# Nvidia apresenta GR00T 2, modelo que aprende tarefas com vídeos humanos

> O novo modelo de ação no mundo prevê vídeos e movimentos futuros, permitindo que robôs aprendam habilidades com uma única demonstração humana.

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

A Nvidia anunciou um novo modelo de IA chamado GR00T 2. O sistema observa vídeos em primeira pessoa de pessoas realizando tarefas e prevê tanto o que o robô verá quanto como deverá se mover. Em testes de laboratório, um robô com mãos de cinco dedos conseguiu acender um fósforo, cortar uma banana e arremessar pacotes sem teleoperação direta para essas tarefas.

A Nvidia descreve o GR00T 2 como um modelo de ação no mundo (WAM). Diferentemente de seu antecessor, o GR00T 1, ele não precisa de comandos de linguagem associados a imagens. Em vez disso, prevê ao mesmo tempo o próximo quadro do vídeo e o comando motor correspondente, usando um transformador de difusão para remover ruído das previsões de vídeo e de movimentos.

## Como o modelo aprende

O modelo foi treinado com um conjunto de dados enorme, que inclui cerca de 400.000 horas de vídeos de pessoas trabalhando, gravados com câmeras montadas na cabeça; 10.184 horas de demonstrações com uma pinça UMI portátil; e 23.500 horas de teleoperação de robôs. A Nvidia afirma que os vídeos humanos representam a maior parte dos dados e que aumentar esse volume eleva de 50 % para 70 % o índice de sucesso dos robôs em tarefas no mundo real.

Quando um robô novo precisa aprender uma tarefa, uma pessoa pode demonstrar as etapas usando luvas com sensores ou um exoesqueleto para os dedos. O sistema substitui o braço humano pelo braço do robô na previsão do vídeo e extrai os comandos de controle correspondentes. Segundo a Nvidia, com apenas algumas demonstrações, o índice de sucesso subiu de 40 % para 95 % após menos de três minutos de treinamento convencional.

## Desempenho e limitações

Em experimentos controlados, um robô conseguiu martelar pregos a partir de um único vídeo humano e montou carrinhos de brinquedo em 97 % das tentativas quando combinado com um modelo de linguagem de nível superior, como o GPT-6 Astra. Sem o modelo de linguagem, o índice caiu para 23 %. Para robôs bípedes, uma versão mais compacta, chamada GR00T 2 Turbo, roda no computador de bordo Jetson Thor, leva 124 ms por previsão e realiza tarefas como pegar pipoca com uma colher, limpar mesas e enxugar líquidos — embora tenha conseguido enxugar líquidos em pouco menos da metade das tentativas.

A Nvidia aponta alguns obstáculos: o modelo ainda não consegue usar sensores táteis diretamente, às vezes não percebe erros sutis e o modelo de linguagem acrescenta cerca de sete segundos de latência a cada etapa de planejamento. Com isso, o robô fica parado por aproximadamente um terço do tempo nos testes de separação de lixo.

## Os fatos

- O GR00T 2 foi treinado com mais de 400.000 horas de vídeos humanos em primeira pessoa, 10.184 horas de demonstrações com uma pinça portátil e 23.500 horas de teleoperação de robôs (página de pesquisa da Nvidia).
- Em testes de laboratório, um braço robótico com cinco dedos acendeu um fósforo, cortou uma banana e arremessou pacotes após aprender apenas com vídeos humanos (The Decoder).
- Os índices de sucesso variaram conforme a tarefa, de 10 % a 80 % em experimentos com uma única demonstração; com cinco demonstrações e menos de três minutos de dados do robô, o índice subiu para 95 % (The Decoder).
- Combinada com um modelo de linguagem de nível superior, a montagem de carrinhos de brinquedo teve sucesso em pelo menos 97 % das tentativas, contra 23 % sem o modelo (The Decoder).
- O GR00T 2 Turbo roda no computador de bordo Jetson Thor, leva 124 ms por previsão e tem 93 % de sucesso na limpeza de mesas (página de pesquisa da Nvidia).

## Por que importa

Para os fabricantes, o modelo pode reduzir o tempo e o custo de programar braços robóticos para novas tarefas, já que uma única demonstração humana pode ser suficiente. No entanto, a necessidade atual de modelos de linguagem externos e a ausência de sensoriamento tátil mostram que os robôs ainda não estão prontos para linhas de produção totalmente confiáveis.

## Fontes e referências

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 atualização: 2026-11-10