.png?table=collection&id=cbe6506e-1263-8358-a4d7-07ce62fcbb3f&t=cbe6506e-1263-8358-a4d7-07ce62fcbb3f){kind=small}
ARTICLE SIGNAL
英伟达GR00T 2开源撞车Fable 5.2：具身智能迎来真正夏天
英伟达开源新一代机器人世界动作模型GR00T 2，通过40万小时人类数据与X-Adapt实现跨本体迁移，撞车Claude Fable 5.2具身测试，全面解读大模型与人工智能在机器人领域的爆发。
type
status
date
slug
summary
tags
category
icon
password
网址
在人工智能与机器人交叉的最前沿，一场关乎物理世界控制权的深刻变革正在拉开序幕。在奥斯汀举办的CoRL大会上，英伟达GEAR团队负责人朱玉可与Jim Fan正式公布了新一代具身智能基础模型——GR00T 2，并宣布将陆续开源模型、数据、硬件与仿真工具链。几乎与此同时，Anthropic发布的Claude Fable 5.2在机器人仿真测试中亦展现出极其惊艳的表现。
面对技术撞车与行业竞争，Jim Fan在现场发出了标志性的论断：“这不是寒冬，这是机器人的夏天。”从过去高度依赖专用遥操作数据的机械死板，到如今通用的世界动作模型（World Action Model），具身智能的进化速度正在逼近甚至重合大语言模型（LLM）的发展轨迹。本文将深入解析GR00T 2的核心架构创新、跨本体迁移能力，以及多模态大模型如何重塑未来机器人的开发范式。
重新定义物理智能：世界动作模型的快系统逻辑
传统具身智能面临的最大难题在于：机器人往往只能被动响应指令，而缺乏对物理世界状态变化的提前预判。GR00T 2被英伟达定义为一款“世界动作模型”（World Action Model），其本质是将“环境将如何演变”与“机器人应当做出何种动作”合二为一。
基于扩散Transformer（Diffusion Transformer）架构，GR00T 2能够同时输入文本提示词（Prompt）、多视角摄像头视频流以及本体机械状态，端到端地同步预测未来的视觉画面与多关节连续动作序列。这一设计使得机器人不再依赖机械式的单帧反应，而是具备了短程物理世界推演的能力。
在架构分层上，Jim Fan将其清晰定位为认知架构中的“System 1（快系统）”。上层通过大型推理模型（如强化后的LLM或多模态智能体）作为慢系统，负责宏观任务拆解与逻辑推理；下层的GR00T 2则以毫秒级响应负责高动态、实时的物理执行。这种快慢分工不仅降低了整体系统的调用延迟，也极大简化了提示词与技能调度的接口复杂度。
X-Adapt跨本体适配：打破硬件形态的数据壁垒
长期以来，机器人训练中最昂贵的成本在于“数据不可复用”。换了一台机械臂或不同的灵巧手，往往就意味着过去的遥操作轨迹全部作废。GR00T 2带来的最重磅技术突破正是X-Adapt跨本体适配技术，其核心思想是让机器人直接从人类行为或其他形态的硬件示范中汲取经验。
英伟达在实际验证中展示了三条极具革命性的技能迁移路径：
- 人类示范直接迁移到多指机械手：人类研究人员穿戴动捕设备示范过滤纸操作，双五指灵巧手在没有任何专属机器人遥操作示范的前提下，凭借人类动作视频的迁移，在20次测试中取得了65%的零阶段执行成功率。
- 手持简易夹爪迁移到复杂工业臂：使用低成本手持UMI夹爪记录的操作数据，可以直接投射到结构完全不同的YAM机械臂上，完成长达4分钟的多步骤玩具自卸卡车拼装。
- 外骨骼操作微调机器人灵巧手：研究人员佩戴DexUMI外骨骼记录的食物制作动作，能够被高保真微调到实体机器人上，实现切水果、舀取麦片等精细化早餐制作。
这一飞跃意味着机器人开发者未来无需再为每一款新硬件重复造轮子。人类天生积累的动作库和日常视频，首次拥有了直接转化为机器行动策略的桥梁。
40万小时人类经验注入：数据金字塔与开源生态
大模型领域 Scaling Law（尺度定律）的有效性，正在具身智能领域被二次验证。GR00T 2之所以能够实现跨任务、跨形态的泛化能力，底层支撑是一座规模空前的数据金字塔：
- 超过40万小时的人类第一视角日常视频；
- 逾1万小时的手持UMI高精度示范，涵盖近3000项具体操作；
- 约2.35万小时的多类型机器人遥操作真实数据。
消融实验直接证明了人类视觉数据的决定性价值：随着训练集中第一视角人类视频比例的增加，机器人在真实复杂任务中的平均完成进度从50%直线上升至70%。海量真实世界视频让模型不仅学会了“手眼协调”，更深刻理解了物体的刚体结构、弹性碰撞与重力规律。
更具行业颠覆性的是英伟达的全栈开源战略。除了已经率先开放的10万小时人类数据集子集，英伟达还将逐步开放采集设备硬件设计规范、SimFoundry高保真仿真环境，以及机载轻量化部署套件。在端侧硬件上，通过Turbo轻量化网络与SONIC全身控制器，可在Jetson Thor与Orin边缘算力上以50Hz的超高频控制机器人协调运动，真正实现了从“模型开源”到“工具链工业化”的跨越。
双雄并峙：具身专用模型与多模态大模型的未来交锋
在GR00T 2震撼开源的同时，Anthropic公布的Claude Fable 5.2在RoboDojo仿真双臂测试中的高分表现，同样引起了AI业界的广泛讨论。测试数据显示，在最高推理强度的支持下，Fable 5.2的仿真双臂控制得分达到了64.9%，远超此前基准。
这种碰撞揭示了当下AGI探索物理世界的两条截然不同的演进路线：
- 具身原生派（如英伟达GR00T 2）：立足物理世界的第一性原理，通过世界模型推演动作序列，追求毫秒级的物理保真度与高动态控制力。
- 语言多模态派（如OpenAI、Anthropic等）：以超强逻辑推理为核，将物理动作作为Token输出，依赖深邃的语言理解直接驱动机器人动作。
然而正如Jim Fan所指出的，这绝不是相互扼杀的寒冬，而是相得益彰的夏天。具身模型与大型LLM正在形成完美的上下游协作关系。通过英伟达开放的WAM API，开发者可以使用顶尖的通用大模型来分析任务目标、规划执行策略，随后将指令通过自然语言Prompt下发给底层的GR00T 2执行物理微调，最终在单张消费级显卡（如RTX 5090）上仅耗时半小时即可完成专业任务微调。
结论：物理世界迎来破晓时刻
从纯文本交互的ChatGPT、Claude，到如今能够拿起工具、走进工厂与家庭的具身智能体，人工智能正在以前所未有的速度突破屏幕的物理束缚。英伟达GR00T 2的开源与世界动作模型的成熟，标志着机器人领域正在走出“硬件独享、算法孤立”的荒漠，正式迈入大规模数据驱动的通用模型时代。
Loading...