NVIDIAは、人物の行動映像を学習し、ロボットの精密作業を支援するAIモデル「GR00T 2」を発表した。人の実演映像10万時間分のデータセットと関連ツールを公開し、12月にはモデル重みやロボットごとの調整手法も開示する予定だ。

11月10日（現地時間）、The DefiantとNVIDIAの公開資料によると、公開済みのデータセットは作業者視点で撮影した実演映像で構成される。NVIDIAは、学習に用いた人間の実演映像のうち10万時間分を開発者向けに提供している。

GR00T 2は、ロボットの動作と、それに伴う周囲環境の変化を同時に予測する「ワールド・アクション・モデル（WAM）」に位置付けられる。直近の映像、作業指示、ロボットの状態を基に次の動作を生成し、ロボットアーム、5指ハンド、ヒューマノイドなど異なる形態のロボットに適用できるとしている。

中核となるのは、人の技能をロボットへ転移できる点だ。特定のロボット向けに収集した直接の実演データがなくても、人の映像や別のロボットで得たデータを活用し、作業を実行できるよう設計した。

NVIDIAが公表した評価結果では、対象ロボット向けの個別実演データがない状態でも、50課題のうち40課題を少なくとも1回は実行した。平均成功率は40％だったが、課題ごとに実演を1回ずつ追加して学習させると71％、5回ずつ与えると95％まで上昇した。

ヒューマノイド向けの軽量モデル「GR00T 2 Turbo」は、Jetson Thor上で動作する。上位の推論モデルが実行タスクを決定し、GR00T 2 Turboが動作を計画、別の制御システムがそれを関節の動きへ変換する構成だ。もっとも、上位の推論モデルまで含めた全処理をロボット内部だけで完結させる設計ではない。

また、複数工程の作業やエラー復旧への対応も示した。AIエージェントが作業順序と進捗を管理し、GR00T 2が物体の把持や部品の組み付けといった精密動作を担う。作業中に部品を落としたり処理が止まったりした場合でも、エージェントが復旧手順を実行した後、作業を継続できるとしている。

産業分野での導入も進みつつある。Foxconnはサーバー製造工場の自動化にGR00T 2を適用しており、Siemensは産業用途での活用可能性を評価中だ。台湾のロボット企業Nexuniは、洗濯物の処理作業で同モデルを試験しているという。

NVIDIAは、まずデータとツールを提供し、その後モデル重みと適用手法を段階的に開示することで、開発者による活用を後押しする方針だ。人の実演をロボットの技能へ変換しつつ、ロボットごとの追加学習の負担を抑えることが、今回の発表の柱となる。