英伟达GR00T 2亮相：人形机器人学会先想后做

英伟达在CoRL 2026机器人学习大会发布新一代基础模型GR00T 2：它先在脑内想象画面再动手，从约43万小时人类视频与机器人数据中学习，人形机器人看几次演示就能上手任务，五次演示成功率95%。

从看图做事到先想后做：GR00T 2到底是什么

奥斯汀现场：一场关于机器人大脑的发布会

2026年11月9日，机器人学习大会CoRL在德克萨斯州奥斯汀开幕。英伟达机器人研究负责人范麟熙（Jim Fan）在当天压轴演讲中正式揭幕GR00T 2，主题演讲的标题颇有画面感——从做梦到干活：世界动作模型与智能体机器人。与模型同场亮相的还有仿真训练框架Isaac Lab 3.0、两个开放基准测试以及一套数据采集工具，英伟达的合作名单里出现了西门子、博世研究、诺亦腾以及加州大学伯克利分校等数十家机构。

现场视频里，一台人形机器人用抹布擦净桌面溢出物，再把抹布放进洗衣篮，动作一气呵成。这次发布被业内视为机器人基础模型赛道的关键节点。此前英伟达在GTC 2026上只是以GR00T N2的名义做了预告，如今正式定名GR00T 2并给出完整技术细节，模型权重和跨本体训练方案计划于2026年12月开源。时机也并非偶然：2026年被业内称作人形机器人量产落地元年，硬件冲过万台门槛之后，能不能干活成了新的瓶颈，机器人基础模型因此成为各方争夺的高地。

世界动作模型：先想象，再行动

GR00T 2的技术路线是本次发布最大的看点。上一代主流的视觉-语言-动作模型（VLA）是看到什么就输出什么：模型接收摄像头画面和语言指令，直接翻译成一串关节动作。GR00T 2则被英伟达称为世界动作模型（WAM），它在输出动作之前，会先联合预测未来几帧画面和对应的动作序列——相当于机器人在脑内先把接下来会发生的事演一遍电影，确认物理上说得通，再驱动执行机构。对人形机器人而言，这个中间步骤尤其关键：全身上下数十个自由度，一步踏错就可能摔倒，先在想象中推演物理后果再行动，稳定性完全不同。

范麟熙在演讲中放出了一段模型生成的预测画面，并强调没有一个像素是真实的，我们正在看机器人做梦。这套能力建立在英伟达自家世界模型平台Cosmos之上：核心是一个约20亿参数的扩散Transformer，输入为0.8秒的多视角视频、语言指令和机器人本体状态，通过单步扩散同时去噪出未来画面和动作块，执行完再循环往复，形成闭环控制。

和上一代GR00T N1相比，变了什么

英伟达在14个月里迭代了多个版本：2025年3月发布的GR00T N1是典型的双系统VLA，2B参数；2026年初的N1.6加入全身控制能力，让人形机器人能边走边干活；今年4月权重上线的N1.7约3B参数，把预训练中的人类视频加到2万小时以上，并首次采用相对末端位姿的动作表示，为跨本体迁移铺路。到GR00T 2，范式切换才算完成：从模仿动作轨迹，变成理解物理因果。英伟达称其在陌生环境下的新任务成功率约为此前主流VLA模型的两倍。更重要的是输入输出接口的统一：从双臂机械臂、五指灵巧手到全身人形机器人，一套权重通吃，厂商不必再为每种机体单独训练一个模型。

更实际的区别在数据量级上。GR00T N1当年的真机数据以百小时计，GR00T 2的预训练数据总规模超过了43万小时，提升了三个数量级不止。

约43万小时数据：机器人跟着人类学干活

三类数据组成的数据底座

根据英伟达披露的技术报告，GR00T 2的预训练数据由三部分混合而成：约40.27万小时人类第一视角工作视频，覆盖日常生活中的手部操作；约1.02万小时UMI手持夹爪示范，涉及2897项任务；以及约2.35万小时机器人遥操作真机数据，覆盖YAM双臂平台、Franka机械臂、Sharpa灵巧手和宇树G1人形机器人等本体，从桌面操作到全身移动作业都有涉及。人类视频占了九成以上。

为什么人类视频如此重要？遥操作数据采集成本极高、任务覆盖面窄，而人类第一视角视频几乎是无穷无尽的物理常识库。英伟达的实验显示，随着人类视频占比提升，下游真机任务完成度持续上涨。范麟熙把人类视频称作机器人的物理常识来源：人形机器人要学的抓、放、插、擦动作，人类每天在厨房和车库里已经重复了亿万次。其中10万小时数据以Human-1M-100K的名字在Hugging Face开源，采用CC BY 4.0许可，附带语言标注和头手运动数据。

X-Adapt：看人类演示，机器人直接上手

英伟达花了最多篇幅演示的能力叫X-Adapt跨本体迁移：技能只要在人类或其他介质上演示过，从未练过该任务的机器人可以直接复用。三组例子很能说明问题——双臂机器人仅凭观看人类化学实验视频，就完成了滤纸铺放操作，成功率达65%；操作员用手持UMI夹爪演示组装玩具卡车，YAM机械臂随后独立完成了这个最长达4分钟的长时序任务；人类穿戴DexUMI外骨骼做示范，双手灵巧机器人就学会了做香蕉酸奶、舀麦片，甚至完成划火柴这类高动态精细操作。

这套路线的意义在于，它把训练数据的采集门槛从昂贵的遥操作降到了人人可为的人类演示。对人形机器人整机厂来说，采集一百小时人类演示可能顶过去上千小时遥操作，新机型的技能冷启动周期被大幅压缩，不用再为每个新任务组建专职遥操作团队。

成绩单与含金量：五次演示换来95%

从40%到95%的学习曲线

英伟达用50项目标机器人从未见过的灵巧操作任务（Dexter-50）衡量GR00T 2：零样本条件下，模型在40项任务上至少成功过一次，平均成功率40%；每项任务加1条人类演示，成功率升到71%；每项给5段演示——合计不到3分钟的真机数据——在单张RTX 5090上做30分钟LoRA微调，平均成功率拉到95%，50项任务中有37项做到全部成功。值得一提的是，这些演示大多来自人类视频而非昂贵的真机采集，等于让人形机器人把看过的本领直接搬进现实。对内存插槽安装、玩具组装这类高难度任务，配合真机强化学习后，三项高接触插入类任务的成功率提升至88%到96%。

榜单成绩同样亮眼：GR00T 2在MolmoSpaces和RoboArena两个通用机器人策略基准上排名第一，在RoboCasa365、RoboLab、RoboDojo上均位列前三。

数字背后需要打折扣的地方

不过95%这个数字需要理性看待。英伟达自己的白皮书承认，50项测试任务是从模型学得会的任务里挑出来的，所有结果均为官方自评，尚无第三方独立复现。合作伙伴的进度也只是测试阶段：富士康把它用于服务器制造自动化试点，西门子在评估工业场景，Nexuni在测试洗衣处理，MicroAGI用它做网线插拔。演示到产线之间，还有稳定性、精细力控和长时程泛化的硬骨头要啃。

下表把GR00T 2与上一代及同类方案做一个横向对比，未公开的数据留空，不做推测。

开发者怎么用：Isaac生态与开源节奏

Isaac Lab 3.0与合成数据管线

对开发者来说，GR00T 2不是一个孤立的模型，而是英伟达机器人全栈的一环。训练侧，Isaac Lab 3.0已于10月正式可用，加入Newton物理求解器后，灵巧操作基准上的训练吞吐量达到上一版本的2.5倍；新发布的DexBench和VABAR两个开放基准运行在Isaac Lab-Arena里，供社区公平比较不同策略。对想训练人形机器人全身控制的研究者，新版本还支持由智能体自动搭建训练环境，在PhysX与Newton两套求解器之间自由切换。数据侧，英伟达开放了从人类视频到仿真示范的Video to Data工作流，以及SimFoundry真转仿工具链；能从普通视频重建手部三维运动的EgoHand模型上线两周就在Hugging Face获得超过4万次下载。

仿真混合训练的价值在Turbo版上体现得最直观：加入仿真数据后，GR00T 2 Turbo在分布外未知任务上的真机成功率从6.7%涨到63.3%，且仿真评估与真机结果的皮尔逊相关系数达0.92，意味着团队可以先在仿真里海选策略，再上真机验证，省下大量调试成本。

GR00T 2 Turbo：把大脑装进机身

GR00T 2 Turbo与主模型参数量相同，但通过高压缩视频编码器把空间视频token数量压到四分之一，得以直接跑在机器人本体上。在宇树G1人形机器人的机载Jetson Thor上，单次预测延迟为124毫秒，RTX 5090环境下仅需38毫秒；配合在另一块Jetson Orin NX上以50赫兹运行的SONIC全身控制器，G1可以边走边弯腰完成双臂作业，测试中48次爆米花舀取服务全部成功，桌面杂物清理成功率达93.3%。这让过去只能拴在工位上的人形机器人第一次摆脱线缆束缚，移动作业场景真正具备了落地条件。

英伟达还提供了智能体协作模式：大模型推理智能体通过WAM接口调用GR00T 2，负责任务拆解与纠错，GR00T 2负责接触级执行。在YAM机械臂玩具组装测试中，智能体加GR00T 2的组合连续完成292次成功组装，其中玩具飞机成功率达98%；新增的视觉引导功能让操作员直接在相机画面里标记抓取点和放置点，短指令任务成功率从40%提升到92%。

行业观察：机器人基础模型的安卓时刻

数据瓶颈被重新定价

过去一年，人形机器人行业有个反复被引用的测算：训练一个接近人类水平的人形机器人大脑需要10亿小时级的真实操作数据，而截至2026年初全球可用的高质量物理交互数据只有约50万小时，缺口超过99%。GR00T 2给出的答案是绕开这个缺口——人类视频占了训练数据的九成以上，稀缺的真机数据只用于少量对齐。有券商研报评价，这把具身智能的数据瓶颈从真机遥操作成本转移到了跨本体迁移效率，机器人本体企业可以用人类视频加少量演示快速冷启动新技能。

这正是很多从业者所说的机器人基础模型的安卓时刻：当英伟达把模型、数据、仿真、评测和边缘部署绑成一套开放全栈，训练人形机器人的边际成本陡然下降，本体厂商的竞争重心就从自研所有环节，转向谁能在统一底座上更快做出差异化，就像手机厂商共享安卓系统那样。

中美具身智能的两种打法

资本的热度在佐证这个判断。国内具身智能赛道2026年上半年融资总额达935亿元，半年就超过2025年全年，百亿估值企业增至26家；宇树科技科创板上市、智元机器人冲刺港股，20多家企业进入上市辅导。2026年上半年全球人形机器人出货约1.9万台，中国企业占比超过九成，智元和宇树两家合计拿走全球约75%的份额；工信部数据显示国内人形机器人产量上半年已超4万台，全年有望突破10万台，整机成本从百万级降到10万至20万元级。国际市场研究机构预计全球人形机器人市场规模将从2025年的约29亿美元增至2030年的约153亿美元，摩根士丹利更给出2050年5万亿美元的远期预测。

有趣的是中美路径的互补：中国企业靠本体量产和场景订单冲在前排，人形机器人进厂打工从演示变成排班；英伟达则卡住大脑与生态的底层。GR00T 2的合作名单里就有宇树G1这样的中国本体，英伟达提供模型与算力，中国厂商提供机身与场景——竞合关系远比零和叙事复杂。大洋彼岸，特斯拉Optimus的弗里蒙特产线计划年内把周产量爬坡至千台级，Figure的Helix坚持闭源自研，人形机器人大脑这条赛道上，英伟达的开放路线正面对一批强大的封闭路线对手。也有清醒的声音提醒：零样本稳定性、灵巧手精细力控和长时程泛化仍是短板，谁先把世界动作模型跑通真实工况，谁才真正握有下一阶段的话语权。

常见问题

GR00T 2和GR00T N2是什么关系？

GR00T N2是英伟达今年3月在GTC上预告时的名称，CoRL 2026正式发布时定名GR00T 2，两者指同一个模型。目前官方页面统一使用GR00T 2的说法。

GR00T 2支持哪些机器人本体？

一套权重可适配平行夹爪机械臂、多自由度灵巧手和人形机器人等多种形态，训练数据覆盖YAM双臂平台、Franka机械臂、Sharpa灵巧手和宇树G1等。配合X-Adapt跨本体迁移，在一种本体上学会的技能可以迁移到另一种，宇树G1已经能用Turbo版完成全身移动操作。

约43万小时数据里都有什么？

包括约40.27万小时人类第一视角工作视频、约1.02万小时UMI手持夹爪示范（覆盖2897项任务）和约2.35万小时机器人遥操作数据。其中10万小时人类视频已以Human-1M-100K名义开源。

95%成功率是可信的工程指标吗？

要打折扣看。这50项任务是从模型学得会的任务中选出的，且全部为英伟达自评，暂无第三方独立复现。它说明的是少样本适配能力很强，而不是产线级可靠性。

开发者什么时候能用上？

Human-1M-100K数据集、EgoHand模型和Isaac Lab 3.0现在就能用；GR00T 2与GR00T 2 Turbo的权重及跨本体训练方案计划2026年12月开源，具体许可条款尚未公布。

普通机器人厂商需要英伟达的硬件吗？

端侧部署目前绑定Jetson Thor和Orin系列算力板，训练侧依赖英伟达GPU与Isaac仿真工具链，对要移动作业的人形机器人来说机载算力尤其不可或缺。模型权重开源后理论上可以移植，但全栈生态的便利性是英伟达的核心筹码。

GR00T 2的短板是什么？

英伟达自己也承认，零样本条件下的稳定性、灵巧手的精细力控和长时程任务泛化仍有限，高动态精细操作还需要强化学习后训练来补足。人形机器人要从演示走向产线，可靠性和一致性仍是必答题。

人形机器人什么时候能真正进厂？

单点工位的试点已经在快递分拣、汽车制造和3C电子等场景跑通，多机协同和长时程无人值守还在验证。基础模型成熟加上整机成本下探，业内普遍把2026年到2027年看作规模化落地验证的窗口期。

GR00T 2会让机器人取代人类工人吗？

短期内它解决的是技能冷启动和适配成本问题，让企业部署人形机器人的门槛变低，但精细力控、安全合规和投资回报仍是现实约束。更可能的图景是人机协作逐步扩大，而非一夜替换。

这对国内人形机器人公司意味着什么？

短期看，GR00T 2降低了中国本体厂商的技能冷启动门槛，宇树等公司已是生态受益者；长期看，基础模型底座被统一后，竞争焦点会转向场景数据飞轮和垂直场景know-how，纯拼本体的护城河会变浅。