この記事のポイント
- 製造や物流の作業を自動化する研究です。人間の動画からロボットへ動作を移す学習方法が示されました。
- 学習には人間とロボットのデータを使用。50タスク中40タスクで少なくとも1回成功とNVIDIAが報告しています。
- タスクごとの実演1回では平均成功率71%、5回では95%。実演数による評価条件の違いがポイントです。
NVIDIAは2026年11月9日、テキサス州オースティンで開催されたロボット学習の国際会議CoRLで、ロボット基盤モデル「GR00T 2」を発表しました。人間の動画からロボットの動きを学習させる研究の、現時点での到達点を示す内容です。
人間とロボットのデータから動作を学ぶ
GR00T 2は、NVIDIAの「Cosmos」を基にした、周囲の状況を踏まえてロボットの動作を決める公開モデルです。同社はこれを「world action model」と呼んでいます。学習にはロボットと人間の多様なデータを使い、その中に人間が一人称視点で撮影した動画10万時間分が含まれています。これはNVIDIAがオープンソースで公開しているデータです。公式発表によると、評価対象の50タスクのうち40タスクで、そのタスク専用の実演なしに少なくとも1回は成功しました。タスクごとに実演を1回見せた場合は、50タスクでの平均成功率が71%、5回では95%だったと同社は報告しています。人間の実演から学び、ロボットの実演を使わずに異なる機種へスキルを移す特徴も示しています。
精密作業の実例と産業パートナー
公式ブログが挙げるGR00T 2自体の例は、MicroAGIによるイーサネットケーブルの差し替え作業です。強化学習で追加訓練し、NVIDIAのシミュレーション環境「Isaac Lab 3.0」と物理エンジン「Newton」の上で鍛えられています。Nexuniは洗濯物の処理で試験中、Siemensは産業用途で評価中です。Foxconnはサーバー製造の工場自動化に適用していると発表されています。なお、ミリメートル単位の部品組立を1つのポリシーで学習した「AlphaNIST」の事例は、GR00T 2とは別の研究として同時に紹介されたものです。GR00T 2の評価値や導入例には含めません。
まとめ
今回の発表はロボットの学習基盤と、産業分野での試験・適用事例を伝えるものです。製造業やロジスティクスでAI活用を検討している担当者には関係のある動きです。自社の作業を検討する際は、タスク専用の実演をどれだけ用意するかと、その条件での成功率が判断材料になります。フィジカルAI全体の位置づけはフィジカルAIとは何かを整理した記事も参考になります。
今回の50タスクの評価と自社の作業条件を照らし合わせ、実機で確かめる範囲を整理するとよいでしょう。
※ 2026年11月11日に確認した11月9日発表の情報です。
