Nvidia presenta GR00T 2, un modello che prevede video e movimenti per addestrare i robot a partire da registrazioni umane

Dopo la visione e il linguaggio, anche la robotica adotta i modelli capaci di «immaginare» il futuro. Il 9 novembre, alla conferenza CoRL di Austin, Nvidia ha presentato GR00T 2, una nuova generazione dei suoi modelli per robot. La sua particolarità: non si limita a selezionare un’azione, ma prevede contemporaneamente come apparirà la scena pochi istanti dopo.

Prevedere il video per imparare dagli esseri umani

GR00T 2 è un «modello mondo-azione»: un unico trasformatore a diffusione rimuove il rumore congiuntamente dal video futuro, ripreso da tre telecamere, e da un blocco di comandi per le articolazioni. Piccole teste specifiche per ogni robot traducono poi questo piano in istruzioni motorie, consentendo allo stesso modello di controllare pinze, mani a cinque dita o un umanoide.

Il vantaggio di prevedere il video, secondo Nvidia, risiede nella possibilità di apprendere le leggi della fisica dai video umani, che non contengono alcun comando robotico. Il pre-addestramento combina così 402.730 ore di video registrati in prima persona, circa 10.000 ore di dimostrazioni con una pinza portatile e 23.500 ore di teleoperazione di robot. Nvidia ha reso pubbliche 100.000 ore di questi video umani su Hugging Face. Le misurazioni dell’azienda mostrano che all’aumentare della quota di video umani, il robot compie progressi maggiori: su 72 compiti, il miglioramento reale passa dal 50% al 70% tra l’assenza totale e l’impiego completo di video umani.

Cifre di generalizzazione elevate, da verificare

Il risultato messo in risalto riguarda 50 compiti che il robot bersaglio, dotato di due mani Sharpa, non aveva mai eseguito prima. Senza alcuna dimostrazione, GR00T 2 completa con successo il 40% delle prove. Una singola dimostrazione per compito porta questo tasso al 71%, mentre cinque dimostrazioni lo spingono al 95%, il che equivale a meno di tre minuti di dati e a 30 minuti di adattamento su una singola RTX 5090. Nvidia mostra anche movimenti appresi unicamente osservando gli esseri umani, come l’inserimento della carta da filtro in un imbuto da laboratorio (65% di successo).

Un altro asse di sviluppo è il controllo tramite agenti. Un modello di ragionamento interroga GR00T 2 come uno strumento, verifica l’avanzamento e interviene sull’ambiente se un pezzo cade. In questa modalità, il braccio YAM assembla tre giocattoli in 97-98 tentativi su 100, contro i 23-69 ottenuti con il solo adattamento supervisionato. Una variante più leggera, GR00T 2 Turbo (2 miliardi di parametri), viene eseguita direttamente a bordo dell’umanoide Unitree G1, con 124 ms per predizione.

Aperto, ma non ancora scaricabile

Nvidia presenta GR00T 2 come un modello aperto, in continuità con i precedenti GR00T, e annuncia in parallelo Isaac Lab 3.0 e due benchmark aperti, DexBench e VABAR. Tuttavia, nulla è ancora scaricabile: la pagina della ricerca segnala soltanto che il codice sarà «disponibile a dicembre», senza una data esatta né una licenza, e senza precisare se anche i pesi saranno distribuiti nello stesso momento. Sul fronte industriale, Nvidia cita Foxconn per l’assemblaggio di server, Siemens e Nexuni, che lo sta testando per la movimentazione della biancheria.