NVIDIA 在美國德州奧斯汀舉行的機械人學習大會（CoRL）上發表機械人模型 GR00T 2，以及 Isaac Lab 3.0 和兩項新的開放基準測試。它們針對同一個問題：教機械人完成對齊齒輪、連接電線及組裝小零件等精細工作，方法主要是先在模擬環境中反覆練習。
這些工具面向研究人員及企業，而非一般消費者，但可讓人了解未來數年的機械人是如何訓練的。消息於 11 月 9 日公佈。
GR00T 2 是甚麼？
NVIDIA 形容 GR00T 2 為建基於 NVIDIA Cosmos 的開放世界行動模型，以機械人及人類資料訓練，其中包括 NVIDIA 開源的 100,000 小時人類第一身視角資料。
- 在沒有針對個別任務示範的情況下，50 項評估任務中有 40 項至少完成一次
- 可從人類示範中學習，並在不同機械人本體之間轉移技能
- 每項任務只有一次示範時，50 項任務平均成功率為 71%，五次示範則升至 95%
- 代理程式可呼叫其應用程式介面，依序執行技能並從錯誤中恢復
NVIDIA 表示它在 RoboCasa365、RoboLab、RoboDojo 及 MolmoSpaces 等多項基準測試類別中位列前三名。Nexuni 正測試用於洗衣處理，Foxconn 用於伺服器製造，Siemens 則評估多種工業用途。以上為公司提供的數字，並非獨立測試結果。
Isaac Lab 3.0 有甚麼新東西？
Isaac Lab 是 NVIDIA 的開源機械人學習框架。3.0 版讓研究人員利用代理程式建立訓練環境，在 PhysX 與 Newton 物理求解器之間切換，為感知訓練選擇渲染器，並對 GR00T 等模型使用新的強化式後訓練函式庫。
- 與 Newton 整合更緊密，可模擬電線、布料及多關節機械手
- 可並行訓練數以千計的模擬機械人
- 在一項基於視覺的靈巧操作基準測試中，訓練吞吐量最高為使用 PhysX 的 Isaac Lab 2.3 的 2.5x
Newton 是開源物理引擎，據早前報道由 Google DeepMind、Disney Research 及 NVIDIA 共同開發，並由 Linux Foundation 管理。Skild AI 公佈了建基於 Newton 的剛體求解器 STEEL，Flexion、FieldAI、Dyna Robotics、Walden Robotics 及 Dexmate 亦介紹了各自的模擬工作。
模擬練習能有多精準？
NVIDIA 以在 Isaac Lab 中建立的 AlphaNIST 為例。單一策略學會 NIST 組裝任務板上的全部 20 項任務，處理毫米級零件，而且只依靠「成功或失敗」的訊號。其訓練成功率超過 98%，各任務獨立策略則為 81%，所需 GPU 時間約少 39x。背後的方法是華盛頓大學與 NVIDIA 的 Success-Guided Sampling，把練習集中在策略約有一半成功率的任務上，NVIDIA 稱可擴展至超過一百萬個並行環境。
新的基準測試有哪些？
開源評估框架 Isaac Lab-Arena 推出 0.4 開發者預覽版，兩項基準測試都使用它：
- DexBench：由 RLWRLD 與 NVIDIA 開發，在零售、物流、製造及酒店四個場景中設有 15 項任務
- VABAR：由加州大學柏克萊分校與 NVIDIA 開發，包含六項工業任務，設有標準化變化、難度等級及成功指標
柏克萊的 Graph-as-Policy 框架利用代理程式把技能連結成程式，工程師可在部署前檢視。NVIDIA 亦推出 Video to Data 工作流程及 EgoHand 模型，後者據稱兩星期內在 Hugging Face 的下載量超過 40,000 次。
價格
NVIDIA 的文章沒有列出價格。這些工具被形容為開放，Isaac Lab-Arena 0.4 則是開發者預覽版。文中沒有說明各項目的下載位置，請查閱 NVIDIA 的開發者頁面。
適合哪些人
機械人研究人員。開放的模型、模擬器及基準測試，讓實驗室有共同方式訓練及比較靈巧技能。
工廠及倉庫團隊。Foxconn、Siemens 等正測試這些成果用於組裝及物流等工作，但沒有任何一項被形容為成品。
學生。德州大學奧斯汀分校利用 Isaac Sim 及 Isaac Lab，讓學生在硬件到手前先開始開發。
一般讀者。這裏沒有任何東西發售，但可窺見日後家庭及工作場所的機械人如何學習精細工作。
還有哪些未知數？
NVIDIA 沒有公佈商用日期及價格，其基準測試結果亦未經獨立驗證。多數成果來自模擬或實驗室示範，能否在真實工廠發揮同樣水平仍有待證明。完整的合作夥伴名單及連結可見 NVIDIA 的網誌文章。
