英伟达发布 GR00T 2 与机器人仿真更新

机器人能走路，离能插好网线、对齐齿轮、装好小零件，还有很长一段距离。NVIDIA 在得克萨斯州奥斯汀的 Conference on Robot Learning 上公布了 GR00T 2、Isaac Lab 3.0 等开放机器人项目，重点就是这些需要精细操作的任务。

这组发布值得关注的地方，是把通用模型、仿真训练、技能编排和评测连到了一起。不过，漂亮数字目前来自 NVIDIA 或合作伙伴的仿真与评测，距离真实产线的可靠性证明还有一步。

没见过任务，GR00T 2 能做到什么程度

GR00T 2 是基于 NVIDIA Cosmos 构建的开放世界动作模型。可以把它理解为面向机器人动作的通用模型：训练材料包含机器人和人类数据，其中有 100,000 小时 NVIDIA 开放的第一人称人类影像。

NVIDIA 给出了两组容易被混读的结果：

• 没有任务专用演示时，50 项评测任务中，有 40 项至少成功完成过一次。
• 每项任务提供 1 次演示后，50 项任务的平均成功率达到 71%；提供 5 次演示后，成功率升到 95%。

「至少成功过一次」证明模型有完成任务的能力，不等于它能稳定完成任务。 因此，不能把前一组结果直接写成「零样本成功率 80%」。

这些数据支持一个方向：通用训练可能让机器人少依赖逐任务教学，而少量演示可以进一步改善表现。但演示如何选择、每项任务测试多少次、失败如何分布，原文没有交代。

NVIDIA 还称，GR00T 2 在 RoboCasa365、RoboLab、RoboDojo 和 MolmoSpaces 四个公开基准上均进入前三。它也提供 API 和配套工具，允许 AI agents 串联技能、在出错后尝试恢复。这里的重点是让模型参与多步执行，而不只是完成一个孤立动作。

仿真为什么开始盯上电缆、布料和机械手

精细操作难在接触过程。电缆会弯，布料会变形，多关节机械手的动作还会互相影响。如果仿真对这些细节处理得不好，训练跑得再快，也可能学到现实中用不了的动作。

Isaac Lab 3.0 一方面允许 agents 协助搭建训练环境，另一方面增加了面向 GR00T 等基础模型的强化学习后训练库。它与 Newton 物理引擎更紧密地集成，用于模拟电缆、布料等可变形物体，以及关节众多的机械手。

在一项基于视觉的灵巧操作基准上，NVIDIA 报告，其训练吞吐量最高达到使用 PhysX 的 Isaac Lab 2.3 的 2.5 倍。这个限定不能省掉：它是特定基准的最高结果，不能推导成所有训练都快 2.5 倍。

另一项独立结果 AlphaNIST 更关注训练组织方式。它用单一策略覆盖 NIST Assembly Task Board 的全部 20 项任务，报告的训练成功率超过 98%；逐任务训练独立策略的对照为 81%，同时前者消耗的 GPU 时间约少 39 倍。

这说明多任务共用策略值得探索，但原文报告的是训练成功率，不能直接当成真实装配成功率。

Agent 编排技能，工程师还得能检查

机器人完成复杂工作，需要把单个技能拼成流程。原文提到，UC Berkeley 的 Graph-as-Policy 框架用 agents 将技能连接成机器人程序，让工程师在部署前阅读和检查。Ambi Robotics、Bosch Research 和 Siemens 正在探索这一框架。

对程序员来说，这个设计很熟悉：模型负责提出执行路径，程序结构负责把路径显式表达出来。可检查的流程，才方便定位某一步失败后该如何处理。

评测工具也在补齐。Isaac Lab-Arena 0.4 开发者预览版在会上推出，两个新的开放基准使用了它：

• RLWRLD 的 DexBench 包含 4 个场景、15 项任务，覆盖零售、物流、制造和酒店服务。
• UC Berkeley 的 VABAR 包含 6 项工业任务。

应用探索同样具体：Nexuni 测试衣物处理，Foxconn 将其用于服务器制造自动化，Siemens 正在评估 GR00T 2，MicroAGI 则使用强化训练版本，让机械臂执行 Ethernet 网线替换。原文将这些描述为试点或测试，没有提供生产部署的证据。

我的判断

我更看好这组发布对完整开发流程的补充：模型负责动作能力，仿真支持训练，基准提供比较方式，技能程序接受工程师检查。比起只看模型排行榜，这些环节更接近实际工程问题。

但现阶段还不能据此判断它比传统逐任务方案更适合一般团队。AlphaNIST 给出了特定任务集上的对照，GR00T 2 也给出了不同演示数量的结果；这些证据都有范围，原文没有提供真实产线中的长期成功率、人工介入频率或总体成本。

另外，「开放」不等于可以直接商用。原文没有给出具体许可证和定价，也没有讲清开放范围。准备采用之前，需要另行核对条款。

这是一组值得跟踪的研发结果，还不是机器人已经能够稳定接管精细装配的证明。

能拿来做什么

• 如果你在做机器人控制台或相关全栈平台，可以参考「技能串联、失败恢复、部署前检查」的流程设计，让操作人员看得见每一步执行及恢复路径。
• 如果你在用 Node 编排 AI agent，可以借鉴 Graph-as-Policy 的思路，把多步技能调用整理成可阅读、可检查的程序结构；原文没有给出 API 签名，不能直接据此写接入代码。
• 评估机器人模型时，把「至少成功一次」「平均成功率」「训练成功率」分开记录，并保留演示数量、任务集和仿真条件，避免拿不同口径的数字做选型。
• 准备试用 GR00T 2 或 Isaac Lab 3.0 时，先确认许可证和自身任务的匹配度，再测试电缆、布料等目标物体；特定基准的提速不能替代自己的验证。