# انویدیا مدل GR00T 2 را معرفی کرد؛ یادگیری مهارت‌های ربات با ویدئوی انسان‌ها

> مدل جدید پیش‌بینی ویدئو و حرکت ربات را با هم انجام می‌دهد و به ربات‌ها امکان می‌دهد با تماشای یک نمایش انسانی، مهارت بیاموزند.

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

انویدیا از مدل هوش مصنوعی جدیدی به نام GR00T 2 رونمایی کرد. این سامانه ویدئوی اول‌شخصِ انجام کارها توسط انسان‌ها را تماشا می‌کند و سپس هم آنچه ربات خواهد دید و هم نحوه حرکتش را پیش‌بینی می‌کند. در آزمایش‌های آزمایشگاهی، رباتی با دست‌های پنج‌انگشتی توانست بدون هدایت مستقیم از راه دور برای انجام این کارها، کبریت روشن کند، موز ببرد یا بسته‌ها را پرتاب کند.

انویدیا GR00T 2 را یک مدل جهان-کنش (WAM) توصیف می‌کند. برخلاف نسخه قبلی، GR00T 1، این مدل به فرمان‌های زبانیِ همراه با تصویر نیاز ندارد. در عوض، با استفاده از یک ترنسفورمر انتشار، هم‌زمان فریم بعدی ویدئو و فرمان حرکتی متناظر با آن را پیش‌بینی می‌کند و نویز ویدئو و حرکت‌های آینده را می‌زداید.

## مدل چگونه یاد می‌گیرد

این مدل با مجموعه‌داده‌ای عظیم آموزش دیده که شامل حدود 400,000 ساعت ویدئوی سربند از کار انسان‌ها، 10,184 ساعت نمایش کار با گریپر دستی UMI و 23,500 ساعت هدایت ربات از راه دور است. انویدیا می‌گوید بخش عمده داده‌ها را ویدئوهای انسانی تشکیل می‌دهند و افزایش حجم این ویدئوها، موفقیت ربات در انجام وظایف را در ربات‌های واقعی از 50 % به 70 % می‌رساند.

وقتی ربات جدیدی باید کاری را یاد بگیرد، انسان می‌تواند مراحل آن را با دستکش‌های داده یا اسکلت بیرونی انگشتان نمایش دهد. سامانه در پیش‌بینی ویدئویی خود بازوی انسان را با بازوی ربات جایگزین می‌کند و فرمان‌های کنترلی متناظر را استخراج می‌کند. انویدیا گزارش می‌دهد که پس از کمتر از سه دقیقه آموزش معمول، نرخ موفقیت با تنها چند نمایش از 40 % به 95 % افزایش یافته است.

## عملکرد و محدودیت‌ها

در آزمایش‌های کنترل‌شده، ربات با تماشای یک ویدئوی انسانی توانست میخ بکوبد و وقتی با یک مدل زبانیِ سطح‌بالاتر مانند GPT‑6 Astra همراه شد، در 97 % از آزمایش‌ها ماشین‌های اسباب‌بازی را مونتاژ کرد. بدون مدل زبانی، موفقیت به 23 % کاهش یافت. نسخه باریک‌تر این مدل، GR00T 2 Turbo، برای ربات‌های دوپا روی رایانه داخلی Jetson Thor اجرا می‌شود؛ هر پیش‌بینی را در 124 ms انجام می‌دهد و از پس کارهایی مانند برداشتن پاپ‌کورن با قاشق، جمع‌کردن میز و پاک‌کردن مایعات برمی‌آید، هرچند پاک‌کردن مایعات در کمتر از نیمی از تلاش‌ها موفق بود.

انویدیا به چند مانع اشاره می‌کند: مدل هنوز نمی‌تواند از حسگرهای لمسی مستقیم استفاده کند، گاهی خطاهای ظریف را تشخیص نمی‌دهد و مدل زبانی در هر مرحله برنامه‌ریزی حدود هفت ثانیه تأخیر ایجاد می‌کند. در نتیجه، هنگام آزمایش دسته‌بندی زباله، ربات حدود یک‌سوم زمان بیکار می‌ماند.

## حقایق

- GR00T 2 با بیش از 400,000 ساعت ویدئوی اول‌شخص از انسان‌ها، 10,184 ساعت نمایش با گریپر دستی و 23,500 ساعت هدایت ربات از راه دور آموزش دیده است (صفحه پژوهشی انویدیا).
- در آزمایش‌های آزمایشگاهی، یک بازوی رباتیک پنج‌انگشتی تنها با یادگیری از ویدئوی انسان توانست کبریت روشن کند، موز ببرد و بسته‌ها را پرتاب کند (The Decoder).
- نرخ موفقیت در آزمایش‌های تک‌نمایشی، بسته به کار، از 10 % تا 80 % متغیر بود؛ با پنج نمایش و کمتر از سه دقیقه داده از ربات، موفقیت به 95 % رسید (The Decoder).
- وقتی این مدل با یک مدل زبانیِ سطح‌بالاتر ترکیب شد، مونتاژ ماشین اسباب‌بازی دست‌کم در 97 % از آزمایش‌ها موفق بود؛ این رقم بدون مدل زبانی 23 % بود (The Decoder).
- GR00T 2 Turbo روی رایانه داخلی Jetson Thor اجرا می‌شود، هر پیش‌بینی را در 124 ms انجام می‌دهد و در جمع‌کردن میز به موفقیت 93 % دست می‌یابد (صفحه پژوهشی انویدیا).

## چرا مهم است

برای تولیدکنندگان، این مدل می‌تواند زمان و هزینه برنامه‌ریزی بازوهای رباتیک برای کارهای تازه را کاهش دهد، چون شاید یک نمایش انسانی کافی باشد. بااین‌حال، نیاز فعلی به مدل‌های زبانی بیرونی و نبود حسگر لمسی نشان می‌دهد که ربات‌ها هنوز برای کار در خطوط تولید کاملاً قابل‌اعتماد آماده نیستند.

## منابع و ارجاع‌ها

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

آخرین به‌روزرسانی: 2026-11-10