エヌビディア、GR00T N2を披露　映像を予測してから動くワールドアクションモデルに賭ける

米エヌビディアは2026年3月16日、年次開発者会議GTCの基調講演で、次世代ロボット基盤モデル「Isaac GR00T N2」を初めて披露した。ジェンスン フアンCEOが紹介した同モデルは、社内研究DreamZeroから生まれた「ワールドアクションモデル」と呼ぶ新しい構造を採用する。同社によると、新しい環境での新しい作業において、主要な視覚言語行動（VLA）モデルの2倍超の頻度で成功するという。提供開始は2026年末までとした。

同時に複数の製品も発表した。人型ロボット向けの30億パラメータの推論型VLA「GR00T N1.7」を商用ライセンス付きのアーリーアクセスで提供し、英Humanoid、韓国LGエレクトロニクス、独NEURA Robotics、Noble Machinesが採用すると説明した。合成世界の生成、視覚推論、行動シミュレーションを初めて一体化したとする世界基盤モデル「Cosmos 3」や、新物理エンジンNewton 1.0とPhysX SDKを基盤とする「Isaac Lab 3.0」のアーリーアクセスも公表した。GR00T N2は汎用ロボット方策のランキングであるMolmoSpacesとRoboArenaで首位にあると同社は主張した。

N2の土台となった研究は、2026年2月17日にarXivで公開されたプレプリント「World Action Models are Zero-shot Policies」だ。著者にはエヌビディアのSeonghyeon Ye氏、Joel Jang氏のほか、ロボット研究を率いるLinxi Fan氏、Yuke Zhu氏が名を連ねる。DreamZeroは140億パラメータの自己回帰型動画拡散モデルで、同社開発者ブログによると公開モデルWan 2.1の画像から動画を生成する14B版を起点とする。一つのTransformerが映像トークンと行動トークンを同時に生成し、カメラに映る次の場面を予測する過程でロボットの次の動作も導き出す仕組みだ。

プレプリントの数値は明確だ。中国AgiBot（智元機器人）の移動型双腕ロボットG1で、22環境、約500時間のデータを学習させたところ、既知タスクの平均進捗率は62.2%と事前学習済みVLAの27.4%を上回り、未知タスクでは39.5%対16.3%だった。比較対象はエヌビディア自身のGR00T N1.6と米Physical Intelligenceのpi0.5である。研究チームはGB200上でGPU並列化、キャッシュ、CUDA Graphs、NVFP4量子化、高速版「Flash」を組み合わせ、推論遅延を5.7秒から150ミリ秒へと38分の1に短縮し、毎秒7回（7Hz）の閉ループ制御を実現した。重みと推論コードはGitHubで公開している。

ロボット間の転移性能も目を引く。論文によれば、人の一人称視点動画12分、またはYAMアームの動画20分を加えるだけで、未知タスクの性能が相対で42%超向上した。AgiBotのデータで学習したモデルは、30分の自由操作データでYAMロボットに適応し、ゼロショット能力も維持した。

今回の発表は、2026年1月5日のCESで示した戦略の延長線上にある。エヌビディアは当時、全身制御に対応した人型ロボット向け公開VLA「GR00T N1.6」を公開し、Blackwell世代でFP4演算1,200テラフロップス、メモリ64GBのロボット向けモジュール「Jetson T4000」を1,000個購入時1,999ドルで発売した。同社のロボット開発基盤を使う開発者は200万人に上るという。モデルは公開か安価にライセンスし、学習、シミュレーション、ロボット搭載の推論はエヌビディアの半導体で回す構図だ。

日本企業との関わりも深い。エヌビディアによると、ファナック、ABBロボティクス、安川電機、KUKAの産業用ロボット4社は合計200万台超の導入実績を持ち、OmniverseのライブラリとIsaacのシミュレーションを仮想立ち上げのツールに組み込んでいる。トヨタ自動車系のトヨタ リサーチ インスティテュート（TRI）はCosmos 3の採用企業に名を連ね、ファナックはPTCのOnshapeからIsaac Simへつなぐ設計ワークフローも使う。人手不足に直面する国内工場にとって、立ち上げ期間の短縮は直接の効果を持つ。

競合の動きも活発だ。Physical Intelligenceのpi0.5や米グーグル傘下ディープマインドのGemini Roboticsは、言語と画像のモデルを基に動作指令を出すVLA路線をとる。ワールドアクションモデルは物体の動きを学んだ動画生成モデルから出発する点が異なる。米Skild AIは1月14日に140億ドル超の評価額で14億ドルを調達し、独自のロボット頭脳を開発する一方、Cosmos 3も採用している。

課題はコストと速度だ。エヌビディアが後に開発者ブログで示した自社比較では、ワールドアクションモデルの推論は行動チャンク当たり590ミリ秒と800ミリ秒で、pi0.5の190ミリ秒より3〜4倍遅かった。論文の7Hz制御もデータセンター向けGB200で達成した値である。ランキング首位は同社の自己申告で、プレプリントは査読を経ておらず、GR00T N2は3月末時点で未提供だった。