英伟达预览GR00T N2：押注先预测视频再行动的世界动作模型

英伟达于2026年3月16日在GTC大会主题演讲中首次预览新一代机器人基础模型Isaac GR00T N2。首席执行官黄仁勋介绍，该模型采用源自公司DreamZero研究的“世界动作模型”架构。英伟达称，在新环境中执行新任务时，GR00T N2的成功率是领先视觉语言动作（VLA）模型的两倍以上，计划于2026年底前推出。

同场发布的还有多项产品。英伟达宣布30亿参数的人形机器人推理型VLA模型GR00T N1.7进入抢先体验阶段，并提供商业许可，Humanoid、LG电子、NEURA Robotics和Noble Machines正在采用。公司还发布了Cosmos 3，称其为首个将合成世界生成、视觉推理和动作仿真统一起来的世界基础模型；以及基于新物理引擎Newton 1.0和PhysX SDK的Isaac Lab 3.0抢先体验版。英伟达表示，GR00T N2目前在通用机器人策略榜单MolmoSpaces和RoboArena上均排名第一。

GR00T N2的研究基础是2026年2月17日发布在arXiv上的预印本《World Action Models are Zero-shot Policies》，作者包括英伟达研究员Seonghyeon Ye、Joel Jang，以及机器人研究负责人Linxi Fan和Yuke Zhu。DreamZero是一个140亿参数的自回归视频扩散模型。英伟达开发者博客介绍，它以开源模型Wan 2.1图生视频14B为起点，由同一个Transformer同时对视频token和动作token去噪，也就是在预测摄像头下一帧画面的同时生成机器人的下一步动作。

值得注意的是，DreamZero的主要实验平台是智元机器人（AgiBot）的G1移动双臂机器人。预印本显示，在22个环境、约500小时数据上训练后，DreamZero在已见任务上的平均进度为62.2%，预训练VLA基线为27.4%；在未见任务上为39.5%对16.3%。对比基线是英伟达自家的GR00T N1.6和Physical Intelligence的pi0.5。研究团队在GB200上通过GPU并行、缓存、CUDA Graphs、NVFP4量化和加速版“Flash”模型，把推理延迟从5.7秒降到150毫秒，提速38倍，实现7Hz闭环控制。权重和推理代码已在GitHub公开。

跨本体迁移是另一项关键结果。论文称，仅加入12分钟人类第一视角视频或20分钟YAM机械臂视频，未见任务表现即相对提升42%以上；基于智元数据训练的模型只需30分钟自由操作数据就能适配YAM机器人，同时保留零样本能力。

此次发布延续了英伟达2026年1月5日在CES上的布局。当时英伟达开源了支持全身控制的人形机器人VLA模型GR00T N1.6，并推出基于Blackwell架构的Jetson T4000模组，FP4算力1,200 TFLOPS、内存64GB，千片采购单价1,999美元。英伟达称其机器人开发者已达200万。商业逻辑一以贯之：模型开源或低价授权，训练、仿真和端侧推理都跑在英伟达芯片上。

合作伙伴名单显示了生态的广度。英伟达表示，发那科、ABB机器人、安川和库卡这四家装机量合计超过200万台的工业机器人厂商，正把Omniverse库和Isaac仿真集成到虚拟调试工具中。智元正在为工业人形机器人采用GR00T N系列模型，Skild AI和丰田研究院是Cosmos 3的采用方，阿里云则在把英伟达整套物理AI技术栈集成进其人工智能平台PAI。

对中国产业链而言，这一动向有两面。智元的数据和硬件成为英伟达模型研究的基础，说明国产本体在数据采集上具备优势；但若基础模型层由英伟达主导，国内整机厂在“大脑”上的话语权会被削弱。在海外，Skild AI于1月14日以超过140亿美元估值融资14亿美元，Physical Intelligence和谷歌DeepMind的Gemini Robotics系列则坚持VLA路线。

成本仍是最大疑问。英伟达此后在开发者博客中披露的自测数据显示，世界动作模型每个动作块的推理耗时为590毫秒和800毫秒，而pi0.5为190毫秒，慢3至4倍；论文中的7Hz控制也是在数据中心级GB200上实现的。榜单排名为英伟达自述，预印本尚未经过同行评审，截至一季度末GR00T N2仍未发布。