# Nvidia presenta GR00T 2, il modello che impara dai video umani

> Il nuovo modello world-action prevede video e movimenti futuri, così i robot possono apprendere abilità da una singola dimostrazione umana.

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

Nvidia ha annunciato un nuovo modello di IA chiamato GR00T 2. Il sistema osserva video in prima persona di persone impegnate in varie attività e poi prevede sia ciò che vedrà il robot sia come dovrà muoversi. Nei test di laboratorio, un robot con mani a cinque dita è riuscito ad accendere un fiammifero, affettare una banana o lanciare pacchi, senza teleoperazione diretta per svolgere queste attività.

Nvidia descrive GR00T 2 come un modello world-action (WAM). A differenza del predecessore GR00T 1, non ha bisogno di comandi vocali abbinati a immagini. Prevede invece contemporaneamente il fotogramma video successivo e il comando motorio corrispondente, usando un diffusion transformer per ricostruire video e movimenti futuri.

## Come impara il modello

Il modello è stato addestrato su un enorme set di dati che comprende circa 400,000 ore di video di persone al lavoro riprese con telecamere indossate sulla testa, 10,184 ore di dimostrazioni con una pinza UMI portatile e 23,500 ore di teleoperazione di robot. Nvidia afferma che i video umani costituiscono la maggior parte dei dati e che aumentandone la quantità il tasso di successo dei robot nelle attività passa dal 50 % al 70 % su robot reali.

Quando un nuovo robot deve imparare un’attività, una persona può mostrarne i passaggi usando guanti con sensori o un esoscheletro per le dita. Il sistema sostituisce il braccio umano nel video previsto con quello del robot ed estrae i comandi di controllo corrispondenti. Nvidia riferisce che bastano poche dimostrazioni per far salire il tasso di successo dal 40 % al 95 % dopo meno di tre minuti di addestramento convenzionale.

## Prestazioni e limiti

In esperimenti controllati, un robot è riuscito a piantare chiodi guardando un singolo video umano e ha assemblato macchinine giocattolo nel 97 % dei tentativi se abbinato a un modello linguistico di livello superiore come GPT-6 Astra. Senza il modello linguistico, il tasso di successo è sceso al 23 %. Per i robot bipedi, una versione più leggera chiamata GR00T 2 Turbo gira sul computer di bordo Jetson Thor, impiega 124 ms per ogni previsione e gestisce attività come raccogliere popcorn, sparecchiare e asciugare liquidi; quest’ultima operazione è però riuscita in poco meno della metà dei tentativi.

Nvidia segnala diversi ostacoli: il modello non è ancora in grado di usare sensori tattili diretti, a volte non rileva errori sottili e il modello linguistico aggiunge una latenza di circa sette secondi per ogni fase di pianificazione. Nei test di smistamento dei rifiuti, questo ha lasciato il robot inattivo per circa un terzo del tempo.

## I fatti

- GR00T 2 è stato addestrato su oltre 400,000 ore di video umano in prima persona, 10,184 ore di dimostrazioni con pinza portatile e 23,500 ore di teleoperazione di robot (pagina di ricerca Nvidia).
- Nei test di laboratorio, un braccio robotico a cinque dita ha acceso un fiammifero, affettato una banana e lanciato pacchi dopo aver imparato esclusivamente da video umani (The Decoder).
- I tassi di successo variavano dal 10 % all’80 % a seconda dell’attività negli esperimenti con una singola dimostrazione; con cinque dimostrazioni e meno di tre minuti di dati del robot, il successo è salito al 95 % (The Decoder).
- Con un modello linguistico di livello superiore, l’assemblaggio delle macchinine giocattolo è riuscito in almeno il 97 % dei tentativi, contro il 23 % senza il modello (The Decoder).
- GR00T 2 Turbo gira sul computer di bordo Jetson Thor, effettua ogni previsione in 124 ms e raggiunge il 93 % di successo nello sparecchiare (pagina di ricerca Nvidia).

## Perché conta

Per i produttori, il modello potrebbe ridurre il tempo e i costi necessari per programmare i bracci robotici in modo che svolgano nuove attività, dato che potrebbe bastare una sola dimostrazione umana. Tuttavia, la necessità attuale di ricorrere a modelli linguistici esterni e l’assenza di sensori tattili indicano che i robot non sono ancora pronti per linee di produzione pienamente affidabili.

## Fonti e riferimenti

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

Ultimo aggiornamento: 2026-11-10