具身 · 四十万小时人类视频打底：GR00T 2 看一遍示范，七成任务能上手

机器人学习长期卡在燃料上。遥操作数据是真金白银堆的：一台机器、一名操作员、一小时一小时地喂，喂出来的数据只对这一台机器、这一种身材有效。互联网上倒是不缺人类干活的视频——做饭、装配、理线——可惜镜头后面没有机器人，动作对不上，身体也对不上。

11 月 10 日，CoRL 2026 主会开场，NVIDIA 交出 GR00T 2，接替 N1 系列的开放世界动作模型，底座搭在自家 Cosmos 世界模型上。它的思路是让一套扩散 transformer 同时预测两样东西：接下来几秒的画面，和电机该收到的指令。输入是近期视频、语言指令、机器人状态；输出端每台机器人只挂一个小的专属头。Turbo 版 20 亿参数，在 Jetson Thor 上一次前向 124 毫秒。

真正的看点在燃料单。402,730 小时第一视角人类视频、10,184 小时手持夹爪演示、23,500 小时机器人遥操作——人类视频占了绝对大头，其中 10 万小时以开放数据集的名义挂上了 Hugging Face。按 NVIDIA 报告的数字，把这批视频加进训练后，72 个真机任务的平均进度从 50% 抬到 70%。

泛化成绩（自报口径）：50 个没见过的任务上，零示范平均成功率 40%，其中 40 个任务至少完整跑通过一次；每任务看一次示范，71%；看五次示范——加起来不到三分钟的机器人数据——95%，前提是在单张 RTX 5090 上微调半小时。在 RoboCasa365、RoboLab、RoboDojo、MolmoSpaces 四个基准上，它排进各自类别前三。

同场发布的 Isaac Lab 3.0 把 PhysX 与 Newton 两个物理引擎做成可切换：Newton 负责线缆、布料和多关节灵巧手，灵巧操作基准上训练吞吐提升至 2.5 倍；训练环境的搭建交给了 agent；一场装配任务演示里，agent 辅助训练以约 39 倍的 GPU 节省拿到 98% 以上的训练成功率。富士康、西门子在合作名单里，代码定于 12 月放出。

这份燃料单标记了一次转向：机器人的常识，开始从遥操作农场搬到互联网视频。人类四十万小时的日常动作垫在底下当先验，机器人自己的数据只负责最后几公里的校准。数据瓶颈没有消失，它换了流向。