新闻The Decoder11 天前
Nvidia发布GR00T 2世界动作模型,40万小时人类视频驱动机器人任务迁移
本文由 AI 根据公开内容整理,可能有误,请以原文为准:Nvidia's model GR00T 2 watches humans on video, then imagines itself as the robot(The Decoder:AI News(RSS)(via AIHOT))
核心内容
Nvidia正式发布基础模型GR00T 2,采用世界动作模型(WAM)架构替代传统VLA范式,通过同时预测下一步动作与未来短视频片段实现跨本体技能迁移。该模型在超过1000块GB300芯片组成的集群上完成训练,使用了约40万小时人类佩戴头戴相机执行任务的第一视角视频数据。实验室测试显示,五指机械臂无需针对特定任务遥操即可执行划火柴、切香蕉等操作,对于50个优选任务仅需不到3分钟常规训练即可将成功率从40%提升至95%。
技术层面,GR00T 2通过扩散模型生成包含机器人本体的未来视频预测来推导控制指令,结合数据手套或指外骨骼采集的人类演示数据进行对齐。针对长序列装配任务,系统接入GPT-6 Astra等高层语言模型进行步骤分解与纠错,使无序玩具组装成功率从23%提升至97%,但规划延迟导致机器人空闲时间占比达三分之一。此外,面向双足机器人的轻量化版本GR00T 2 Turbo已适配Jetson Thor板端计算单元,支持擦地、清理桌面等端侧实时推理,但在精细触觉反馈与复杂纠错方面仍存在瓶颈。
关键看点
- WAM架构:摒弃VLA直接映射范式,采用世界动作模型同步输出动作指令与未来视频预测,利用扩散模型实现跨形态技能迁移
- 训练规模:基于千卡GB300算力集群与40万小时头戴相机人类第一视角视频训练,支持通过数据手套或指外骨骼低成本采集示教数据
- 高效微调:在50个基准任务中仅需少于3分钟常规训练即可将成功率由40%提升至95%,显著降低对大规模遥操作数据的依赖
- 端侧部署:推出GR00T 2 Turbo轻量版适配Jetson Thor芯片,支持人形机器人板载运行擦地与清理任务,但精细操作成功率约50%
工程与产业观察
GR00T 2验证了世界模型作为通用具身智能底座的可行性,通过视频生成式预测解决了跨本体数据匮乏难题。其“人类视频预训练+极少样本微调”范式大幅降低了真机数据采集成本,为具身大模型从云端仿真走向端侧实时部署提供了关键工程参考,但高层规划延迟与触觉缺失仍是落地阻碍。
线索来源:AIHOT
外部来源
本页事实对应的公开页面,以原文为准。(点击将离开本站)