发生了什么
11 月 9 日，英伟达在美国得克萨斯州奥斯汀举行的机器人学习大会（CoRL）上发布一批开放机器人技术，核心是开放世界动作模型 GR00T 2 与训练框架 Isaac Lab 3.0，同时公布两套工业操作评测基准。GR00T 2 基于 NVIDIA Cosmos 世界模型构建，训练数据混合了多种机器人数据与人类数据，其中包含 10 万小时英伟达开源的人类第一视角视频。英伟达称其在 RoboCasa365、RoboLab、RoboDojo、MolmoSpaces 等基准的视觉语言动作（VLA）与世界动作模型（WAM）类别中均列前三，并多次登顶。
官方给出的学习曲线是本次最有参考价值的数字：在 50 项任务测试中，完全不看示范时，有 40 项至少成功完成过一次；每项提供一次人类示范后，平均成功率 71%；提供五次示范后升至 95%。这条曲线说明当前世界动作模型的少样本适应能力已经跨过「演示能跑」的门槛，但仍在 70% 附近起步——离无人值守的生产线还有距离。
仿真侧的两个硬指标
Isaac Lab 3.0 允许研究人员用智能体自动搭建训练环境，在 PhysX 与 Newton 两套物理求解器之间切换，并按需选择渲染器。与 Newton 的更深集成让它能对线缆、布料这类可变形物体以及多关节机械手建模——这正是过去仿真最容易失真的部分。英伟达给出的吞吐数字是：在基于视觉的灵巧操作基准中，Isaac Lab 3.0 搭配 Newton 的训练吞吐最高达到 Isaac Lab 2.3 搭配 PhysX 的 2.5 倍，可支撑数千台仿真机器人并行训练。
- AlphaNIST：用单一策略学会美国标准与技术研究院（NIST）装配板上的全部 20 项任务，仅依靠成功与否的二元信号操作毫米级零件，训练成功率超过 98%；各任务分别独立训练的策略为 81%，而前者所需 GPU 时间约为后者的三十九分之一。
- 支撑该结果的是成功引导采样（SGS）：把练习集中在策略成功率约五成的任务上，使训练规模可扩展到超过一百万个并行环境。
- DexBench 覆盖零售、物流、制造、酒店服务四类场景；VABAR 为六项工业任务提供标准化的条件变化、难度与成功指标。
- 落地侧：富士康正把 GR00T 2 用于服务器制造自动化，西门子在评估其工业应用。
对企业意味着什么
第一，机器人项目的成本结构在变。过去一条产线换型往往要重新采集数据、重新训练策略；「五次示范到 95%」如果能在自家工位上复现，意味着换型周期可以从数周压到数天。第二，瓶颈正从算法转向数据与仿真保真度：GR00T 2 的泛化能力来自 10 万小时人类视频，这类数据中小企业没有，替代路径只能靠仿真合成，而仿真对线缆、布料、柔性件的建模精度直接决定迁移效果。第三，评测基准开始标准化。DexBench 与 VABAR 的价值不在排名，而在于把「条件变化、难度、成功指标」写成可比口径，采购方终于有了拒绝厂商自选场景的依据。
不确定之处
95% 是 50 项任务的均值，单项失败率仍可能很高，英伟达未公布逐项分布，也未披露测试所用机器人本体与工装条件。富士康与西门子的合作均处于「使用中」或「评估中」，没有产能、节拍或投资回报数字。AlphaNIST 的 98% 与三十九分之一 GPU 时间来自实验室装配板，与真实产线的公差、振动、照明差异较大，迁移效果待验证。