NVIDIA GR00T 2全解説|人間動画92%で学習、5デモで精度95%の数値を読む
- ロボット工学・物理AIの最新動向を追うエンジニア・研究者
- NVIDIAのロボット基盤モデル戦略を知りたいAI/HWビジネス担当者
- GR00T 2を自社ロボットに使えるか検討中のスタートアップ・メーカー
「NVIDIAが95%の精度を達成したというが、タスク一覧も試行回数も公開されていない。これは宣伝か研究か」
CoRL(Conference on Robot Learning)2026の参加者がXにこう書き込んだのは2026年11月9日、NVIDIAがGR00T 2を発表した直後のことだ(出典: The Neuron、2026年11月)。
GR00T 2は、NVIDIAが「オープンフロンティア世界行動モデル(Open Frontier World Action Model)」と呼ぶロボット基盤モデルだ。人間が日常生活でとる動作を撮影した動画データを主軸に学習し、少量のデモンストレーションだけで新しいロボットに技術を転用できることを特徴とする(出典: NVIDIA Research、2026年11月)。
数値だけ見れば印象的だ。ゼロショット条件で50タスク中40タスク成功。ロボットごとに5回のデモを見せると平均成功率が95%に達するという。しかし韓国の独立分析(Tilnote、2026年11月)が指摘するように、タスク選定の基準と試行回数が非公開である以上、その数値を額面通りに受け取るのは早計だ。
本稿では発表内容を整理しながら、光と影の両方を検証する。
GR00T 2の全体像 — CoRLで何が発表されたか
GR00T 2は2026年11月9日、テキサス州オースティンで開催されたCoRL 2026で正式発表された(出典: NVIDIA Press Release)。
モデルの核心はCosmos-Predict2.5-2Bアーキテクチャを基盤とした20億パラメータの拡散トランスフォーマー(Diffusion Transformer)だ。ロボットのカメラ映像・関節状態・テキスト指示を入力として受け取り、「次のフレームの視覚予測」と「次の行動シーケンス」を1パスで同時生成する。ビデオ生成と行動生成を分離せず共同予測する点が従来のVLA(Vision-Language-Action)モデルと異なる(出典: GR00T 2 Whitepaper)。
GR00T 2に加え、エッジデバイス向け軽量版のGR00T 2 Turboも同時発表された。TurboはJetson Thor上でUnitree G1ヒューマノイドのオンボード推論に対応し、レイテンシは124ミリ秒だと報告されている(出典: RuntimeWire、2026年11月9日)。
同時発表: Isaac Lab 3.0
GR00T 2と合わせてNVIDIAはIsaac Lab 3.0も発表した。モジュール型アーキテクチャを採用し、物理エンジンをNewtonとPhysXで切り替え可能。マルチGPU学習と、LEAPP(Learning-to-Embodied-AI-Platform Pipeline)デプロイツールを統合した。ベンチマーク上ではIsaac Lab 2.3比で最大2.5倍のスループット向上を謳う(出典: The Robot Report、2026年11月9日)。
人間動画92%で学習する理由 — データと技術の仕組み
GR00T 2の学習データは総計約43万6000時間。内訳は人間の自己視点(エゴセントリック)動画が92.3%(約40万時間)、ロボット遠隔操作データが5.4%(約2万3500時間)、ハンドグリッパーによるデモが約1万時間だと報告されている(出典: FourWeekMBA、2026年11月)。
これだけの人間動画を主軸にした理由は「ロボット遠隔操作データの収集コスト」にある。ロボットアームに人がハンドルを握り手作業でデータを取る方法は、1時間あたり数万円のコストがかかる。一方、既存のエゴセントリック動画データセット(EPIC-Kitchens、Ego4D等)は大量に存在し、コストなしで利用できる。GR00T 2はその差を利用する設計思想だ。
NVIDIAは学習データのうち10万時間分の人間動画データセットをCC BY 4.0ライセンスで公開済みだ。研究者や企業が自由に活用できる(出典: Interesting Engineering、2026年11月)。
Cross-Embodiment転用の仕組み
異なるロボット間でのスキル転用(Cross-Embodiment)は、GR00T 2の中核的な特徴の1つだ。ロボットアームで学んだ「物を掴んで置く」動作を、指の数が違う別のアームや、全身ヒューマノイドに再利用できる。理論上は新ロボット向けの遠隔操作データを最小限に抑えながら、既存の人間動画で基礎能力を補える構造になっている。
95%という数値の読み方 — 光と影
NVIDIAが発表した主要指標を整理する。
| 条件 | 成功率 |
|---|---|
| ゼロショット(50タスク) | 40%(40/50タスク) |
| 1デモ/タスク(同50タスク) | 71%平均 |
| 5デモ/タスク(同50タスク) | 95%平均 |
表面上は優秀に見えるが、韓国の独立分析(出典: Tilnote、2026年11月)が指摘した問題点が3つある。
1. タスク選定バイアス: NVIDIAの白書は「5デモ評価では、5エピソード以内に成功率80%以上が見込めるタスクを選んだ」と自ら認めている。つまり成功しやすいタスクのみで測った数値だ。
2. 試行回数・機種の非公開: タスク一覧・試行回数・使用ロボット機種はいずれも非開示のまま。再現実験ができない。
3. シミュレーション vs 実機: TechRepublicの報道(出典: TechRepublic)によれば、高成功率は主にシミュレーション環境での評価であり、実機での同等性能は確認されていない。
さらに、あるアグリゲーターはRoboDojo独立評価でのGR00T 2の実世界成功率を12.8%と報じているが、韓国の分析はこの12.8%をGR00T 2ではなく別ポリシー(pi0.5)の最高スコアと解釈しており、数値の帰属自体が確認できていない状態だ。
パートナー企業の動向 — Foxconn、Siemens、Nexuni
NVIDIAはGR00T 2の発表と同時に3社の活用事例を公開した(出典: NVIDIA Press Release)。
Foxconn(製造): サーバー製造ラインでの工場自動化に評価適用中。ただし「本番導入」ではなく「評価・テスト段階」だ。
Siemens(産業): 複数の産業ユースケースで評価中。具体的な工程・機種は非公開。
Nexuni(家事): 家庭向けロボットによる洗濯作業のテストに活用。
注意すべきは3社とも「テスト・評価」段階であり、量産ラインへの本番導入を発表した企業はゼロだという点だ。GR00T 2のコードとウェイトは2026年12月公開予定であり、現時点では開発者もアクセスできない(出典: NVIDIA Research Page)。
競合のGemini Robotics 2(Google DeepMind、2026年7月)が全身ヒューマノイド制御に特化する一方、GR00T 2は複数のロボット形状に対応するCross-Embodimentを重視した設計であり、市場アプローチが異なる。詳細はGemini Robotics 2全解説を参照されたい。
- 発表日: 2026年11月9日(CoRL、オースティン)
- パラメータ数: 約20億(Cosmos-Predict2.5-2B)
- 学習データ: 約43万6000時間(人間動画92.3%)
- 公開データ: 10万時間(CC BY 4.0)
- 精度: ゼロショット40%、1デモ71%、5デモ95%(NVIDIA自己申告)
- Turbo推論: 124ms(Jetson Thor / Unitree G1)
- コード・ウェイト公開: 2026年12月予定
AIロボット基盤モデルの競合を把握したい方へ
Anthropicが2026年8月に発表したMHS(Model Hardware Standard)は、AIがロボットをUSB-Cのように制御する新標準だ。GR00T 2との比較でロボットAI全体の地図が見えてくる。
関連記事
- Gemini Robotics 2全解説|全身ヒューマノイド制御の実力と限界
- AnthropicのMHSとは何か — ClaudeがロボットをUSB-Cのように操作する新標準
- DeepMind「AlphaGenome 2」:DNAを細胞タイプ別に読む、旧モデル2倍の因果変異特定率
免責事項: 本記事は2026年11月19日時点の公開情報に基づく。GR00T 2のベンチマーク数値はNVIDAの自己申告値であり、独立した第三者評価は発表時点で未実施または非公開のものが多い。コード・ウェイト公開スケジュールは変更される可能性がある。投資・調達・導入判断の際は一次情報を必ず確認されたい。