---
title: "Nvidia представила GR00T 2: модель ИИ, которая учит роботов перенимать навыки у людей по видео"
description: "Nvidia представила GR00T 2 — модель ИИ для роботов, которая переносит навыки с людей и других машин на устройства с иной конструкцией, достигая 95% успешности после пяти демонстраций."
date: 2026-11-14T12:38:05.012Z
lang: ru
url: https://xab.info/posts/nvidia-groot-2-roboty-perenimayut-navyki-u-liudei
tags: [nvidia, groot-2, robotics, ai, humanoid-robots, world-action-model]
author: "Александр Буран"
publisher: "XAB.info"
---

# Nvidia представила GR00T 2: модель ИИ, которая учит роботов перенимать навыки у людей по видео

![Гуманоидный робот и манипулятор Nvidia GR00T 2 работают в современной лаборатории-кухне вместе с людьми](https://xab.info/media/2026/11/14/nvidia-groot-2-roboty-perenimayut-navyki-u-liudei/nvidia-groot-2-roboty-perenimayut-navyki-u-liudei-1.webp)

## Ключевые тезисы

- GR00T 2 использует архитектуру World-Action Model, одновременно прогнозирующую видео окружения и действия робота.
- Для дообучения на задачу достаточно менее 3 минут демонстраций и ~30 минут на RTX 5090; успешность растёт с 40% до 95% после пяти демонстраций.
- Обучающая выборка включает 402 730 часов человеческих видео от первого лица; 100 000 часов набора Human-1M открыты на Hugging Face.
- Модель переносит навыки с людей и других роботов на устройства с иной конструкцией без демонстраций на целевой машине.
- Облегчённая версия GR00T 2 Turbo работает на борту робота: 38 мс на RTX 5090 и 124 мс на Jetson Thor.

Компания Nvidia представила GR00T 2 — новую модель искусственного интеллекта для управления роботами, ключевое отличие которой состоит в том, что она учится не только выполнять действия, но и предсказывать, как окружающая среда изменится в результате этих действий. Именно эта способность позволяет переносить навыки, показанные человеком или другим роботом, на машины с принципиально иным устройством. В испытании на 50 задачах модель справилась с 40% попыток без каких-либо предварительных демонстраций на целевом роботе; одна демонстрация на каждую задачу подняла успешность до 71%, а пять демонстраций — до 95%. При этом на адаптацию каждой задачи потребовалось менее трёх минут демонстрационных данных и около 30 минут дообучения на одной видеокарте Nvidia RTX 5090.

### Архитектура World-Action Model: прогноз мира и действия одновременно

В основе GR00T 2 лежит архитектура World-Action Model (WAM) — модели, которая одновременно прогнозирует будущее видео и действия робота. На вход она получает последние кадры с камер, текстовую инструкцию и сведения о состоянии машины, после чего генерирует последовательность будущих изображений и соответствующих движений. Такой подход позволяет модели осмыслять физические взаимодействия, наблюдая не только за роботами, но и за людьми. Общая архитектура совместима с манипуляторами с параллельными захватами, роботизированными кистями с подвижными пальцами и гуманоидными платформами, а небольшие специализированные модули преобразуют общий план в команды двигателям конкретной машины.

### Обучающая выборка: более 400 тысяч часов человеческих видео

Для предварительного обучения Nvidia использовала 402 730 часов видео от первого лица, на которых люди выполняют различные рабочие задачи, 10 184 часа демонстраций с ручным захватом UMI и 23 500 часов дистанционного управления роботами. Данные охватывают манипуляторы YAM и Franka, роботизированные кисти Sharpa и Wuji, а также гуманоид Unitree G1; видео с людьми составляют основную часть обучающей выборки. Компания отдельно проверила их влияние на 72 задачах для робота Dexter: при увеличении доли человеческих материалов от 0 до 100% успешность в видеосимуляции выросла с 64% до 77%, а на реальном роботе — с 50% до 70%. Часть набора Human-1M, включающая 100 000 часов видео, Nvidia открыла на платформе Hugging Face.

### Перенос навыков: от видео с камеры на голове к роботизированным кистям

Один из главных результатов GR00T 2 — перенос навыков между разными типами роботов и людьми. Так, модель обучали лабораторным процедурам по видео, снятым с камер на голове и запястьях человека, а затем проверяли на Dexter с двумя роботизированными кистями: во всех четырёх лабораторных задачах робот добился успеха, не получая демонстраций с дистанционным управлением. В других испытаниях модель переносила навыки, показанные с помощью ручного захвата UMI, на манипулятор YAM, а демонстрации с носимого экзоскелета DexUMI — на робота Tianji с двумя кистями ROBOTERA. Среди освоенных действий — сортировка предметов на конвейере, сборка игрушек, работа с деталями, приготовление завтрака и лабораторные процедуры.

### Совместная работа с рассуждающей ИИ-моделью

Отдельно Nvidia показала, как GR00T 2 работает в связке с рассуждающей ИИ-моделью: последняя разбивает сложную задачу на этапы, следит за прогрессом и определяет следующие шаги, а GR00T 2 отвечает за физическое выполнение действий, которые сложно заранее запрограммировать. В испытаниях с беспорядочно разбросанными деталями такая система собрала игрушечный самолёт, трактор и автомобиль Hot Wheels в 98, 97 и 97 случаях из 100; без помощи агента та же модель справилась с задачами в 71–84 случаях, а при использовании только предварительно дообученной политики — в 23–69 случаях. В другой серии испытаний совместная система подключила 5 сетевых кабелей к коммутатору в 19 случаях из 20 и вставила 5 зарядных устройств в розетки во всех 20 случаях. Визуальные подсказки агента — отметка точки захвата и места переноса на изображении — повысили успешность коротких задач перемещения с 40% до 92% на YAM и с 30% до 70% на Dexter.

### GR00T 2 Turbo: задержка в десятки миллисекунд на борту робота

Одновременно Nvidia представила GR00T 2 Turbo — облегчённую версию модели, рассчитанную на работу непосредственно на роботе. Она использует трансформер на 2 млрд параметров и более компактное представление видео, что снижает вычислительные затраты; в сочетании с оптимизацией выполнения это сократило медианную задержку прогнозирования на 66–86% по сравнению с обычным запуском той же модели. На видеокарте RTX 5090 один прогноз занимает 38 мс, а на бортовом компьютере Jetson Thor — 124 мс. При работе на гуманоиде Unitree G1 модель планирует движения всего тела блоками продолжительностью 1,6 секунды примерно раз в секунду, а контроллер SONIC преобразует их в команды суставам с частотой 50 Гц.

## Проверка фактов и источники

- [Nvidia научила роботов перенимать навыки у людей](https://www.ixbt.com/news/2026/11/14/nvidia-naucila-robotov-perenimat-navyki-u-liudei.html) - Первоисточник; полный набор цифр по WAM, обучающей выборке, испытаниям на 50 задачах, переносу навыков и GR00T 2 Turbo.
- [Nvidia научила роботов перенимать навыки у людей по видео](https://vesti.az/texnologiya/nvidia-naucila-robotov-perenimat-navyki-u-lyudei-po-video-627559) - Подтверждает архитектуру WAM, результаты 40%/71% и перенос навыков между роботами.
- [Nvidia научила роботов перенимать навыки у людей](https://el.kz/ru/nvidia-nauchila-robotov-perenimat-navyki-u-lyudey_400055551/) - Подтверждает 400+ тыс. часов видео, рост успешности до 95% и испытания на Unitree G1.

## Частые вопросы

### Что такое GR00T 2 и чем она отличается от обычных моделей управления роботами?

GR00T 2 — модель ИИ на архитектуре World-Action Model, которая одновременно прогнозирует будущее видео окружения и действия робота. Это позволяет переносить навыки, показанные человеком или другим роботом, на машины с иной конструкцией.

### Сколько данных нужно, чтобы адаптировать модель под новую задачу?

По данным Nvidia, менее трёх минут демонстрационных данных и около 30 минут дообучения на одной видеокарте RTX 5090.

### Какие результаты показала модель в испытаниях?

На 50 задачах без демонстраций на целевом роботе успешность составила 40%, после одной демонстрации — 71%, после пяти — 95%.

### Что такое GR00T 2 Turbo?

Облегчённая версия модели на 2 млрд параметров для работы непосредственно на роботе; на RTX 5090 один прогноз занимает 38 мс, на Jetson Thor — 124 мс.