# Nvidia presenta GR00T 2, un modelo que aprende de videos humanos

> El nuevo modelo de acción del mundo predice videos futuros y movimientos robóticos, para que los robots aprendan habilidades con una sola demostración humana.

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

Nvidia anunció un nuevo modelo de IA llamado GR00T 2. El sistema observa videos en primera persona de personas realizando tareas y luego predice tanto lo que verá el robot como la forma en que debe moverse. En pruebas de laboratorio, un robot con manos de cinco dedos pudo encender un fósforo, cortar una banana o lanzar paquetes sin control remoto directo para esas tareas.

Nvidia describe GR00T 2 como un modelo de acción del mundo (WAM). A diferencia de su predecesor, GR00T 1, no necesita instrucciones en lenguaje emparejadas con imágenes. En cambio, predice al mismo tiempo el siguiente fotograma del video y la orden motriz correspondiente, mediante un transformador de difusión que elimina el ruido de videos y acciones futuras.

## Cómo aprende el modelo

El modelo se entrenó con un conjunto de datos enorme que incluye unas 400.000 horas de videos de personas trabajando, grabados con cámaras montadas en la cabeza; 10.184 horas de demostraciones con una pinza UMI manual; y 23.500 horas de teleoperación de robots. Nvidia afirma que los videos humanos constituyen la mayor parte de los datos y que aumentar su volumen mejora del 50 % al 70 % el éxito de los robots en tareas reales.

Cuando un robot nuevo tiene que aprender una tarea, una persona puede demostrarle los pasos con guantes de captura de datos o un exoesqueleto para los dedos. El sistema sustituye el brazo humano por el del robot en la predicción del video y extrae las órdenes de control correspondientes. Nvidia informa que, con apenas unas pocas demostraciones, las tasas de éxito aumentaron del 40 % al 95 % tras menos de tres minutos de entrenamiento convencional.

## Rendimiento y limitaciones

En experimentos controlados, un robot clavó clavos tras observar un solo video humano y ensambló autos de juguete en el 97 % de las pruebas cuando se combinó con un modelo de lenguaje de nivel superior, como GPT-6 Astra. Sin el modelo de lenguaje, el éxito cayó al 23 %. En robots bípedos, una versión más compacta llamada GR00T 2 Turbo funciona en la computadora integrada Jetson Thor, tarda 124 ms en cada predicción y realiza tareas como servir palomitas, despejar mesas y limpiar líquidos, aunque logró limpiar líquidos en menos de la mitad de los intentos.

Nvidia señala varios obstáculos: el modelo todavía no puede usar sensores táctiles directos, a veces no detecta errores sutiles y el modelo de lenguaje añade una latencia de unos siete segundos por paso de planificación, lo que deja al robot inactivo aproximadamente un tercio del tiempo en pruebas de clasificación de basura.

## Los hechos

- GR00T 2 se entrenó con más de 400.000 horas de video humano en primera persona, 10.184 horas de demostraciones con una pinza manual y 23.500 horas de teleoperación de robots (página de investigación de Nvidia).
- En pruebas de laboratorio, un brazo robótico de cinco dedos encendió un fósforo, cortó una banana y lanzó paquetes tras aprender únicamente de videos humanos (The Decoder).
- Las tasas de éxito variaron según la tarea, del 10 % al 80 % en experimentos con una sola demostración; con cinco demostraciones y menos de tres minutos de datos del robot, el éxito llegó al 95 % (The Decoder).
- Al combinarlo con un modelo de lenguaje de nivel superior, el ensamblaje de autos de juguete tuvo éxito en al menos el 97 % de las pruebas, frente al 23 % sin ese modelo (The Decoder).
- GR00T 2 Turbo funciona en una computadora integrada Jetson Thor, realiza cada predicción en 124 ms y logra un 93 % de éxito al despejar mesas (página de investigación de Nvidia).

## Por qué importa

Para los fabricantes, el modelo podría reducir el tiempo y el costo de programar brazos robóticos para nuevas tareas, ya que quizá baste una sola demostración humana. Sin embargo, la necesidad actual de modelos de lenguaje externos y la falta de sensores táctiles indican que los robots aún no están listos para líneas de producción totalmente fiables.

## Fuentes y referencias

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

Última actualización: 2026-11-10