NVIDIA luncurkan GR00T 2 dan Isaac Lab 3.0 untuk melatih robot di simulasi
Pada 9 November 2026 di CoRL, Austin, NVIDIA memperkenalkan model aksi dunia terbuka GR00T 2 dan kerangka pelatihan robot Isaac Lab 3.0, plus tolok ukur terbuka baru untuk tugas industri.
NVIDIA memperkenalkan GR00T 2, model aksi dunia (world action model) terbuka, bersama Isaac Lab 3.0, kerangka kerja sumber terbuka untuk melatih robot. Pengumuman itu disampaikan pada 9 November 2026 di Conference on Robot Learning (CoRL) di Austin, Texas, Amerika Serikat. NVIDIA juga merilis pratinjau pengembang Isaac Lab-Arena 0.4 dan dua tolok ukur terbuka baru untuk tugas industri.
Model yang belajar dari demonstrasi manusia
Menurut blog NVIDIA, GR00T 2 dibangun di atas NVIDIA Cosmos dan dilatih dengan data robot serta manusia, termasuk 100.000 jam data egosentris (rekaman dari sudut pandang orang pertama) sumber terbuka milik NVIDIA. Model ini mempelajari keterampilan dari demonstrasi manusia, lalu memindahkannya antarbentuk robot tanpa demonstrasi robot. Agen AI juga dapat memakai API model ini untuk menjalankan keterampilan secara berurutan dan memulihkan diri dari kesalahan.
Angka berikut berasal dari evaluasi yang dilaporkan NVIDIA sendiri:
| Kondisi | Hasil |
|---|---|
| Tanpa demonstrasi khusus tugas | 40 dari 50 tugas selesai minimal satu kali |
| Satu demonstrasi per tugas | rata-rata keberhasilan 71% pada 50 tugas |
| Lima demonstrasi per tugas | rata-rata keberhasilan 95% |
Perlu dicatat, ukuran pertama hanya menghitung tugas yang berhasil diselesaikan setidaknya sekali, sedangkan ukuran kedua menghitung rata-rata tingkat keberhasilan. Keduanya tidak setara. NVIDIA menyebut GR00T 2 masuk tiga besar di berbagai kategori model vision-language-action (VLA) dan model aksi dunia pada tolok ukur RoboCasa365, RoboLab, RoboDojo, dan MolmoSpaces. The Robot Report menandai hal ini sebagai klaim NVIDIA.
Dari sisi penerapan, Nexuni menguji GR00T 2 untuk penanganan laundry robotik, Foxconn memakainya pada otomasi pabrik server, dan Siemens mengevaluasinya di berbagai kasus industri. MicroAGI memakai GR00T 2 yang dilatih lanjut dengan reinforcement learning (pembelajaran lewat coba-coba berbasis imbalan) untuk menukar kabel Ethernet dengan lengan robot YAM.
Simulasi dengan fisika yang lebih akurat
Isaac Lab 3.0 memungkinkan peneliti memakai agen untuk menyiapkan lingkungan pelatihan dengan aset siap simulasi, serta berganti antara solver fisika PhysX dan Newton. Kerangka ini juga membawa pustaka reinforcement post-training baru untuk model fondasi seperti GR00T. Integrasi yang lebih erat dengan Newton, mesin fisika sumber terbuka, membuat Isaac Lab dapat memodelkan objek lentur seperti kabel dan kain, juga sistem sendi kompleks seperti tangan robot.
Pada tolok ukur manipulasi dekstrous berbasis visi, Isaac Lab 3.0 dengan Newton mencapai hingga 2,5 kali throughput pelatihan Isaac Lab 2.3 dengan PhysX. Skild AI turut mengumumkan STEEL, solver fisika benda tegar baru di atas Newton untuk mempercepat pelatihan robot dengan Isaac Lab.
Contoh lain adalah AlphaNIST, yang dibangun di Isaac Lab. Satu kebijakan menangani 20 tugas pada NIST Assembly Task Board dengan komponen berskala milimeter. Keberhasilan pelatihannya lebih dari 98%, dibanding 81% untuk kebijakan terpisah per tugas, dengan sekitar 39 kali lebih sedikit waktu GPU.
Tolok ukur terbuka baru
Isaac Lab-Arena adalah kerangka evaluasi kebijakan berskala besar. DexBench, dikembangkan RLWRLD bersama NVIDIA, berisi 15 tugas di empat skenario: ritel, logistik, manufaktur, dan perhotelan. VABAR, dari UC Berkeley dan NVIDIA, menguji robot pada enam tugas industri dengan variasi, tingkat kesulitan, dan metrik keberhasilan yang distandarkan.
Apa artinya bagi pembaca
Bagi teknisi dan mahasiswa otomasi, pengumuman ini menunjukkan arah pemrograman robot industri: keterampilan dilatih dan diuji di simulasi sebelum dipasang pada mesin sungguhan. Model dan alat simulasinya terbuka, sehingga dapat dipelajari langsung. Semua angka kinerja di atas masih berasal dari NVIDIA dan mitranya, jadi hasilnya pada peralatan di lapangan perlu diuji sendiri.