英伟达 GR00T 2 主要靠人类视频学习，再用 5 次机器人示范把成功率拉到 95%

英伟达 11 月 9 日在奥斯汀举行的机器人学习大会（CoRL）上发布 GR00T 2。这是一个开放的世界–动作模型，同时预测未来画面和机器人动作。研究页面列出了预训练数据：402,730 小时人在工作时的第一视角视频，10,184 小时手持 UMI 夹爪录制的数据，以及 23,500 小时机器人遥操作数据。按小时算，人类视频约占 92%，遥操作约占 5%。

英伟达主打的结果，恰好说明机器人数据还在哪里起作用。目标机器人是一台装两只 Sharpa 灵巧手的双臂机器，测试的 50 个任务它从没做过，只出现在人类视频或其他机器人的数据里。英伟达研究人员报告，GR00T 2 零样本成功率为 40%；每个任务给 1 次示范升到 71%，给 5 次示范（机器人数据不到 3 分钟），在单张 RTX 5090 上微调 30 分钟后达到 95%。通用能力来自便宜的视频，针对具体机器人的那一段缩短到每个任务几分钟。这对按小时卖遥操作数据的公司冲击更大，对竞争的模型公司反而没那么大。

失败多在精度，不在“不知道做什么”

英伟达自己对零样本失败的分析也支持这种分工。研究人员写道，GR00T 2 通常步骤和顺序都对，只是某一步精度不够，而这正是几次示范能补上的。经过少量后训练，它用两只 22 自由度的 Sharpa 灵巧手插装 GB300 内存条，成功率 85%；由推理智能体把它当工具调用时，300 次玩具组装完成了 292 次。

三天前，日本 AIRoA 把同一思路推得更远。AIRoA 11 月 6 日称，其 AIRoA-0 模型基于 Physical Intelligence 的 π0.5 权重，用 16,151 小时手持夹爪录制数据训练，完全没有机器人遥操作数据；在 10 个任务上平均成功率 78%，用同样数据训练的另外四个模型里最好的只有 27%。

视频越多越好，但涨得慢

反对“遥操作数据不重要”的最强证据，就在 GR00T 2 自己的扩展实验里。英伟达分别用 0、1%、10% 和 100% 的人类视频预训练四个版本，在 72 个任务上测试，真机任务进度每一档都在涨，从 50% 升到 70%。视频多了 100 倍，换来 20 个百分点；数据里也仍有 23,500 小时遥操作，机器人数据并没有消失。

这些说法很快就能在英伟达之外检验。研究页面称代码 12 月发布，10 万小时人类视频已在 Hugging Face 开放。据英伟达，富士康正把 GR00T 2 用于服务器制造，西门子在评估它。要看的数字是 5：他们的工程师在真实产线上，每个任务需要 5 次示范，还是 50 次。