Le 9 novembre, NVIDIA a dévoilé GR00T 2, un modèle de fondation pour robots, lors de la Conference on Robot Learning (CoRL) à Austin, au Texas. Le changement central porte sur la manière d'apprendre : les robots ne dépendent plus uniquement de démonstrations réalisées sur de vrais robots, ils peuvent aussi acquérir des gestes précis en regardant des vidéos humaines en vue subjective. Dans l'évaluation de 50 tâches publiée par NVIDIA, le modèle a accompli au moins 40 tâches sans aucune démonstration spécifique, avec un taux de réussite moyen de 71 % pour une seule démonstration par tâche, et de 95 % avec cinq démonstrations.
GR00T 2 est un modèle d'action mondiale ouvert, construit sur la plateforme NVIDIA Cosmos, avec 2 milliards de paramètres. Ses données d'entraînement comprennent 100 000 heures de vidéos humaines en vue subjective publiées en open source par NVIDIA, et le jeu de données associé Human-1M-100K est diffusé sous licence CC BY 4.0, qui autorise l'usage commercial. Il peut transférer des compétences apprises à partir de démonstrations humaines vers des robots de formes différentes, et les agents IA peuvent enchaîner plusieurs compétences via son API et se remettre d'une erreur. Selon NVIDIA, GR00T 2 figure parmi les trois meilleurs modèles sur les quatre bancs d'essai RoboCasa365, RoboLab, RoboDojo et MolmoSpaces. Ont également été présentés le cadre d'entraînement en simulation open source Isaac Lab 3.0 et deux bancs d'essai industriels, DexBench et VABAR.
Les premiers utilisateurs visent tous l'usine et les services : Foxconn applique GR00T 2 à l'automatisation de la fabrication de serveurs, Siemens évalue des cas d'usage industriels, Nexuni le teste pour le traitement du linge par robot, et MicroAGI l'utilise pour brancher et débrancher des câbles Ethernet. Pour les équipes robotiques, le vrai changement est le coût des données : filmer des humains au travail coûte bien moins cher que de multiplier les démonstrations sur des robots réels, si bien que même de petites équipes peuvent constituer des données d'entraînement. Mais 95 % reste un score obtenu dans des tests contrôlés — une seule erreur sur une ligne de production peut l'arrêter, et un déploiement fiable est encore loin. Apprendre à partir de vidéos n'est pas non plus une idée propre à NVIDIA : Gemini 4 Argon de Google a lui aussi appris à lancer en regardant des vidéos, et Xingyuan Chorus transforme directement des vidéos d'opérations humaines en données d'entraînement pour robots.
La prochaine échéance est décembre : selon la page de recherche de NVIDIA, le code du modèle sera publié en décembre ; il faudra attendre pour savoir si les poids et les méthodes d'entraînement suivront, et sous quelle licence. Les scores tiers sur DexBench et VABAR valent aussi la peine d'être attendus : les chiffres de NVIDIA ne compteront vraiment que s'ils sont reproduits sur les robots d'autres entreprises. La CoRL se tient du 9 au 12 novembre à Austin, où Jim Fan, responsable de la robotique chez NVIDIA, a prononcé un discours d'ouverture.
