上周,圈内人的目光大多聚焦于黄仁勋的“大瓜”,以至于很多人错过了英伟达一次颇具深意的技术更新。就在那场风波的三天前,11月9日,英伟达在美国奥斯汀的机器人学习大会CoRL上,正式发布了新一代机器人基础模型——GR00T 2。
发布会上,英伟达机器人研究负责人Jim Fan用一句“凛冬将至”作为开场,直指GPT-6 Astra等通用推理模型给机器人研究者带来的冲击:当通用大模型也能直接控制机器人,专门研发机器人“大脑”还有必要吗?然而,演讲结尾,他话锋一转,宣布“夏天来了”。让他如此乐观的,正是GR00T 2。
这颗机器人大脑,究竟强在哪里?
学会预测后果的“大脑”
相比前代,GR00T 2的核心进步在于其世界动作模型(WAM)架构。传统的视觉语言动作模型(VLA)只是根据画面和指令预测下一个动作。GR00T 2则更进一步,通过一个扩散Transformer,同时预测未来画面和机器人动作。这意味着,当机器人准备将零件插入插槽时,它不仅要预测机械臂的移动轨迹,还要预判零件接触插槽后,环境会发生什么变化。
这项设计的关键在于,它让机器人能够从海量的人类第一视角视频中直接学习操作经验,而不再过度依赖昂贵、费时的带有控制信息的遥操作数据。英伟达披露的数据显示,GR00T 2的预训练使用了约40.3万小时人类第一视角视频、1万小时手持夹爪示范,以及2.35万小时机器人遥操作数据。在一组对照实验中,随着人类视频训练规模的扩大,模型在72项真机任务上的成功指标从50%提升至70%,这为业界此前备受关注的Ego数据提供了有力的技术验证。
跨构型技能迁移与快速学习
GR00T 2的另一个突破是跨构型技能迁移(X-Adapt)。简单来说,一个机器人可以通过观察人类或不同型号的机器人示范,来学习自己从未执行过的任务。例如,在化学实验中,机器人仅通过观看人类示范,就能以65%的成功率完成漏斗铺设、润湿滤纸等精细操作。另一项测试中,一台YAM机械臂仅通过手持夹爪的示范,就能以60%的成功率组装一辆玩具卡车。当然,目标机器人仍需要一部分通用动作数据来适应自身硬件结构。
更直观的进步体现在学习新任务的效率上。英伟达在50项目标机器人从未执行过的任务中测试:GR00T 2的零样本平均成功率为40%;每项任务增加一次示范并微调后,成功率飙升至71%;增加到五次示范(收集数据不足3分钟,在单张RTX 5090显卡上微调约30分钟)后,平均成功率达到了惊人的95%。
此外,GR00T 2还尝试解决复杂任务的错误恢复问题。英伟达采用分层控制架构:上层推理模型负责规划和检查,GR00T 2负责具体动作。一旦零件掉落,上层模型可以调用其他工具处理异常。在三类玩具的连续组装测试中,加入此机制后,每类100次尝试成功达97至98次,而单独使用动作模型时仅为71至84次。
为适应人形机器人的实时控制,英伟达还推出了轻量版GR00T 2 Turbo,可直接运行在宇树G1搭载的Jetson Thor上,单次动作预测耗时约124毫秒。
具身模型公司,正被巨头两面夹击
戏剧性的是,就在英伟达发布GR00T 2的当天,Anthropic也推出了新一代通用大模型Claude Fable 5.2。这款模型在展示中,已经能控制机器人完成拧瓶盖和绘画等任务。在RoboDojo仿真基准中,Fable 5.2取得了64.9%的成绩,超越了许多专门训练的机器人控制模型。
通用大模型正在加速向机器人领域延伸。这与GR00T 2并非纯粹的竞争关系。英伟达展示的分层架构中,上层用通用模型规划,下层用GR00T 2执行,两者可以协同工作。这意味着,未来机器人的“大脑”可能进一步分工。
对于具身模型创业公司而言,压力从两个方向传来:英伟达不断开放机器人基础模型,降低整机厂商从头训练的必要性;OpenAI、Anthropic等通用模型厂商则不断拓展能力,压缩专用模型的技术空间。当然,现阶段无论GR00T 2还是Fable 5.2,都未能在复杂工业场景中证明长期稳定性。拥有专有场景数据、成熟硬件适配和真实客户部署经验的企业,仍有机会建立优势。但随着基础模型不断提升行业的技术起点,创业公司证明自身价值的门槛正被悄然抬高。谁能迎来夏天,谁又将面对寒冬,最终还是要由真实市场给出答案。


