英伟达公布新一代机器人基础模型 GR00T 2，核心思路是让机器人通过观看人类操作视频来学习新任务，从而绕开传统训练中昂贵且缓慢的遥操作环节。研究团队用超过 1000 块 GB300 芯片的集群训练该模型，训练数据包含约 40 万小时佩戴头戴摄像头的人类操作视频。

传统上，工程师需要花数小时远程操控机器人来采集训练数据，这种方式成本高、速度慢，且每换一种机器人型号往往要重新采集。GR00T 2 与上一代 GR00T 1 的关键区别在于，它不再把摄像头图像和语言指令直接翻译成电机动作，而是被英伟达称为世界-动作模型（WAM）：模型在计算下一步动作的同时，还会通过扩散方法预测未来一小段视频画面，例如机械臂抓起物体后摄像头图像应如何变化。这种视频预测能力让动作序列可以在不同机器人形态之间迁移。

在实际教学中，研究人员表示，人只需戴上数据手套、专用手部夹具或手指外骨骼演示一遍步骤，再结合目标机器人的通用运动数据，模型就能在视频预测中把人的手臂替换成机械臂，并推导出对应的控制指令。实验室测试中，一台带五指手的机器人借此完成了点火柴、切香蕉、把包裹抛上传送带等任务，且这些任务均未经过专门的遥操作训练。不过成功率因任务难度差异很大，落在 10% 到 80% 区间。

模型还展现出从少量样本中快速学习的潜力。在 50 个模型已有较好基础的任务上，不到 3 分钟的常规训练就把成功率从 40% 提升到 95%。此外，仅凭一段人手动作视频，系统就在计算机模拟中学会了钉钉子。

对于更长的装配任务，英伟达将 GR00T 2 与更高层的语言模型配合使用，例如 OpenAI 的 GPT-6 Astra。GR00T 2 负责抓取动作，语言模型则把任务拆成步骤、在摄像头图像中给抓取点标色，并在零件掉落时启动辅助程序。在桌面上散乱摆放玩具零件的测试中，这套组合系统在至少 97% 的试验中完成组装；而缺少纠正性语言模型和额外微调时，玩具车组装在 100 次尝试中仅成功 23 次。

针对双足机器人，英伟达还开发了精简版 GR00T 2 Turbo，它处理的图像细节更少，可直接运行在人形机器人的 Jetson Thor 车载计算机上。测试中，该机器人能舀爆米花、清理桌面、用脚下的毛巾擦拭液体，但最后一项任务的成功率略低于一半。

研究团队也指出了系统投入可靠实际应用前的主要障碍。模型目前尚不能直接处理触觉传感器数据，有时会漏掉螺丝只拧了一半这类细微错误。高层语言模型还会显著拖慢速度：在垃圾分类任务中，机器人约有三分之一的时间处于闲置，因为平均要等待超过 7 秒才能得到规划模型的下一次计算结果。

从产业视角看，GR00T 2 代表了一条与遥操作并行的机器人训练路线——用海量人类视频和生成式预测来降低数据采集成本。若该路线成熟，机器人基础模型的价值可能进一步向拥有数据与算力的一方集中，而数据手套、动作捕捉、仿真环境以及机器人本体厂商的角色分工也将随之调整。但当前成功率波动大、触觉缺失和规划延迟等问题表明，距离稳定可靠的通用机器人操作仍有明显距离。