NVIDIAのGR00T 2、学習の大半は人間の動画　ロボットの実演5回で成功率95%に

NVIDIAはCoRLで世界行動モデルGR00T 2を発表した。事前学習データは約43万6000時間で、92%が人間の動画だ。対象ロボットが練習したことのない50タスクで、ゼロショットの成功率は40%、実演5回で95%に上がる。ロボットデータで高くつく部分は、タスクごとの最後の数分に移った。

Robrief編集部

2026年11月9日3分で読めます出典確認済み

NVIDIAは11月9日、テキサス州オースティンで開かれたロボット学習の国際会議CoRLでGR00T 2を発表した。未来の映像とロボットの動作を同時に予測するオープンな世界行動モデルだ。研究ページによると、事前学習には人が働く様子を一人称視点で撮った動画40万2730時間、手持ちのUMIグリッパーで記録したデータ1万184時間、ロボットのテレオペレーションデータ2万3500時間を使った。時間ベースで人間の動画が約92%、テレオペレーションは約5%にとどまる。

NVIDIAが前面に出した結果は、ロボットデータがまだどこで効くかを示している。対象は2本のSharpa製多指ハンドを持つ双腕ロボットで、テストした50タスクはこのロボットでは一度も行っておらず、人間の動画か他のロボットのデータにだけ含まれていた。NVIDIAの研究者によれば、GR00T 2のゼロショット成功率は40%。タスクごとに実演を1回与えると71%、5回（ロボットデータで3分未満）与えてRTX 5090 1枚で30分微調整すると95%になった。汎用的な能力は安い動画から、ロボット固有の部分はタスクあたり数分に縮んだ。打撃が大きいのは競合のモデル開発企業より、テレオペレーションを時間単位で売る企業のほうだ。

失敗の原因は精度で、何をすべきかではない

ゼロショットの失敗についてのNVIDIA自身の分析も、この分担を裏付ける。GR00T 2はたいてい正しい手順を正しい順に実行し、どこか1つのステップで精度が足りなくなる、と研究者は書く。数回の実演で埋まるのはまさにこの差だ。わずかな追加学習で、22自由度のSharpaハンド2本を使ったGB300メモリーモジュールの装着は成功率85%。推論エージェントがツールとして呼び出す構成では、おもちゃの組み立て300回のうち292回をやり遂げた。

ニュースレター

Robrief Weekly

重要なロボットニュースを週1回お届け。無料・いつでも解除できます。

日本のAIRoA（AIロボット協会）は3日早く、同じ考えをさらに推し進めた。11月6日に公開したAIRoA-0は、Physical Intelligenceのπ0.5の重みを出発点に、手持ちグリッパーで集めた1万6151時間のデータで学習し、ロボットのテレオペレーションデータは一切使っていない。10タスクの平均成功率は78%で、同じデータで学習した他の4モデルのうち最良のものは27%だったという。

動画を増やせば伸びるが、伸び方は緩やか

テレオペレーション不要論への最も強い反証は、GR00T 2自身のスケーリング実験にある。NVIDIAは人間の動画を0%、1%、10%、100%使った4つの版を事前学習し、72タスクで比べた。実機でのタスク進捗はどの段階でも上がり、50%から70%になった。動画を100倍にして得たのは20ポイントで、データには今も2万3500時間のテレオペレーションが含まれる。ロボットの稼働時間が不要になったわけではない。

主張はまもなくNVIDIAの外で検証できる。研究ページによればコードは12月に公開予定で、人間の動画のうち10万時間はすでにHugging Faceで公開されている。NVIDIAによると、FoxconnはGR00T 2をサーバー製造に適用し、Siemensは評価を進めている。見るべき数字は5だ。現場のエンジニアがタスクごとに必要とするのは5回の実演か、それとも50回か。