GR00T 2 de NVIDIA aprende sobre todo de vídeo humano y necesita cinco demostraciones con robot para llegar al 95%

NVIDIA presentó GR00T 2 el 9 de noviembre en la Conference on Robot Learning (CoRL), en Austin: un modelo de mundo y acción abierto que predice a la vez el vídeo futuro y las acciones del robot. Su página de investigación detalla los datos de preentrenamiento: 402.730 horas de vídeo en primera persona de gente trabajando, 10.184 horas grabadas con una pinza UMI de mano y 23.500 horas de teleoperación de robots. El vídeo humano supone cerca del 92% de las horas; la teleoperación, alrededor del 5%.

El resultado que NVIDIA destaca muestra dónde siguen importando los datos de robot. El robot de prueba, una máquina de dos brazos con manos de Sharpa, nunca había hecho las 50 tareas evaluadas, que solo aparecían en vídeo humano o en datos de otros robots. Sin ejemplos, GR00T 2 acertó en el 40% de los intentos, según los investigadores de NVIDIA. Una demostración por tarea lo subió al 71%, y cinco, menos de tres minutos de datos de robot, al 95% tras un ajuste de 30 minutos en una sola RTX 5090. La habilidad general sale del vídeo barato; la parte propia de cada robot se ha reducido a minutos por tarea. Eso golpea más a las empresas que venden teleoperación por horas que a los rivales que hacen modelos.

Los fallos son de precisión, no de saber qué hacer

La lectura que hace NVIDIA de los fallos sin ejemplos apoya ese reparto. GR00T 2 suele dar los pasos correctos en el orden correcto, escriben los investigadores, y es un único paso el que se queda corto en precisión. Ese es el hueco que cierran unas pocas demostraciones. Con poco posentrenamiento, insertó módulos de memoria GB300 con dos manos Sharpa de 22 grados de libertad en el 85% de los intentos, y con un agente de razonamiento que lo usa como herramienta completó 292 de 300 montajes de juguetes.

En Japón, AIRoA llevó la misma idea más lejos tres días antes. Su modelo AIRoA-0, construido sobre los pesos π0.5 de Physical Intelligence, se entrenó con 16.151 horas de grabaciones con pinzas de mano y sin ninguna teleoperación de robots, y logró un 78% de media en diez tareas frente al 27% del mejor de otros cuatro modelos entrenados con los mismos datos, según informó la asociación el 6 de noviembre.

Más vídeo ayuda, pero despacio

El mejor argumento contra dar por muerta la teleoperación está en la propia prueba de escalado de GR00T 2. NVIDIA preentrenó cuatro versiones con el 0%, el 1%, el 10% y el 100% del vídeo humano y las midió en 72 tareas. El progreso en el robot real subió en cada paso, del 50% al 70%. Cien veces más vídeo compraron 20 puntos, y la mezcla sigue incluyendo 23.500 horas de teleoperación: las horas de robot no han desaparecido.

Pronto se podrá comprobar fuera de NVIDIA. La página de investigación dice que el código llegará en diciembre, y 100.000 horas del vídeo humano ya están abiertas en Hugging Face. Foxconn aplica GR00T 2 a la fabricación de servidores y Siemens lo está evaluando, según NVIDIA. El número que hay que mirar es el cinco: si sus ingenieros necesitan cinco demostraciones por tarea en una línea real, o cincuenta.