11月9日、NVIDIAは米テキサス州オースティンで開催中のロボット学習会議CoRLで、ロボット基盤モデルGR00T 2を発表した。今回の核となる変化は学習方法だ。ロボットは実機での実演だけに頼らず、人間の一人称視点の動画を見るだけでも器用な操作を身につけられるようになった。NVIDIAが公表した50タスクの評価では、タスク専用の実演なしに40タスク以上を少なくとも1回は完了し、1タスクあたり1回の実演での平均成功率は71%、5回与えると95%に達した。
GR00T 2はNVIDIA Cosmosプラットフォームを基盤とするオープンなワールドアクションモデルで、パラメータ数は20億。学習データには10万時間のNVIDIAオープンソース人間一人称視点動画が含まれ、付随するHuman-1M-100KデータセットはCC BY 4.0ライセンスで公開され、商用利用も可能だ。人間の実演から学んだ技能を異なる形態のロボットへ転移でき、AIエージェントはAPIを通じて複数の技能をつなげて実行し、失敗から自力で回復できる。NVIDIAによると、GR00T 2はRoboCasa365、RoboLab、RoboDojo、MolmoSpacesの4ベンチマークすべてで上位3位以内に入った。同時に発表されたのは、オープンソースのシミュレーション学習フレームワークIsaac Lab 3.0と、DexBench、VABARという2つの産業用評価ベンチマークだ。
すでに試している企業はいずれも工場やサービスの現場を向いている。Foxconnはサーバー製造の自動化にGR00T 2を使い、Siemensは産業用途を評価中で、Nexuniはロボットによる洗濯物の取り扱いを試し、MicroAGIはイーサネットケーブルの抜き差しに使っている。ロボットチームにとって本当の変化はデータのコストだ。人が作業する様子を撮影するほうが、実機で何度も実演するよりはるかに安く、小規模なチームでも学習データを集められる。ただし95%はあくまで統制されたテストでの数字で、生産ラインでは一度のミスがラインを止めかねず、信頼できる導入まではまだ距離がある。「動画から学ぶ」はNVIDIAだけの発想でもない。GoogleのGemini 4 Argonも動画を見て投げることを覚え、行元Chorusは人間の操作動画をそのままロボットの学習データに変えている。
次に注目すべきは12月だ。NVIDIAの研究ページによるとモデルのコードは12月に公開される予定で、重みや学習レシピも同時に出るのか、ライセンスがどうなるのかはその時に判明する。DexBenchとVABARでの第三者によるスコアも待つ価値がある。NVIDIA自身の数字は、他者のロボットで再現されて初めて意味を持つ。CoRLは11月9日から12日までオースティンで開催され、NVIDIAのロボット責任者Jim Fanが基調講演を行った。
