NVIDIA zeigt GR00T N2 und setzt auf Roboter, die erst Video vorhersagen und dann handeln

NVIDIA hat am 16. März 2026 auf seiner Entwicklerkonferenz GTC eine Vorschau auf Isaac GR00T N2 gezeigt, die nächste Generation seines Basismodells für Roboter. Konzernchef Jensen Huang stellte das Modell in seiner Keynote vor. Nach Angaben von NVIDIA beruht es auf einer neuen Architektur für sogenannte World-Action-Modelle aus dem Forschungsprojekt DreamZero und löst neue Aufgaben in neuen Umgebungen mehr als doppelt so oft wie führende Vision-Language-Action-Modelle (VLA). Verfügbar sein soll GR00T N2 bis Ende 2026.

Die Vorschau war Teil eines größeren Pakets. NVIDIA gab GR00T N1.7, ein offenes VLA-Modell mit 3 Milliarden Parametern für humanoide Roboter, im Early Access mit kommerzieller Lizenz frei. Zu den Anwendern zählen nach Unternehmensangaben Humanoid, LG Electronics, NEURA Robotics aus Metzingen und Noble Machines. Hinzu kamen Cosmos 3, laut NVIDIA das erste Weltmodell, das synthetische Weltgenerierung, visuelles Schlussfolgern und Aktionssimulation vereint, sowie Isaac Lab 3.0 im Early Access auf Basis der neuen Physik-Engine Newton 1.0 und des PhysX SDK. GR00T N2 belege bereits Platz eins in den Ranglisten MolmoSpaces und RoboArena für universelle Roboterstrategien, erklärte NVIDIA.

Die Forschung dahinter erschien am 17. Februar 2026 als Preprint auf arXiv unter dem Titel "World Action Models are Zero-shot Policies". Zu den Autoren gehören die NVIDIA-Forscher Seonghyeon Ye und Joel Jang sowie die Leiter der Robotikforschung Linxi Fan und Yuke Zhu. DreamZero ist ein autoregressives Video-Diffusionsmodell mit 14 Milliarden Parametern. Laut einem NVIDIA-Entwicklerblog setzt es auf dem offenen Bild-zu-Video-Modell Wan 2.1 mit 14 Milliarden Parametern auf. Ein einziger Transformer erzeugt Video- und Aktionstoken gemeinsam, der Roboter plant seine nächste Bewegung also im selben Rechenschritt, in dem er das nächste Kamerabild vorhersagt.

Die Zahlen im Preprint sind deutlich. Auf dem mobilen zweiarmigen Roboter G1 des chinesischen Herstellers AgiBot, trainiert mit rund 500 Stunden Daten aus 22 Umgebungen, erreichte DreamZero bei bekannten Aufgaben einen durchschnittlichen Fortschritt von 62,2 Prozent gegenüber 27,4 Prozent bei vortrainierten VLA-Modellen, bei unbekannten Aufgaben 39,5 gegenüber 16,3 Prozent. Verglichen wurde mit NVIDIAs eigenem GR00T N1.6 und pi0.5 von Physical Intelligence. Durch GPU-Parallelisierung, Caching, CUDA Graphs, NVFP4-Quantisierung und eine schnellere Flash-Variante senkten die Autoren die Latenz auf GB200-Hardware von 5,7 Sekunden auf 150 Millisekunden, das 38-Fache, und erreichten eine Regelung mit 7 Hertz. Gewichte und Inferenzcode liegen auf GitHub.

Auch der Transfer zwischen Robotern fällt auf. Laut dem Paper verbesserten 12 Minuten Egoperspektiv-Video von Menschen oder 20 Minuten Video eines YAM-Arms die Leistung bei unbekannten Aufgaben relativ um mehr als 42 Prozent. Das auf AgiBot-Daten trainierte Modell passte sich mit 30 Minuten freier Spieldaten an den YAM-Roboter an, ohne seine Zero-Shot-Fähigkeit zu verlieren.

Die GTC setzte fort, was NVIDIA am 5. Januar 2026 auf der CES begonnen hatte. Damals veröffentlichte der Konzern GR00T N1.6 als offenes VLA mit Ganzkörpersteuerung für Humanoide und brachte das Jetson-T4000-Modul auf Blackwell-Basis auf den Markt, mit 1.200 FP4-Teraflops und 64 GB Speicher für 1.999 Dollar bei Abnahme von 1.000 Stück. Auf der CES nutzte auch Franka Robotics GR00T-basierte Trainingsabläufe. Nach eigenen Angaben arbeiten 2 Millionen Entwickler mit NVIDIAs Robotikplattform. Das Geschäftsmodell bleibt gleich: Modelle offen oder günstig lizenziert, Training, Simulation und Inferenz auf NVIDIA-Chips.

Für Europas Industrie ist die Partnerliste aufschlussreich. NVIDIA zufolge integrieren FANUC, ABB Robotics, YASKAWA und KUKA, zusammen mit mehr als 2 Millionen installierten Robotern, Omniverse-Bibliotheken und Isaac-Simulation in ihre Werkzeuge für die virtuelle Inbetriebnahme. Agile Robots aus München und Hexagon Robotics entwickeln Humanoide mit NVIDIA-Werkzeugen, NEURA setzt auf GR00T N1.7. Für den Mittelstand heißt das, dass Simulation und Robotersteuerung zunehmend auf einer amerikanischen Plattform zusammenlaufen.

Wettbewerber verfolgen andere Wege. VLA-Modelle wie pi0.5 von Physical Intelligence oder die Gemini-Robotics-Familie von Google DeepMind leiten Motorbefehle aus Sprach-Bild-Modellen ab. Ein World-Action-Modell startet dagegen von einem Videogenerator, der gelernt hat, wie Gegenstände sich bewegen. Skild AI sammelte am 14. Januar 1,4 Milliarden Dollar bei einer Bewertung von über 14 Milliarden Dollar ein und baut ein eigenes Robotergehirn, nutzt aber zugleich Cosmos 3.

Offen bleiben Kosten und Tempo. In einem späteren Entwicklerblog maß NVIDIA für World-Action-Modelle 590 und 800 Millisekunden je Aktionsblock gegenüber 190 Millisekunden für pi0.5, also eine drei- bis vierfache Verlangsamung. Die 7 Hertz im Paper wurden auf Rechenzentrums-Hardware erreicht. Die Ranglistenplätze sind Eigenangaben, das Preprint ist nicht begutachtet, und GR00T N2 war bis Quartalsende nicht erschienen.