NVIDIAのGR00T 2、5回のデモで成功率95%達成——富士康・シーメンスが生産ライン評価を開始も、モデルの重みは12月公開予定

2026年11月9日、NVIDIAはテキサス州オースティンで開催されたロボット学習国際会議（CoRL 2026）にてGR00T 2を発表した。同社はこのモデルをCosmosアーキテクチャに基づく「オープン・フロンティア世界行動モデル」と位置づけている。NVIDIA公式ブログによると、同モデルは5回のタスクデモ後に50項目の評価タスクで平均成功率95%を達成した。デモ1回の条件では71%、デモなしの条件では平均成功率40%ながら50項目中少なくとも40項目を完了できるという。富士康はすでにサーバー製造ラインへ導入し、シーメンスは産業応用シナリオの評価を進めており、Nexuniはロボットによる洗濯作業のテストに活用している。

GR00T 2の技術的核心は、単一の拡散トランスフォーマー（diffusion transformer）を用いて将来の映像フレームとモーター指令を同時に生成する点にある。mlq.aiがNVIDIA研究ページを引用した報道によれば、モデルは最近のカメラ映像・自然言語指示・ロボットの現在状態を入力として受け取り、単一のフォワード推論で短期予測シーケンスを出力することで、映像予測と動作計画を一体化している。このアーキテクチャ設計の直接的な意義は、スキル表現が特定のロボットプラットフォームに依存しない点にある。NVIDIAは、ロボットによるデモなしで人間のデモから学習したスキルを異なるロボット機体間に転移できると説明している。事前学習データの規模は相当なものであり、NVIDIA研究ページによると学習データセットには一人称視点の人間動作映像402,730時間、ハンドヘルドグリッパーによるデモ10,184時間、ロボット遠隔操作データ23,500時間が含まれ、複数の機械アームとUnitree G1ヒューマノイドロボットプラットフォームをカバーしている。このうち10万時間分の人間動作映像はオープンデータセットとしてHuggingFaceで公開済みだ。mlq.aiの報道によれば、人間動作映像を学習データに加えるだけで、72項目のタスクにおける平均進捗率が50%から70%に向上した。

エンジニアリング実用性の観点では、「5回デモで95%」という数値の背後にある適応コストが商業的価値を判断するうえでの重要な変数となる。mlq.aiの報道によると、5回のデモに要したロボット操作時間は3分未満であり、その後単一のRTX 5090上で約30分のLoRAファインチューニングを行うだけで新タスクへの適応が完了する。この数値が示すのは完全自律ロボットではなく、学習起点が高く極めて低コストで新タスクに迅速に対応できる基盤適応レイヤーだ。これは特定ドメイン向けに大規模言語モデルをファインチューニングすることに類似しており、汎用能力をそのまま使える「箱出し即利用」とは異なる。humanoidsdailyの報道によれば、GR00T 2のTurboバリアントは20億パラメータのトランスフォーマーを採用しており、エッジデプロイメント向けに最適化され、Jetson Thorロボットコンピューティングプラットフォーム上での推論レイテンシは124ミリ秒だ。

しかし、この50項目の評価タスクの選定基準は現時点で完全には公開されておらず、これが現行バージョンにおける最も重要な不確実性となっている。cellcog.aiの報道によると、NVIDIAはタスクリストを公開しておらず、外部研究者はタスクの分布がオープンワールドにおける操作の多様性を代表しているかどうかを独立して検証することができない。mlq.aiがNVIDIAの研究資料を引用した報道では、これらのタスクはモデルが「学習可能なタスク」の中から選ばれたとされている。GR00T 2はまた、RoboCasa365・RoboLab・RoboDojo・MolmoSpacesの4つのベンチマークランキングにおいて、視覚言語行動モデルと世界行動モデルの両カテゴリでトップ3にランクインしている。

Isaac Lab 3.0：より説得力のある比較データ

GR00T 2と同時に発表されたIsaac Lab 3.0は、エンジニアリング面でより定量的な参考値を提供している。dev.toの報道によると、巧みな操作（dexterous manipulation）ベンチマークテストにおいて、Isaac Lab 3.0はバージョン2.3と比較して学習スループットが2.5倍向上した。主要な改善点はNewton物理エンジンの導入であり、ケーブル・布地・多関節マニピュレーターの精密シミュレーション機能が新たに追加された。

AlphaNISTの事例は、これまでで最も説得力のある具体的な比較データを提供している。dev.toの報道によると、Isaac Labをベースに構築されたこのシステムは、NISTアセンブリタスクボードの全20項目のタスクを単一のポリシーで処理し、学習成功率98%超を達成した。タスクごとに独立したポリシーを用いた場合は81%にとどまっており、単一ポリシーに要したGPU時間はタスク別ポリシーの約1/39だった。この数値が示す意義は精度向上にとどまらない。基盤モデルの汎化能力が十分に高い場合、単一の汎用ポリシーが精度と計算コストの両面でタスク専用ポリシーを同時に上回るというエンジニアリング経済学の原則を明らかにしている。

「オープン」という宣言と12月の重み公開という重要な節目

NVIDIAはGR00T 2を「オープン・フロンティアモデル」と位置づけているが、この表現と現状との間には乖離がある。mlq.aiの報道によると、発表当日時点でモデルの重みは公開されておらず、コードは2026年12月に提供予定とされており、ライセンス条件は現時点でも未発表だ。参考として、NVIDIAがこれまでに発表したFloraシリーズのロボットモデルは非商用研究ライセンスを採用していた。重みとライセンスのいずれも確定していない現段階では、GR00T 2を実際に統合できるチームはAPI経由でアクセスできる公式パートナーに限られている。

産業構造の観点から見ると、今回の発表が示すより深い論理は、NVIDIAがエコシステムの支配力をチップ層からモデル層へと拡張する戦略的布石である。Isaac Labがシミュレーション学習環境を提供し、GR00T 2が事前学習済み基盤を提供し、Jetson Thorがエッジ推論の計算リソースを提供し、DexBenchとVABARという2つの付属ベンチマークフレームワーク（それぞれ小売・物流・製造・ホスピタリティの15タスクと産業操作の6タスクをカバー）が評価基準を提供する——NVIDIAはデータ・学習・評価・デプロイメントにわたる完全なクローズドループを構築しつつある。下流のロボットメーカーにとって、このエコシステムは開発の出発点を大幅に引き下げる一方で、NVIDIAの技術スタックへの深い依存を生み出す。富士康がサーバー製造という応用シナリオを選んだこと自体が示唆深い。サーバー組み立ては操作環境が比較的構造化されたシナリオであり、現在のロボット基盤モデルの能力の合理的な限界内に収まっている。

分析的観点から判断すると、12月はGR00T 2の実際のオープン性を評価するうえで最も重要な節目となる。ライセンスが商用利用を認めるかどうか、重みの公開に完全な学習設定が伴うかどうか、そして外部チームが独立したハードウェア上で50タスクにおけるベンチマーク結果を再現できるかどうか——この3つのシグナルが、GR00T 2がロボット基盤モデル分野のオープンエコシステムをどこまで推進できるか、あるいは主にNVIDIAエコシステム内のパートナー圏に奉仕するものにとどまるかを左右することになる。シーメンスは現在評価段階にあり、具体的な応用スケジュールはまだ発表されていない。