英偉達GTC2025 正式發布了GR00T N1，號稱世界首個開源的人形機器人通用模型！目標：讓物理AI人人可用

簡單來說，GR00T N1是一個通用的機器人大腦，只有20 億參數，卻擁有驚人的潛力

下面我們一起來扒一扒GR00T N1的細節，給大家劃個重點

GR00T N1 的硬核實力

GR00T N1 的強大，首先得益于它“吃”下的海量數據，NVIDIA 稱之為 “史上最多樣化的物理動作數據集”。這些數據來源非常豐富：

真實人形機器人遙操作數據：這是最直接、最寶貴的實戰經驗

大規模仿真數據：NVIDIA 慷慨開源了30萬+軌跡的仿真數據，助力研究社區

“幻覺”出的數據： NVIDIA 巧妙地運用了SOTA 視頻生成模型，創造出 “神經軌跡” 這種合成數據。這種數據在像素層面都遵循精確的物理規律，正如老黃所說，這簡直是 “系統性的無限數據”！

動作令牌提取：為了讓模型理解人類行為，NVIDIA 還開發了新算法，從真實人類視頻和神經生成視頻中提取動作令牌

GR00T N1 的核心架構也相當簡潔高效，它是一個 端到端的單神經網絡，直接從“光子”輸入到“動作”輸出，中間沒有復雜的層層堆疊：

視覺-語言模型 (System 2)： 這部分是負責“思考”的系統，它基于 NVIDIA-Eagle 和 SmolLM-1.7B 構建，能夠像人的 “System 2” 一樣，通過視覺和語言指令來理解物理世界，進行環境和指令推理，最終規劃出合理的動作

擴散 Transformer (System 1)： 這部分負責“執行”，它扮演著 “System 1” 的角色，將 System 2 的規劃 “渲染” 成流暢、精確的電機動作，頻率高達120Hz！

實戰效果：多場景性能提升顯著

GR00T N1 并非紙上談兵，NVIDIA 將其部署在了自家的 GR1 機器人、 1X Neo 機器人 以及大量的仿真基準測試中。結果顯示，在家庭和工業環境中，GR00T N1 在各種操作任務中實現了高達+30% 的性能提升。

更令人驚喜的是，GR00T N1 還支持跨具身 (cross-embodiment)能力。這意味著，它不僅能驅動人形機器人，還能通過微調適配到其他機器人平臺。例如，NVIDIA 就展示了 GR00T N1 在 HuggingFace LeRobot SO100 機械臂 上的應用，真正實現了 “開放的機器人大腦運行在開放的硬件上”。

GR00T N1 的預訓練策略

為了訓練 GR00T N1 這樣的通用模型，NVIDIA 采用了穩健的數據策略。他們構建了一個數據金字塔，充分利用各種數據類型的互補優勢：

底層：包含語言信息的 人工標注視頻數據集，捕捉人與物體的交互，提供自然運動模式和任務語義的洞察

中層：由 NVIDIA Omniverse 平臺 生成的 合成數據

頂層：通過各種平臺 遙操作收集的真實機器人數據，提供機器人能力的精確洞察

英偉達強調，他們使用了NVIDIA Isaac GROOT blueprint來實踐這一方法。僅用11 小時就生成了超過75 萬條合成軌跡，相當于6500 小時或9 個月的人類演示數據。將合成數據與真實數據結合，相比僅使用真實數據，GR00T N1 的性能提升了40%！

想上手？英偉達已經為你鋪好路

NVIDIA 不僅發布了模型，還貼心地提供了 “Get started today ” 指南，并開放了豐富的資源：

模型權重： GR00T N1 2B 模型已在 Hugging Face 上開源

代碼和數據集： Sample 數據集和 PyTorch 微調腳本可以在 NVIDIA/Isaac-GROOT GitHub 倉庫找到。開源物理AI數據集也已發布在 HuggingFace Datasets 上

硬件需求： 微調至少需要 NVIDIA RTX A6000 或 GeForce RTX 4090 GPU，更高級的需求可以選擇 NVIDIA DGX Spark 或 DGX H100 系統。推理可以使用 NVIDIA RTX A6000 GPU 或 Jetson AGX Orin。

性能實測：仿真與真實世界雙重驗證

為了全面評估 GR00T N1，英偉達在仿真和真實世界基準測試中都進行了驗證

仿真環境：使用了三個基準測試，包括 RoboCasa, DexMG, GR-1，結果顯示 GR00T N1 的平均成功率達到45.0%，顯著高于 BC Transformer 和 Diffusion Policy 等基線模型

真實世界：在 GR-1 人形機器人上進行了桌面操作任務測試，包括 “Pick-and-Place”, “Articulated”, “Industrial”, “Coordination” 等任務。使用完整數據集訓練的 GR00T N1，平均成功率高達76.8%，遠超 Diffusion Policy 模型

GR00T N1 白皮書:

https://research.nvidia.com/publication/2025-03_nvidia-isaac-gr00t-n1-open-foundation-model-humanoid-robots

開源代碼倉庫:
https://github.com/NVIDIA/Isaac-GR00T/

HuggingFace 模型:
https://huggingface.co/nvidia/GR00T-N1-2B

開放數據集:

https://huggingface.co/datasets/nvidia/PhysicalAI-Robotics-GR00T-X-Embodiment-Sim

參考：

https://developer.nvidia.com/blog/accelerate-generalist-humanoid-robot-development-with-nvidia-isaac-gr00t-n1/

?星標AI寒武紀，好內容不錯過?

用你的贊和在看告訴我～

求贊