英伟达于11月9日在美国奥斯汀机器人学习大会CoRL上发布新一代机器人基础模型GR00T 2,此时距离黄仁勋辞职仅三天,外界关注度被高管变动分散。该模型计划开源,英伟达已公开10万小时人类第一视角视频数据,模型权重、代码及适配方案计划于12月开放。

GR00T 2的核心变化在于架构。传统视觉语言动作模型主要根据摄像头画面和语言指令预测动作,而GR00T 2采用世界动作模型架构,通过一个扩散Transformer同时预测未来画面和机器人动作。例如机器人将零件插入插槽时,模型既要预测机械臂如何移动,也要预测零件接触插槽后环境的变化。这让机器人能从普通人类视频中学习操作经验,降低对带控制信息的遥操作数据的依赖。

预训练数据方面,英伟达披露GR00T 2使用了约40.3万小时人类第一视角视频、1万小时手持夹爪示范以及2.35万小时机器人遥操作数据。在一组对照实验中,随着人类视频训练规模扩大,模型在72项真机任务上的进度指标从50%提升至70%。

跨构型技能迁移是另一项重点,英伟达称之为X-Adapt。机器人可利用人类或其他机器人的示范学习从未执行过的任务。在一项化学实验中,机器人未接受针对该任务的遥操作训练,仅通过人类示范就以65%的成功率完成铺设漏斗、润湿滤纸的操作;另一项实验中,YAM机械臂仅通过手持夹爪示范,以60%的成功率组装玩具卡车。目标机器人仍需一定通用动作数据来适应自身硬件结构。

学习新任务的效率也有明显提升。英伟达在50项目标机器人此前未执行过的任务中测试,GR00T 2零样本平均成功率为40%;每项任务增加一次示范并微调后,成功率提升至71%;增加到五次示范后,平均成功率达到95%。这五次示范所需机器人数据不足3分钟,模型在单张RTX 5090显卡上的轻量微调时间约为30分钟。

复杂任务中的错误恢复方面,英伟达采用分层控制架构:上层推理模型负责任务规划和进度检查,GR00T 2负责抓取、插入等具体动作。零件掉落或任务中断时,上层模型可调用其他工具处理异常再继续执行。在三类玩具的连续组装测试中,加入该机制后机器人每类100次尝试成功97至98次,而单独使用动作模型时成功次数为71至84次。

为适应人形机器人实时控制需求,英伟达还推出轻量版GR00T 2 Turbo,可直接运行在宇树G1搭载的Jetson Thor上,单次动作预测耗时约124毫秒,再由高频全身控制器执行。

整体来看,GR00T 2将人类视频学习、跨机器人技能迁移、少样本适配和复杂任务控制整合到同一套模型体系中。不过上述成绩主要来自英伟达公布的特定实验,距离复杂工业场景的长期稳定运行仍有差距。若这些能力在更多真实场景得到验证,机器人厂商未来便有机会直接利用成熟基础模型,再针对自身硬件和任务优化,这将给从头训练通用机器人大脑的创业公司带来新的竞争压力。

戏剧性的是,就在英伟达发布GR00T 2当天,Anthropic也推出新一代通用大模型Claude Fable 5.2。这款主要面向编程、推理等任务的大模型已开始展现机器人操作能力。在Anthropic公布的视频中,Fable 5.2控制真实机器人完成魔方操作、拧瓶盖和绘画等任务。在包含42项双臂机器人任务的RoboDojo仿真基准中,Fable 5.2取得64.9%的成绩,高于前代Fable 5.1的27.6%和GPT-6 Astra的29.8%。Anthropic称这一表现已超过多数专门训练的机器人控制模型,但相关成绩来自内部测试,真实机器人演示尚未披露系统性成功率。

OpenAI的GPT-6 Astra此前也展现类似潜力。今年10月英伟达发布的一项研究显示,Astra在RoboLab-120仿真基准中借助智能体框架取得74.8%的任务成功率,超过参与比较的多款专用机器人模型,但单次动作推理平均耗时18.56秒,距离机器人实时控制要求仍有较大差距。与此同时,据《财富》11月13日报道,OpenAI已撤销独立机器人研究团队,将相关人员并入核心模型团队,OpenAI确认调整并表示机器人仍是长期发展方向。

从技术路线看,GR00T 2专门学习视频与机器人动作之间的关系,重点解决技能迁移、精细操作和实时控制;GPT-6 Astra、Fable 5.2等通用模型则凭借视觉理解、空间推理和任务规划能力参与机器人动作决策。两类模型既竞争也可配合,例如英伟达展示的分层控制架构中,上层通用推理模型负责规划任务和检查结果,GR00T 2负责具体动作,底层控制器执行。未来机器人的“大脑”可能进一步分工:通用模型承担更多理解和决策任务,专用模型负责需要快速响应的物理操作。

对具身模型创业公司而言,压力正从两个方向传来。一方面,英伟达持续开放机器人基础模型和开发工具,降低整机厂商从头训练模型的必要性;另一方面,OpenAI、Anthropic等通用模型厂商不断拓展机器人能力,可能进一步压缩专用模型的技术空间。不过,通用模型的进步并不意味着具身模型创业公司已失去空间。现阶段无论GR00T 2还是Fable 5.2,都尚未证明能在复杂工业场景中长期稳定运行,精密操作、触觉反馈、接触力控制、实时响应以及异常恢复仍需大量工程优化。拥有专有场景数据、成熟硬件适配能力和真实客户部署经验的企业仍有机会建立竞争优势。但随着基础模型不断进步,今天稀缺的技术能力明天可能成为行业标配,巨头正在抬高具身智能的技术起点,也抬高创业公司证明自身价值的门槛。