Am 9. November hat NVIDIA auf der Conference on Robot Learning (CoRL) in Austin, Texas, das Roboter-Grundlagenmodell GR00T 2 vorgestellt. Die zentrale Neuerung betrifft die Art des Lernens: Roboter sind nicht mehr nur auf Demonstrationen an echten Robotern angewiesen, sondern können feinmotorische Fähigkeiten auch erlernen, indem sie Egoperspektive-Videos von Menschen ansehen. In NVIDIAs Auswertung von 50 Aufgaben erledigte das Modell mindestens 40 Aufgaben wenigstens einmal ganz ohne aufgabenspezifische Demonstration; mit einer Demonstration pro Aufgabe lag die durchschnittliche Erfolgsquote bei 71 %, mit fünf Demonstrationen bei 95 %.
GR00T 2 ist ein offenes Weltaktionsmodell auf Basis der NVIDIA-Cosmos-Plattform mit zwei Milliarden Parametern. Zu den Trainingsdaten gehören 100.000 Stunden frei verfügbarer Egoperspektive-Videos von Menschen; der begleitende Datensatz Human-1M-100K erscheint unter einer CC-BY-4.0-Lizenz und darf kommerziell genutzt werden. Das Modell kann Fähigkeiten, die es aus menschlichen Demonstrationen gelernt hat, auf Roboter unterschiedlicher Bauart übertragen, und KI-Agenten können über eine Schnittstelle mehrere Fähigkeiten verketten und sich nach Fehlern selbst erholen. Laut NVIDIA zählt GR00T 2 bei den Benchmarks RoboCasa365, RoboLab, RoboDojo und MolmoSpaces jeweils zu den drei besten Modellen. Ebenfalls vorgestellt wurden das quelloffene Simulations-Trainingsframework Isaac Lab 3.0 sowie die beiden industriellen Evaluierungsbenchmarks DexBench und VABAR.
Die ersten Anwender blicken alle auf Fabrik und Service: Foxconn setzt GR00T 2 in der Automatisierung der Serverfertigung ein, Siemens prüft industrielle Einsatzszenarien, Nexuni testet es in der robotergestützten Wäschebearbeitung und MicroAGI nutzt es zum Umstecken von Ethernet-Kabeln. Für Roboterteams liegt die eigentliche Veränderung bei den Datenkosten: Menschen bei der Arbeit zu filmen ist weit günstiger, als Demonstration um Demonstration an echten Robotern durchzuführen — so können auch kleine Teams Trainingsdaten sammeln. Doch 95 % ist weiterhin ein Wert aus kontrollierten Tests; in der Produktion kann ein einziger Fehler die Linie stoppen, bis zu einem verlässlichen Einsatz ist es noch ein Weg. „Aus Videos lernen" ist auch keine Idee, die nur NVIDIA verfolgt: Googles Gemini 4 Argon lernte ebenfalls durch Zusehen das Werfen, und Xingyuan Chorus verwandelt menschliche Bedienvideos direkt in Roboter-Trainingsdaten.
Der nächste Termin ist der Dezember: Laut NVIDIAs Forschungsseite soll der Modellcode im Dezember veröffentlicht werden; ob Gewichte und Trainingsrezepte gleichzeitig erscheinen und wie die Lizenz aussieht, wird sich erst dann zeigen. Auch unabhängige Ergebnisse auf DexBench und VABAR lohnen das Warten — NVIDIAs eigene Zahlen zählen erst, wenn sie auf fremden Robotern reproduziert werden. Die CoRL läuft vom 9. bis 12. November in Austin; NVIDIAs Robotikchef Jim Fan hielt dort eine Keynote.
