NVIDIA ha presentato il 9 novembre 2026, durante la Conference on Robot Learning organizzata ad Austin, GR00T 2, un modello di intelligenza artificiale destinato al controllo robotico che utilizza video di attività umane, dimostrazioni fisiche e dati di teleoperazione per apprendere capacità di manipolazione trasferibili tra differenti piattaforme hardware. Il sistema è costruito attorno a un transformer da due miliardi di parametri basato su Cosmos-Predict2.5-2B e combina immagini recenti acquisite dalle telecamere, informazioni sullo stato del robot e istruzioni testuali per prevedere le successive osservazioni visive e generare sequenze di azioni. L’architettura permette di utilizzare un unico checkpoint preaddestrato con bracci dotati di pinze parallele, mani robotiche antropomorfe e sistemi umanoidi. NVIDIA ha comunicato un tasso di successo zero-shot del 40% su 50 attività non presenti nei dati di addestramento del robot utilizzato per le prove. Il modello è stato presentato come aperto, mentre la documentazione di ricerca indica dicembre 2026 come periodo previsto per la disponibilità del codice.
L’addestramento iniziale combina 402.730 ore di video umani in prima persona, 10.184 ore di dimostrazioni eseguite con dispositivi manuali di presa, relative a 2.897 attività, e 23.500 ore di teleoperazione robotica. Una parte del materiale è stata pubblicata attraverso Human-1M-100K, una raccolta aperta comprendente 100.000 ore di video umani accompagnati da annotazioni linguistiche e dati relativi ai movimenti della testa e delle mani. Il dataset è distribuito con licenza CC BY 4.0, che ne consente l’impiego commerciale e non commerciale. Gli esperimenti di trasferimento tra differenti configurazioni robotiche hanno prodotto un successo del 65% nella preparazione di filtri di carta appresa da dimostrazioni umane senza teleoperazione specifica per l’attività e del 60% nell’assemblaggio di un camion giocattolo, trasferendo le competenze da un dispositivo manuale di presa a un braccio robotico YAM. Nella valutazione Dexter, GR00T 2 ha completato almeno una prova per 40 attività; introducendo una sola dimostrazione per attività, il successo medio ha raggiunto il 71%, mentre con cinque dimostrazioni è salito al 95%. In quest’ultimo caso sono stati utilizzati meno di tre minuti di dati robotici per attività, seguiti da circa 30 minuti di adattamento del modello attraverso una GPU RTX 5090. NVIDIA precisa tuttavia che le attività considerate nella valutazione con cinque dimostrazioni erano state selezionate tra quelle apprendibili con una percentuale di successo di almeno l’80%, una condizione che contribuisce al risultato medio riportato.
L’ecosistema di sviluppo comprende Isaac Lab 3.0, disponibile dal 20 ottobre 2026, che introduce un’interfaccia unificata per definire attività robotiche utilizzando differenti motori fisici, sistemi di rendering e strumenti di visualizzazione. Il backend Newton supporta la simulazione di corpi rigidi, materiali deformabili e particelle, mentre numerosi flussi di lavoro possono essere eseguiti senza installare l’intero ambiente Isaac Sim. NVIDIA dichiara un incremento della velocità di addestramento fino a 2,5 volte rispetto a Isaac Lab 2.3 con PhysX in un benchmark di manipolazione destrezza basato sulla visione. Un’altra componente è AlphaNIST, un sistema di apprendimento per rinforzo applicato a 20 attività del NIST Assembly Task Board, comprendenti la manipolazione di componenti con dimensioni fino a quattro millimetri. Utilizzando una politica condivisa e una funzione di ricompensa binaria basata sul successo dell’operazione, AlphaNIST ha raggiunto il 98,2% di successo durante l’addestramento simulato, rispetto all’81,4% ottenuto da politiche separate per ciascuna attività, con un impiego di tempo GPU circa 39 volte inferiore.
Il funzionamento di AlphaNIST utilizza Success-Guided Sampling, un metodo sviluppato dall’Università di Washington insieme a NVIDIA che seleziona le configurazioni di addestramento prossime al limite delle capacità già acquisite dal sistema, privilegiando situazioni nelle quali la probabilità di successo si avvicina al 50%. I ricercatori riferiscono la possibilità di estendere questo approccio a oltre un milione di ambienti simulati e di trasferire direttamente su hardware UR5e reale politiche di assemblaggio apprese attraverso informazioni visive RGB. La valutazione delle prestazioni viene supportata anche da Isaac Lab-Arena, un framework open source con componenti modulari, ambienti simulati accelerati da GPU e strumenti di analisi degli errori. NVIDIA ha annunciato la developer preview 0.4 durante CoRL. Sono stati inoltre presentati DexBench 1.0, sviluppato da RLWRLD con NVIDIA e composto da 15 attività distribuite tra commercio, logistica, linee di assemblaggio e servizi alberghieri e di ristorazione, e VABAR, sviluppato dall’Università della California a Berkeley e NVIDIA. Quest’ultimo comprende operazioni di ordinamento e sospensione di utensili, accoppiamento di ingranaggi, confezionamento di siringhe e inserimento di cavi, supportate da una libreria di 33 competenze robotiche.
GR00T 2 integra anche sistemi di ragionamento destinati a coordinare le competenze motorie e intervenire quando un’attività non procede correttamente. Il framework Graph-as-Policy dell’Università di Berkeley utilizza più agenti per costruire un grafo diretto e interpretabile delle azioni, provarlo in simulazione e modificarne struttura e parametri dopo eventuali errori. In un esperimento di preparazione dei popcorn, dieci iterazioni di prova hanno portato il successo dal 33% iniziale al 94% in simulazione e al 90% su un robot reale, corrispondente a 18 esecuzioni riuscite su 20. Associando un agente di ragionamento e dati correttivi a GR00T 2, NVIDIA ha ottenuto rispettivamente 98, 97 e 97 assemblaggi riusciti su 100 tentativi per aeroplani giocattolo, trattori giocattolo e modelli Hot Wheels, partendo ogni volta da componenti disposti casualmente. Con il solo fine-tuning supervisionato, i risultati erano rispettivamente 69, 51 e 23. La documentazione tecnica indica inoltre un successo medio vicino al 70% nei benchmark di attività prolungate dopo l’addestramento aggiuntivo e segnala che, nell’ordinamento dei rifiuti guidato dalla visione, il robot attendeva l’intervento dell’agente per una mediana del 38% della durata dell’episodio. Tra le aziende coinvolte nelle valutazioni figurano Nexuni, per la gestione della biancheria, Foxconn, per l’automazione della produzione di server, e Siemens, per applicazioni industriali. Queste attività risultano ancora in fase di sperimentazione e non corrispondono a un’implementazione produttiva già annunciata.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)