样：装配五指手的机器人学会了点火柴、切香蕉、把包裹扔上传送带，全程没被遥控过这些具体任务；任务成功率因难度在10％到80％之间浮动。对50个示范几次就能上手的任务，不到三分钟的常规训练就把成功率从40％拉到95％。
真正的杀手锏是跟大语言模型组队。长程装配任务里，GR00T 2负责抓握，GPT-6 Astra这类上位模型负责拆步骤、在画面里标出抓取点。测试中，散乱的玩具零件被这套组合以至少97％的成功率装好——没有上位模型帮衬时，100次只成功23次。
短板也很实在：模型暂时读不到触觉传感数据，偶尔会漏掉拧了一半的螺丝；上位模型推理慢，垃圾分类测试里机器人有大约三分之一的时间在原地等规划结果，平均一次要等超过7秒。英伟达还推出了精简版GR00T 2 Turbo，直接跑在人形机器人的Jetson Thor机载电脑上，能舀爆米花、擦桌子，只是用脚下的毛巾擦液体的成功率还不到一半。
编译自 The Decoder，原标题："Nvidia's model GR00T 2 watches humans on video, then imagines itself as the robot"
