تقدّم NVIDIA ‏GR00T 2 لتمكين الروبوتات من التعلّم من مقاطع الفيديو البشرية

قدّمت NVIDIA نموذج GR00T 2 في 9 نوفمبر 2026، خلال مؤتمر تعلّم الروبوتات (CoRL) في أوستن، وأفادت بتحقيق النموذج، الذي دُرّب جزئيًا على مقاطع فيديو بشرية، نجاحًا بنسبة 40% دون تدريب مسبق خاص في 50 مهمة لم تتضمنها بيانات تدريب الروبوت المستهدف.

يستخدم GR00T 2 محوّلًا يضم ملياري معامل ومبنيًا على Cosmos-Predict2.5-2B. ويجمع بين أحدث مشاهد الكاميرات وحالة الروبوت وتعليمات مكتوبة، لتوليد المشاهد المستقبلية المتوقعة وتسلسل الإجراءات التالي. وتغطي نقطة تحقق واحدة مدرّبة مسبقًا أذرعًا بمقابض متوازية، وأيديًا بارعة الحركة، وروبوتًا بشري الشكل. ومع أن NVIDIA تقدّم النموذج على أنه مفتوح، تشير صفحة الأبحاث إلى أن الشيفرة ستتاح في ديسمبر.

يجمع التدريب المسبق بين 402,730 ساعة من مقاطع فيديو بشرية مصوّرة من منظور الشخص الأول، و10,184 ساعة من عروض توضيحية باستخدام ماسك محمول باليد عبر 2,897 مهمة، و23,500 ساعة من تشغيل الروبوت عن بُعد. ويتيح إصدار Human-1M-100K الوصول إلى 100,000 ساعة من تلك البيانات البشرية، بما يشمل مقاطع الفيديو والتعليقات التوضيحية اللغوية وبيانات حركة الرأس واليد، بموجب ترخيص CC BY 4.0 الذي يسمح بالاستخدام التجاري وغير التجاري.

تُظهر الاختبارات بين أنواع الأجسام كيف تنتقل المهارات بينها وكيف تتكيف باستخدام قدر محدود من بيانات الروبوتات. وتفيد NVIDIA بتحقيق نجاح بنسبة 65% في إعداد ورق الترشيح، بعد تعلّم المهمة من عروض توضيحية بشرية من دون تشغيل عن بُعد خاص بها، وبنسبة 60% في تجميع شاحنة قلابة لعبة بعد نقل المهارة من ماسك محمول باليد إلى ذراع YAM. وفي تقييم Dexter، أتمّ GR00T 2 تجربة واحدة على الأقل في 40 مهمة. وبلغ متوسط النجاح 71% عند تقديم عرض توضيحي واحد لكل مهمة، و95% عند تقديم خمسة عروض؛ إذ توفر هذه العروض الخمسة أقل من ثلاث دقائق من بيانات الروبوت لكل مهمة، يعقبها ضبط دقيق للمهايئ يستغرق نحو 30 دقيقة على جهاز RTX 5090 واحد.

ويضع الكتاب الأبيض التقني نتيجة العروض التوضيحية الخمسة في سياقها: فقد اختيرت المهام المُقيّمة من بين المهام التي يستطيع النموذج تعلّمها بخمس حلقات تدريبية وتحقيق معدل نجاح لا يقل عن 80%، لذا يعود ارتفاع هذا المتوسط جزئيًا إلى طريقة الاختيار.

يتجه التدريب بالمحاكاة نحو الدقة

تتمثل قاعدة المحاكاة في Isaac Lab 3.0، المتاح عمومًا منذ 20 أكتوبر 2026. ويوفر واجهة برمجة تطبيقات موحدة للمهام تعمل عبر الأنظمة الخلفية للفيزياء والتصيير والتصور؛ كما يدعم Newton الأجسام الصلبة والمواد القابلة للتشوه والجسيمات، ويمكن تشغيل العديد من مسارات العمل من دون تثبيت Isaac Sim بالكامل. وفي معيار لتقييم المناولة البارعة المعتمدة على الرؤية، تفيد NVIDIA بأن إنتاجية التدريب تصل إلى 2.5 ضعف إنتاجية Isaac Lab 2.3 مع PhysX عند تشغيل Isaac Lab 3.0 باستخدام Newton.

يطبّق AlphaNIST تدريبًا واسع النطاق بالمحاكاة على 20 مهمة من مهام لوحة NIST للتجميع، تشمل قطعًا لا يتجاوز حجمها 4 مليمترات. وتتدرب سياسة مشتركة واحدة باستخدام مكافأة نجاح لا تتجاوز تحديد ما إذا كانت المهمة قد نجحت أم لا. وتفيد NVIDIA بأن نسبة نجاح تدريب هذه السياسة بلغت 98.2%، مقابل 81.4% للسياسات المنفصلة الخاصة بكل مهمة، مع استخدام وقت أقل على وحدات معالجة الرسوميات بنحو 39 مرة؛ وهذه نتائج تدريب بالمحاكاة.

يعتمد AlphaNIST على أخذ العينات الموجّه بالنجاح، الذي طوّرته University of Washington وNVIDIA. ويوجّه التدريب نحو الأوضاع القريبة من الحد الأقصى لقدرات السياسة، ولا سيما الأوضاع التي تنجح في حلها نحو نصف الوقت. ويفيد مؤلفو الطريقة بأنها تتوسع بفاعلية إلى أكثر من مليون بيئة محاكاة، كما تنقل سياسات التجميع المعتمدة على صور RGB إلى أجهزة UR5e حقيقية دون تدريب مسبق خاص.

تتناول المعايير تنوع التطبيقات الصناعية

يوفر Isaac Lab-Arena طبقة التقييم. ويتيح هذا الإطار مفتوح المصدر إنشاء تقييمات قابلة للتكرار من مكونات معيارية وتشغيلها عبر بيئات محاكاة مُسرّعة بوحدات معالجة الرسوميات، فيما يوضح تحليل الإخفاقات الظروف التي تستدعي جولة تدريب أخرى. وتقول NVIDIA إن المعاينة المخصصة للمطورين من الإصدار 0.4 ستصل إلى CoRL.

يضم DexBench v1.0، الذي طوّرته RLWRLD بالتعاون مع NVIDIA، 15 مهمة ضمن مشاهد للبيع بالتجزئة والخدمات اللوجستية وخطوط التجميع وتقديم الطعام والشراب في الفنادق. أما VABAR، الذي أعدّته UC Berkeley وNVIDIA، فيشمل فرز الأدوات وتعليقها، وتعشيق التروس، وتعبئة المحاقن، وإدخال الكابلات وتمريرها، مستعينًا بمكتبة تضم 33 مهارة. وتشير صفحة مشروع VABAR إلى أن مستويي الصعوبة المتاحين حاليًا يشكلان مجموعة التحقق، وأن مجموعة اختبار أصعب لا تزال قيد الإعداد.

تضيف الوكلاء إمكانات التعافي وقيودًا جديدة

يستخدم إطار Graph-as-Policy من UC Berkeley عدة وكلاء لتأليف رسم بياني موجّه قابل للتفسير لمهارات الروبوت، والتدرّب على تنفيذه في المحاكاة، ومراجعة بنيته ومعلماته بعد الإخفاقات. ويفيد المشروع بأن عشر جولات تدريب رفعت نتيجة Make Popcorn من 33% في البداية إلى 94% في المحاكاة و90%، أي 18 تجربة من أصل 20، على روبوت حقيقي. وتركز المعايير الحالية على المناولة شبه الساكنة؛ أما المواد القابلة للتشوه والديناميكيات والأهداف المتحركة، فلا تزال ضمن الأعمال المستقبلية.

يستخدم GR00T 2 وكيلًا للاستدلال لترتيب المهارات ومراقبة التقدم وتشغيل إجراءات التعافي عند سقوط القطع أو تعثر العمل، بينما يتولى النموذج المناولة التي تتطلب تفاعلًا مكثفًا مع الأجسام. وباستخدام بيانات تصحيحية وهذا الوكيل، تفيد NVIDIA بنجاح تجميع 98 طائرة لعبة و97 جرارًا لعبة و97 سيارة Hot Wheels، في 100 تجربة لكل لعبة، بدأت كل منها بقطع أُسقطت عشوائيًا. أما الضبط الدقيق الخاضع للإشراف وحده، فأنتج 69 و51 و23 عملية تجميع ناجحة على التوالي.

ويورد الكتاب الأبيض، على نحو منفصل، أن متوسط النجاح بلغ نحو 70% في معايير التقييم طويلة الأمد بعد التدريب. وفي مهمة فرز النفايات بتوجيه بصري، انتظر الروبوت الوكيل خلال 38% من مدة الحلقة في المتوسط، ما يكشف كلفة التأخير الناجمة عن إشراف الوكيل.

تقول NVIDIA إن Nexuni تختبر GR00T 2 في التعامل مع الغسيل، وإن Foxconn تطبّقه في أتمتة تصنيع الخوادم، وإن Siemens تقيّم حالات استخدامه الصناعية. والعمل المعلن عنه يقتصر على الاختبار والتقييم؛ فلم يُعلن عن بدء نشره في الإنتاج.

تخلص الورقة البيضاء إلى أن الموثوقية تستند إلى التدريب المسبق لتحقيق الاتساع، والعروض التصحيحية والتعلّم المعزز لتحقيق الدقة، والوكلاء لتوفير الذاكرة والتحقق والتعافي. لذا، فإن المقياس المفيد للمستخدمين الصناعيين هو سير العمل الكامل المحيط بـ GR00T 2، ومقدار الإشراف الذي تتطلبه كل مهمة. ويتمثل تحدي النشر القائم في الحفاظ على الموثوقية المعلنة، مع تقليل التكييف اللازم لكل مهمة ووقت انتظار الوكلاء، وهما أمران وثّقتهما نتائج NVIDIA نفسها.