GR00T 2 pone a los robots a aprender mirando personas. NVIDIA presentó el modelo el 9 de noviembre en la Conference on Robot Learning (CoRL), en Austin, Texas: un cerebro de robótica entrenado con 402.730 horas de video humano en primera persona, capaz de completar 40 de 50 tareas evaluadas sin una sola demostración hecha con el robot de destino.
El dato que pide lectura fina es otro. Con una demostración por tarea, el acierto medio sube al 71 %; con cinco, al 95 %, tras un ajuste de 30 minutos en una sola tarjeta RTX 5090. Todas las cifras son de la propia NVIDIA y su página de investigación no nombra las 50 tareas ni dice cuántos intentos hubo detrás de cada promedio.
GR00T 2 es un modelo de acción mundial construido sobre NVIDIA Cosmos, la familia de modelos de mundo de la compañía. La etiqueta suena abstracta y la mecánica es concreta: el sistema predice a la vez los fotogramas siguientes de video y las acciones del robot que producen ese cambio. Primero imagina la escena, después mueve el brazo.
La mezcla de entrenamiento explica la apuesta. Al video humano se suman 10.184 horas de demostraciones con una pinza de mano y 23.500 horas de teleoperación, con personas guiando robots a distancia. Mirar aporta variedad de escenas y de objetos; la práctica con hardware aporta el tacto que una cámara no registra.
Parte de ese material ya está al alcance de cualquiera. NVIDIA publicó 100.000 horas de video humano como el conjunto Human-1M-100K, con licencia CC BY 4.0, que permite uso comercial y no comercial. Es la pieza abierta más sólida del anuncio: datos reales, descargables y con permisos escritos.
La transferencia entre cuerpos lleva nombre propio, X-Adapt. Una habilidad aprendida con datos de una máquina pasa a otra distinta sin demostraciones grabadas con ese segundo robot: brazos con pinza, manos diestras de varios dedos y el humanoide Unitree G1 aparecen en los datos de entrenamiento. Para una planta con máquinas distintas, ese detalle pesa más que cualquier titular.
Cinco ejemplos y media hora de ajuste
El 40 % de acierto sin demostraciones marca el punto de partida. Sin enseñarle la tarea al robot concreto, acierta cuatro de cada diez intentos; las tareas podían aparecer en el video humano o en datos de otros robots, así que «sin ver» aplica solo al cuerpo de destino. The Neuron, que revisó esa página el 10 de noviembre, pide esa precisión antes de citar el 95 %.
El contraste con trabajo reciente ayuda a ubicar la cifra. LADDER midió cómo los modelos caen del 85 % al 0,5 % al encadenar acciones, y GR00T 2 ataca ese punto con un agente que ordena las habilidades en secuencia, vigila el avance y llama a herramientas de recuperación cuando algo sale mal. La promesa es encadenar sin desplomarse; la prueba larga, en turnos completos, no está publicada.
En las tablas de comparación, el modelo queda entre los tres primeros de todas las categorías de modelos de visión, lenguaje y acción en RoboCasa365, RoboLab, RoboDojo y MolmoSpaces, con varios primeros puestos. Son bancos de pruebas de laboratorio, útiles para comparar sistemas entre sí y lejanos todavía del ruido, el polvo y las piezas torcidas de una línea real.
Fábricas reales ya lo están probando
Nexuni lo prueba doblando ropa en robots de lavandería. Foxconn lo aplica a la automatización de sus plantas de servidores y Siemens lo evalúa en casos industriales. MicroAGI lo ajustó con aprendizaje por refuerzo para cambiar cables Ethernet con un brazo YAM, un trabajo de dedos finos donde un conector mal puesto se nota al instante.
El paquete de CoRL trajo más piezas. Isaac Lab 3.0, el entorno abierto de entrenamiento en simulación, suma una biblioteca de ajuste por refuerzo para modelos como GR00T; la vista previa 0.4 de Isaac Lab-Arena repite evaluaciones en miles de variaciones; y DexBench y VABAR miden destreza en tareas de comercio, logística, manufactura y hostelería. NVIDIA vende el conjunto como una cadena completa: datos, simulación, modelo y examen.
Para la manufactura que rodea al lector hispano, con plantas de electrónica y servidores en México y una red de talleres que reprograma líneas a mano, un modelo que se adapta con cinco ejemplos baja el costo de cada cambio de producto. Ese es el beneficio defendible del anuncio, y no necesita el 95 % para sostenerse.
El veredicto queda en dos piezas. Como demostración de adaptación rápida, GR00T 2 convence: pocas muestras, media hora de ajuste y transferencia entre cuerpos. Como producto abierto, cojea: la página de investigación promete el código para diciembre de 2026 y no fija fecha para los pesos del modelo ni publica su licencia, así que llamarlo abierto del todo sería adelantar un papel que no existe.
Quien compre robots con este cerebro en 2027 hará bien en pedir tres datos que el anuncio no trae: la lista de las 50 tareas, los intentos por tarea y el nivel de intervención humana en un turno completo. Foxconn y Siemens ya tienen acceso para medirlos en sus plantas; el resto del sector tendrá que esperar al código de diciembre y a la licencia que NVIDIA aún no muestra.
Fuente: NVIDIA
