摘要： NVIDIA 於 2026 年 11 月在德州奧斯汀舉行的 Conference on Robot Learning（CoRL）上，發表開放世界動作模型 GR00T 2、Isaac Lab 3.0 訓練框架，以及 DexBench、VABAR 兩個開放評測基準。這波發表的重點是機器人能力從移動轉向精細操作：在物理夠準的模擬裡大量排練，再把技能搬上實體機器。對想在機器人領域做產品的人而言，這代表硬體採購之前，訓練、評測和迭代的大部分工作可以先用開放工具完成。
GR00T 2 學到了什麼
GR00T 2 建立在 NVIDIA Cosmos 之上，訓練資料涵蓋多樣化的機器人與人類資料，其中包括 NVIDIA 開源的 10 萬小時人類第一人稱（egocentric）資料。幾個具體數字值得記下：它在 50 個評測任務中，不需任務專屬示範就至少完成過 40 個；每個任務只給一則示範時，50 個任務平均成功率 71%，給到五則示範時提升到 95%。它還能把從人類示範學到的技能，轉移到不同的機器人本體上，不必依賴機器人示範資料。
早期採用的訊號已經出現：Nexuni 正用它測試機器人洗衣處理，Foxconn 把它應用在伺服器製造的工廠自動化，Siemens 則在評估多種工業用途。配套的開放工具也在補資料短板——Video to Data 工作流程把人類影片轉成模擬機器人示範，EgoHand 開放模型重建 3D 手部動作，上線兩週在 Hugging Face 已有超過 4 萬次下載。
Isaac Lab 3.0 與 Newton：模擬是練習場
GR00T 2 給機器人核心技能，真正的大量練習發生在模擬裡。Isaac Lab 3.0 的幾項更新直接服務這件事：用 agent 快速搭建含模擬資產的訓練環境、在 PhysX 與 Newton 兩個物理求解器之間切換、為感知訓練選擇渲染器，以及把新的強化後訓練函式庫套用到 GR00T 這類基礎模型上。
物理準確度決定 sim-to-real 的成敗。這次與開源物理引擎 Newton 的整合更緊密，能模擬纜線、布料這類可變形物體，以及多關節互相耦合的機器手。在視覺為基礎的靈巧操作基準上，Isaac Lab 3.0 搭配 Newton 的訓練吞吐量達到 Isaac Lab 2.3 搭配 PhysX 的最多 2.5 倍，而且能平行訓練數千個模擬機器人。Skild AI 也在 CoRL 發表建構在 Newton 上的剛體物理求解器 STEEL，進一步加速 Isaac Lab 的訓練。
成本控制的例子來自 AlphaNIST：單一策略學會 NIST Assembly Task Board 上全部 20 個任務，操作毫米級零件，只靠「成功或失敗」的二元訊號，訓練成功率超過 98%，比逐任務分開訓練的 81% 更高，GPU 時間卻只需約 39 分之 1。背後是華盛頓大學與 NVIDIA 的 Success-Guided Sampling，把練習集中在一個策略成功率約五成的任務上，訓練可擴展到超過一百萬個平行環境。
評測從桌面走進工業場景
學會一個技能和在各種條件下穩定做到，是兩回事。Isaac Lab-Arena 0.4 開發者預覽版讓開發者組合多樣且可重複的評測，平行跑上千種變體，再從失敗分析回推下一輪訓練該修什麼。
兩個新開放基準都建在這套框架上。RLWRLD 與 NVIDIA 合作開發的 DexBench 有 15 個任務，橫跨零售、物流、製造和餐旅四個場景，測試物件、空間與物理變化下的泛化能力；團隊可在 Bifrost 的 Manifold 平台上免設定執行，初始評測有免費額度。UC Berkeley 與 NVIDIA 的 VABAR 則以六個工業任務評測，每個任務都有標準化的變體、難度分級與成功指標。對決策的實際意義是：在挑模型或挑硬體前，先確認哪個基準更貼近你的工作流程。
Agentic robotics：把技能串成可審核的程式
多步驟任務要協調多個技能，出錯時還要能應變，可靠地寫出這類程式仍是難題。UC Berkeley 的 Graph-as-Policy（GaP）框架用 agent 把單項技能連接成機器人程式，在 NVIDIA Isaac 開放模擬技術裡測試並根據失敗改進，產出對工程師來說可審核、可驗證的程式。UC Berkeley 機器人學教授 Ken Goldberg 對此的說法是，對他而言 agentic robotics 是「1995 年網際網路以來最令人興奮的技術發展」。Ambi Robotics、Bosch Research 和 Siemens 都在探索 GaP 的工業應用。
下一步與這些資料沒說的
實際動作清單：
- 用 VABAR 或 DexBench 對照你的工業流程（零售、物流、製造、餐旅），確認評測場景貼近實際條件，再決定是否投入訓練算力。
- 先用一則人類示範測 GR00T 2 在你的機器人本體上的技能轉移效果，逐步加到五則，觀察成功率曲線再擴大投資。
- 若採用 GaP 這類 agentic 流程，把工程師審核機器人程式納入上線前的必要步驟。
幾個限制也要說清楚：這些基準數字來自廠商發表，尚未見同儕審查驗證；GR00T 2 目前的應用仍處於測試與評估階段，資料中沒有實際產線的量化成果。訓練規模再大，sim-to-real 仍取決於物理模型的準確度——這正是 Newton 加入可變形物體模擬的理由，也是你自己驗證時最該盯著的一環。另外，這種規模的訓練背後是持續擴張的算力基礎設施，之前寫過的 NVIDIA 歐洲 AI 工廠算力擴張 是同一條脈絡的硬體面。