GR00T 2 与 Claude Fable 5.2 同日发布电话会议纪要要点 一、涉及行业与公司 - 行业:物理AI/机器人、人形机器人、云端大模型、具身智能数据采集 - 公司:NVIDIA(NVDA US,未评级)、Anthropic(未上市)、Unitree 宇树科技(688836 CH,买入)、Amazon(AMZN US,未评级)、Google(GOOGL US,未评级)、Microsoft(MSFT US,未评级)、Tesla(TSLA US,未评级)、Figure、Google DeepMind、Apple、UC Berkeley、ACE Robotics、Robotera 等[1][2][5][6] 二、核心事件 - 2026年11月9日,NVIDIA 在德州奥斯汀 CoRL 大会发布 GR00T 2,配有研究页面和2026年11月版白皮书[1] - 同日,Anthropic 发布 Claude Fable 5.2[1] - 报告以规划层(S2)、动作层(S1)、控制层(S0)三层框架将两次发布合并解读[1][2] 三、三层框架定义 - S2 规划层决定下一步做什么,S1 动作层将其转化为身体运动,S0 运动控制层在运动过程中保持身体稳定[2] - 驾驶类比:S2 决定下个路口右转,S1 打方向盘并踩刹车,S0 每秒做数十次小幅稳定性修正[2] - 该分层框架在2026年11月9日《HALO passes the unseen-room test》报告中已提出[2] 四、GR00T 2 技术架构("Think Slow, Move Fast") - 三部分构成:机器人外的推理模型选择任务、机器人上的 GR00T 2 Turbo 规划动作、SONIC 控制器执行[2] - Turbo 拥有2B参数,在 Unitree G1 板载 Jetson Thor 芯片上每次预测需124毫秒[2] - Turbo 约每秒规划一次1.6秒的动作块,SONIC 以50Hz执行[2] - 白皮书自身图表将三者标注为 S2、S1、S0,但该映射仅适用于此套配置[2] - 补充数据:Turbo 在 RTX 5090 上预测延迟为38毫秒;S0 层 SONIC 运行于 Jetson Orin NX,执行频率50Hz,关节 PD 控制达1kHz[7] 五、行业四大趋势 - 精细任务需要更丰富的输出形式,如视频、2D或3D[2] - 决定 S1 和 S0 质量的是数据而非架构[2] - GPT-6 Astra 等 S2 模型出现跳过 S1 的早期迹象,泛化更好但更慢、失败更多[2] - 工业用户将在70-80%成功率水平部署,并在现场持续改进[2] 六、GR00T 2 少样本学习成果 - 在目标机器人从未见过的50个任务上,零示范成功率40%,一次示范后71%,五次示范后95%,每任务使用不到3分钟机器人数据[3] - 白皮书补充:Dexter-50 任务选自模型五次示范即可达80%以上成功率的任务,因此95%部分由构造决定,并非通用成功率[3] - 预训练数据:GR00T 2 使用402,730小时人类第一人称视频预训练[3] - 增加人类视频使真实机器人成功率从18%提升至41%,视频推演从30%提升至51%,任务进度从约50%提升至70%[3] - 遥操作数据中仅275小时来自 Unitree G1 人形机器人,人形本体因此是示范平台[3] - 轻量模型代价:后训练后 Turbo 在灵巧手任务得分34.3%,全模型为68.6%;但在 YAM(6自由度机械臂)上仅从71.7%降至65.0%[3] - 对数据买家而言,预训练仍需大量 Ego 视频,少样本学习削减每个新任务所需机器人示范,尚无证据显示 Ego 预训练需求下降[3] - "每任务示范降至一两次"可能是采集需求走弱的信号,若一两次示范足够,买家将支付更少遥操作会话费用[3] 七、Claude Fable 5.2 分析 - Fable 5.2 使云端大脑更强更便宜,但更强的云端 S2 本身不能消除机器人上快速 S1 的需求[5] - 大部分价值留在 token 层,归属模型厂商和云平台,Fable 5.2 与 GR00T 2 互补而非竞争[5] - 仅作为托管模型提供,通过 Claude API、Amazon Bedrock、Google Cloud、Microsoft Foundry 按 token 计费,无任何材料表明将授权在机器人或客户自有硬件上运行[5] - 仅输出文本,Anthropic 评定其延迟为中等,适合规划与工具调用,不适合关节运动[5] - 数据保留30天,除非 Anthropic 授权否则不提供零数据保留(ZDR),合格客户可通过 Enterprise Frontier Safeguards 私测保留 ZDR[5] - 定价:输入每百万 token 8美元、输出40美元,对比 Fable 5.1 的10美元和50美元,计算降幅20%[5] - 智能体循环反复调用规划层,价值留在 token 层:买家单次调用付费更少,厂商以量补价[5] - 更便宜的云端大脑提升了可被其驱动的板载 S1 的价值,例如推理模型在 GR00T 2 相机视野中标记抓取和释放点,NVIDIA 称使 YAM 成功率从40%提升至92%[5] - 快速工厂作业需要机器人上的 S1,工厂客户不接受云端大脑的网络风险[5] - Anthropic 在 RoboDojo Sim 的64.9%成绩是 S2 可跳过 S1 的弱证据,不推翻板载 S1:该分数来自 Anthropic 自研仿真最高努力运行,非官方榜单或真实机器人,且未披露延迟[5] 八、HALO 拐点判断 - GR00T 2 和 Fable 5.2 可能意味着运动层拐点略早到来,但 Ego 与操作层尚未到来[6] - 运动层:HALO 测试行走、坐下、爬行、推动等全身运动,接近 S1/S0 运动层,在6个真实环境360次试验中总体成功率91%,但抓取未测试、缺少接触传感[6] - 操作层:GR00T 2 预训练以人类第一人称视频为主(402,730小时对23,500小时遥操作),学习手物技能及动作后场景变化[6] - 真实机器人运动轨迹数据可能比操作和 Ego 数据更早被仿真替代,仿真工具也在升级,如 Google DeepMind 2026年10月发布的 Genie 4 世界模型[6] - Ego 采集不可忽视:Figure 报告称在其人类行为数据集 Index 上预训练,使30个未见家庭的全任务零样本成功率从9%提升至56%,并承诺未来12个月在数据与算力上投入超10亿美元[6] - 真实机器人采集也未消失:Tesla 在多个美国地点开放"Data Collection Operator, Optimus"岗位,涉及动作捕捉设备和物体操作[6] - 传感器与买家:Ctrl-F 无力度传感器部署不代表触觉传感器无需求,HALO 自身发现买家采购尚未改变[6] - 投资指向仍为 Ego 采集终端和板载 S1 算力[6] 九、三个待观察信号 - S2 达到工业可用的真实机器人成功率,且披露延迟、无需专用 S1[6] - 少样本学习普及后 Ego 采购放缓[6] - GR00T 2 十二月开权重发布附带非商业许可[6] 十、S0/S1/S2 分层对比(NVIDIA 官方 vs 行业调研) - S2 运行位置:NVIDIA 为机器人外推理模型选任务;行业调研为云端[7] - S2 模型规模:NVIDIA 未披露;行业调研为数百亿至数万亿参数[7] - S2 延迟:NVIDIA 未披露;行业调研认为秒级响应可接受[7] - S1 运行位置:NVIDIA 在机器人上(Unitree G1 的 Jetson AGX Thor);行业调研在机器人上,物流分拣等快速作业需避免100毫秒级云端延迟[7] - S1 模型规模:NVIDIA 为 GR00T 2 Turbo 联合视频-动作 Transformer,2B;行业调研日益采用 WAM(世界动作模型),3B和7B[7] - S1 延迟频率:NVIDIA 预测延迟124毫秒(Jetson Thor、G1板载)、38毫秒(RTX 5090),约每秒重规划1.6秒全身动作块;行业调研约每秒动作十次以上[7] - S0 运行位置:NVIDIA 在机器人上(Jetson Orin NX);行业调研在机器人上[7] - S0 模型规模:NVIDIA 为 SONIC 全身控制器;行业调研为数百万至数千万参数[7] - S0 延迟频率:NVIDIA SONIC 50Hz、关节 PD 控制1kHz;行业调研50Hz或更快、20毫秒内响应[7] 十一、相关论文与数据引擎(可能被忽略的内容) - Video Prediction Policy 2(arXiv:2610.10270,2026-10-07,Robotera、清华、港科大广州、UC Berkeley、上海交大):保留视频预测先验同时学习动作的世界动作模型,面向零样本泛化,是竞争 S1 位置的独立 WAM 路线[19] - Atomic-WAM(arXiv:2610.20157,2026-10-14,ACE Robotics、浙江大学、香港大学、江南大学):视觉语言推理器描述下一局部运动并引导 WAM 预测未来视频和动作块,是本报告所述 S2 驱动 S1 接口的小规模版本[19] - FLORA(arXiv:2610.31779,2026-10-22,NVIDIA,作者含 Linxi "Jim" Fan):用于训练 GR00T 模型的字幕与奖励标签数据引擎,作者称在内部基准上与 GPT-6 Astra 竞争,表明标注成本是与 Ego 采集并列的数据账单一部分[19] - GATOR(arXiv:2610.11215,2026-10-08,NVIDIA、西蒙弗雷泽大学):从少量随意图像重建场景对齐3D物体,是 GR00T 2 智能体化真实到仿真工作流背后的工具,降低仿真评估成本而非操作数据成本[19] - Interactive World Simulation with Cosmos for Physical AI(arXiv:2611.06627,2026-11-04,NVIDIA):将 Cosmos 世界模型适配为实时交互仿真器,GR00T 2 即从 Cosmos 视频模型初始化[19] - Perceptive Humanoid Motion from Simulation(arXiv:2611.06908,2026-11-04,Apple):HALO 完全用合成数据训练全身人形运动,覆盖运动层而非 GR00T 2 预训练的操作数据[19] - Ctrl-F(arXiv:2611.05507,2026-11-03,UC Berkeley):为人形运动跟踪增加力指令且部署时无需力测量,引用以说明这不等于触觉传感器零需求[19] - TANGO(arXiv:2609.09158,2026-09-08,UC Berkeley、北京大学、NVIDIA、清华、港大、普林斯顿):仿真训练的全身视觉-语言-动作导航模型,进一步证明运动类任务比操作更早转向仿真[19] - 数据引擎与仿真评估相关论文主题:GR00T 2 背后的数据引擎、用于评估的仿真与世界仿真、全身运动与接触[17][18]
全球机器人:GR00T 2 与 Fable 5.2 同日发布,云端模型能力增强,具身 AI 的定价权或向第一视角数据采集与端侧 S1 系统集中 GR00T 2 and Fable 5.2 launched on the same day_ Stronger cloud brains will likely concentrate physical-AI pricing power in Ego capture and onboard S1