# 英伟达推出 GR00T 2：机器人可从人类视频中学习任务

> 这款新型世界动作模型能预测后续画面和机器人动作，让机器人通过一次人类示范学会技能。

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

英伟达宣布推出一款名为 GR00T 2 的新 AI 模型。该系统观看人类执行任务的第一人称视频后，会同时预测机器人将看到什么，以及应该如何移动。在实验室测试中，一台配有五指手部的机器人无需针对这些任务接受直接远程操控，就能划火柴、切香蕉或投递包裹。

英伟达将 GR00T 2 称为世界动作模型（WAM）。与前代 GR00T 1 不同，它不需要将语言指令与图像配对输入，而是使用扩散 Transformer，同时预测下一帧视频和相应的电机指令，对未来的视频画面和动作进行去噪处理。

## 模型如何学习

该模型使用海量数据集训练，其中包括约 400,000 小时的头戴式人类工作视频、10,184 小时的手持式 UMI 夹爪演示，以及 23,500 小时的机器人远程操控数据。英伟达表示，人类视频占数据集的大部分；增加人类视频数据量，可将机器人在真实环境中的任务成功率从 50 % 提高到 70 %。

当新机器人需要学习一项任务时，人类可以佩戴数据手套或手指外骨骼来演示步骤。系统会在视频预测中用机器人的手臂替换人类手臂，并提取相应的控制指令。英伟达称，只需几次演示，经过不到三分钟的常规训练后，成功率就能从 40 % 提高到 95 %。

## 表现与局限

在受控实验中，机器人仅凭一段人类视频就成功敲入钉子；配合 GPT‑6 Astra 等更高层级的语言模型时，玩具车组装任务在 97 % 的试验中成功。若不使用语言模型，成功率则降至 23 %。对于双足机器人，精简版 GR00T 2 Turbo 可在 Jetson Thor 机载计算机上运行，每次预测耗时 124 ms，能够完成舀爆米花、清理桌面和擦拭液体等任务；不过，擦拭液体的成功率不到一半。

英伟达指出，该模型仍面临多项难题：目前无法使用直接触觉传感器，有时会漏掉细微错误；此外，语言模型每个规划步骤会额外增加约七秒延迟，导致机器人在垃圾分类测试中约三分之一的时间处于闲置状态。

## 事实

- GR00T 2 的训练数据包括超过 400,000 小时的第一人称人类视频、10,184 小时的手持夹爪演示，以及 23,500 小时的机器人远程操控数据（英伟达研究页面）。
- 在实验室测试中，一只五指机器人手臂仅通过人类视频学习，就能划火柴、切香蕉和投递包裹（The Decoder）。
- 单次演示实验中，各任务的成功率从 10 % 到 80 % 不等；提供五次演示和不到三分钟的机器人数据后，成功率升至 95 %（The Decoder）。
- 与更高层级的语言模型结合后，玩具车组装任务在至少 97 % 的试验中成功；不使用该模型时，成功率为 23 %（The Decoder）。
- GR00T 2 Turbo 可在 Jetson Thor 机载计算机上运行，每次预测耗时 124 ms，清理桌面的成功率为 93 %（英伟达研究页面）。

## 为什么重要

对制造商而言，这款模型有望减少为机器人手臂编写新任务程序所需的时间和成本，因为机器人可能只需一次人类示范就能学会。不过，目前仍需借助外部语言模型，而且缺少触觉感知能力，因此机器人还无法胜任要求高度可靠的生产线工作。

## 来源与参考

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

最后更新: 2026-11-10