# إنفيديا تكشف عن GR00T 2 لتعليم الروبوتات المهام من فيديو بشري

> يتنبأ نموذج العالم والفعل الجديد بالفيديو والحركات المقبلة، ما يتيح للروبوتات اكتساب مهارات من عرض بشري واحد.

Oossa · 2026-11-10 · https://oossa.com/ar/nvidia-unveils-gr00t-2-model-that-learns-robot-tasks-from-human-video

أعلنت إنفيديا عن نموذج ذكاء اصطناعي جديد باسم GR00T 2. يشاهد النظام مقاطع فيديو من منظور الشخص الأول لأشخاص يؤدون مهام، ثم يتنبأ بما سيراه الروبوت وكيف ينبغي أن يتحرك. وفي اختبارات مخبرية، استطاع روبوت مزود بأيدٍ ذات خمسة أصابع إشعال عود ثقاب وتقطيع موزة وقذف طرود، من دون تشغيل مباشر عن بُعد لتنفيذ هذه المهام.

تصف إنفيديا GR00T 2 بأنه نموذج للعالم والفعل (WAM). وعلى خلاف سلفه GR00T 1، لا يحتاج إلى أوامر لغوية مقترنة بالصور. بل يتنبأ بالإطار التالي من الفيديو وبالأمر الحركي المقابل في آن واحد، مستخدمًا محوّل الانتشار لإزالة التشويش من الفيديو والحركات المتوقعة.

## كيف يتعلم النموذج

دُرّب النموذج على مجموعة بيانات ضخمة تضم نحو 400,000 ساعة من فيديوهات لأشخاص يعملون، مسجلة بكاميرات مثبتة على الرأس، و10,184 ساعة من العروض باستخدام قابض UMI محمول باليد، و23,500 ساعة من تشغيل الروبوتات عن بُعد. وتقول إنفيديا إن فيديوهات البشر تشكل الجزء الأكبر من البيانات، وإن زيادة حجمها ترفع نسبة نجاح الروبوت في المهام من 50 % إلى 70 % على روبوتات حقيقية.

عندما يحتاج روبوت جديد إلى تعلم مهمة، يمكن لشخص أن يعرض خطواتها باستخدام قفازات لجمع البيانات أو هيكل خارجي للأصابع. ويستبدل النظام ذراع الإنسان بذراع الروبوت في الفيديو الذي يتنبأ به، ثم يستخلص أوامر التحكم المطابقة. وتقول إنفيديا إن معدلات النجاح ارتفعت من 40 % إلى 95 % بعد أقل من ثلاث دقائق من التدريب التقليدي، باستخدام بضعة عروض توضيحية فقط.

## الأداء والقيود

في تجارب مضبوطة، نجح روبوت في دق المسامير اعتمادًا على فيديو بشري واحد، كما ركّب سيارات لعبة في 97 % من المحاولات عند استخدامه مع نموذج لغوي أعلى مستوى مثل GPT-6 Astra. ومن دون النموذج اللغوي، انخفض النجاح إلى 23 %. أما الروبوتات ثنائية الأرجل، فتعمل عليها نسخة أصغر حجمًا تُسمى GR00T 2 Turbo، على حاسوب Jetson Thor المدمج، وتستغرق 124 ms لكل تنبؤ. ويمكنها تنفيذ مهام مثل غرف الفشار وترتيب الطاولات ومسح السوائل، مع نجاح مسح السوائل في أقل من نصف المحاولات بقليل.

وتشير إنفيديا إلى عدة عقبات: فالنموذج لا يستطيع حتى الآن استخدام مستشعرات اللمس المباشرة، ويفوته أحيانًا رصد أخطاء دقيقة. كما يضيف النموذج اللغوي زمن تأخير يبلغ نحو سبع ثوانٍ لكل خطوة تخطيط، ما يجعل الروبوت خاملاً قرابة ثلث الوقت في تجارب فرز النفايات.

## الحقائق

- دُرّب GR00T 2 على أكثر من 400,000 ساعة من فيديوهات بشرية من منظور الشخص الأول، و10,184 ساعة من عروض قابض محمول باليد، و23,500 ساعة من تشغيل الروبوتات عن بُعد (صفحة أبحاث إنفيديا).
- في اختبارات مخبرية، أشعل ذراع روبوتية ذات خمسة أصابع عود ثقاب وقطّعت موزة وقذفت طرودًا بعد التعلم من فيديوهات بشرية فقط (The Decoder).
- تفاوتت معدلات النجاح بحسب المهمة، من 10 % إلى 80 % في التجارب التي استخدمت عرضًا توضيحيًا واحدًا؛ وارتفع النجاح إلى 95 % بعد خمسة عروض وأقل من ثلاث دقائق من بيانات الروبوت (The Decoder).
- عند دمجه مع نموذج لغوي أعلى مستوى، نجح تركيب سيارات اللعبة في 97 % على الأقل من المحاولات، مقابل 23 % من دونه (The Decoder).
- يعمل GR00T 2 Turbo على حاسوب Jetson Thor المدمج، ويجري كل تنبؤ في 124 ms، مع نجاح نسبته 93 % في ترتيب الطاولات (صفحة أبحاث إنفيديا).

## لماذا يهم

قد يقلل النموذج وقت برمجة أذرع الروبوتات لمهام جديدة وتكلفتها لدى المصنّعين، إذ قد يكفي عرض بشري واحد. لكن اعتماد الروبوتات حاليًا على نماذج لغوية خارجية وافتقارها إلى استشعار اللمس يعنيان أنها ليست جاهزة بعد لخطوط إنتاج موثوقة بالكامل.

## المصادر والمراجع

1. [Nvidia's model GR00T 2 watches humans on video, then imagines itself as the robot](https://the-decoder.com/nvidias-model-gr00t-2-watches-humans-on-video-then-imagines-itself-as-the-robot/) – The Decoder, 2026-11-10
2. [Practice Makes Precise: At CoRL, NVIDIA and Partners Reveal How Robots Rehearse Delicate Work in Simulation](https://blogs.nvidia.com/blog/robotics-simulation-advancements-corl/) – NVIDIA, 2026-11-09
3. [NVIDIA](https://research.nvidia.com/labs/gear/gr00t-2/) – NVIDIA

آخر تحديث: 2026-11-10