كشفت NVIDIA عن GR00T 2 في 9 نوفمبر خلال مؤتمر التعلم الآلي للروبوتات (CoRL) في أوستن، تكساس — نموذج «عالم-فعل» بملياري معلمة يتعلم مهارات المناولة الدقيقة من فيديو بشري بمنظور الشخص الأول. وهو مبني على NVIDIA Cosmos ويخلف سلسلة GR00T N1 من نماذج الروبوتات الأساسية.

وعلى عكس نماذج الرؤية-اللغة-الفعل التقليدية التي تربط إطارات الكاميرا مباشرة بحركات المفاصل، يتنبأ GR00T 2 بإطارات الفيديو التالية مع إجراءات الروبوت التالية في محول انتشار واحد. والتنبؤ بكيفية تحرك الأشياء والأيدي في فضاء البكسل يتيح له نقل الحدس الفيزيائي من مقاطع فيديو بشرية لا تحمل أي تسميات لأفعال الروبوت.

حجم التدريب هو القصة: 402,730 ساعة من فيديو بشري بمنظور الشخص الأول، و10,184 ساعة من عروض القابض اليدوي عبر 2,897 مهمة، و23,500 ساعة من التشغيل عن بُعد للروبوتات. وتذكر NVIDIA أن النموذج أكمل 40 من 50 مهمة مقيَّمة مرة واحدة على الأقل دون أي عروض خاصة بالمهمة، وبنسبة نجاح 71% مع عرض واحد لكل مهمة، و95% مع خمسة عروض. وهذه الأرقام صادرة عن الشركة.

وإلى جانب النموذج، أصدرت NVIDIA مجموعة Human-1M-100K، وهي عينة مفتوحة من 100,000 ساعة من بيانات الفيديو البشرية بموجب ترخيص CC BY 4.0، وقدمت Isaac Lab 3.0، إطار عملها مفتوح المصدر لتدريب الروبوتات، الذي يأتي الآن مع محرك الفيزياء Newton وما يصل إلى 2.5× سرعة التدريب مقارنة بالإصدار 2.3 في معيار مناولة دقيقة.

الأوزان لم تصدر بعد: تقول NVIDIA إن GR00T 2 ونسخة أخف GR00T 2 Turbo ستُنشران كمصدر مفتوح في ديسمبر، مع وصفة التدريب. وتختبر Nexuni النموذج بالفعل في التعامل الروبوتي مع الغسيل، وتطبقه Foxconn في أتمتة تصنيع الخوادم، وتقيّم Siemens حالات استخدام صناعية — وكل ذلك اختبار وتقييم حتى الآن، دون أي طرح إنتاجي معلن.

المصادر