エヌビディア、人型ロボット基盤モデルをGR00T N1.5に刷新　世界モデルの映像で3カ月分のデータ作業を36時間に短縮

米エヌビディアは台北で開かれたCOMPUTEX 2025で、人型ロボット開発で最も不足している実演データをGPUで量産できるとの考えを打ち出した。2025年5月18日付の発表資料で、同社が2025年3月のGTCで公開した人型ロボット基盤モデルGR00T N1の改良版Isaac GR00T N1.5と、Cosmos世界基盤モデルが生成した映像をロボットの学習データに変換する設計図Isaac GR00T-Dreamsを公表した。

注目を集めた数字はエヌビディアの研究部門によるものだ。同社によると、研究者はGR00T-Dreamsを使ってGR00T N1.5の合成学習データを36時間で生成した。人手でデータを集めれば3カ月近くかかったとしている。同社の研究ページによると、モデルは2025年6月11日にGitHubとHugging Faceで公開された。Hugging Faceのモデルカードはパラメーター数を30億と記載し、GR00T N1の20億から増えた。モデルカードは非商用での利用を前提とすると明記している。

エヌビディアの説明では、GR00T-Dreamsは3段階で動く。開発者はまず自社のロボット向けにCosmos Predict世界モデルを追加学習させる。次に画像1枚を入力すると、そのロボットが新しい環境で新しい作業をこなす映像が生成される。最後に映像から動作情報を圧縮したアクショントークンを取り出し、ロボットに新しい作業を教える。手法はJoel Jang氏、Seonghyeon Ye氏、Zongyu Lin氏らエヌビディアの研究者が2025年5月19日にarXivへ投稿したプレプリント「DreamGen」にまとめられた。論文によると、1つの環境での物の把持と配置という単一作業の遠隔操作データから出発し、人型ロボットが既知と未知の環境で22種類の新しい動作をこなした。映像生成の評価指標DreamGen Benchとコードも公開した。

モデルを取り巻く道具立ても同時に示した。思考の連鎖による推論で質の高い合成データを選別する世界モデルCosmos ReasonはHugging Faceで公開され、GR00T-Dreamsに使うCosmos Predict 2は幻覚を減らした版として近く公開するとした。Isaac Sim 5.0はGitHubで公開予定で、Isaac Lab 2.2はGR00T Nモデルを試す評価環境を追加する。同社の公開フィジカルAIデータセットにはGR00T Nモデルの開発に使った人型ロボットの動作軌跡2万4000件が収録された。既存の操作データをOmniverseとCosmosで拡張する設計図GR00T-Mimicも併せて示した。

研究ページはモデル内部の変更点も説明している。視覚言語モデルは事前学習と微調整の両方で固定され、物体の位置特定に強いEagle 2.5に切り替えた。GR-1の位置特定IoU試験で40.4となり、Qwen2.5-VL 3Bの35.5を上回った。将来の潜在表現をそろえる新たな学習目標FLAREを加え、将来の画像を生成せずに人の動画から学べるようにした。学習はH100 GPU 1000基で25万ステップ、全体のバッチサイズは1万6384。データには自社のGR-1データ、Open X-Embodiment、シミュレーションのGR-1データ、DreamGenの軌跡、AgiBot-Betaを含めた。

自社計測による改善幅は大きい。中国Fourierの実機GR-1に2つの果物から1つを選んで皿に置かせる試験で、言語指示に従った割合はN1の46.6%からN1.5で93.3%に、全体の成功率は43.3%から83.0%に高まった。DreamGenデータで教えた12の新しい動詞では成功率が13.1%から38.3%に上がった。中国Unitree製G1で遠隔操作1000回分のデータを使って追加学習すると、既知の果物4種で98.8%、未知の物体5種で84.2%の成功率となり、同じ課題でのN1は44.0%だった。

エヌビディアはGR00T Nモデルの初期利用企業として4社を挙げた。韓国AeiROBOTは人型ロボットALICE4が自然言語の指示を理解して工場での把持と配置をこなせるよう活用し、台湾のFoxlinkは産業用マニピュレーターの柔軟性向上に、Lightwheelは工場向け人型ロボットの合成データ検証に使う。独NEURA Roboticsは家庭向け自動化の開発に向けて評価している。Agility Robotics、Boston Dynamics、Fourier、Mentee Robotics、NEURA Robotics、XPENG RoboticsはIsaac SimとIsaac Labで人型ロボットのシミュレーションと学習を進め、Skild AIは汎用ロボット知能の開発に、General Roboticsは自社基盤への統合に使っているという。鴻海精密工業(Foxconn)とFoxlinkはGR00T-Mimicをロボット学習の工程に取り入れた。

基調講演では台湾の製造業との結び付きが前面に出た。エヌビディアの講演概要によると、TSMC、鴻海、Wistron、Pegatron、台達電子、Quanta、GIGABYTEがNVIDIA Omniverseでデジタルツインを構築しており、エヌビディアと鴻海は台湾当局と組んでBlackwell基盤のAIファクトリー型スーパーコンピューターを整備する計画だ。ハードウエアではCisco、Dell Technologies、Hewlett Packard Enterprise、Lenovo、SupermicroがRTX PRO 6000 Blackwellサーバーを発表し、エヌビディアはDGX Cloud上のGB200 NVL72でデータ処理性能が最大18倍になるとした。ロボット搭載コンピューターJetson Thorは当時「近日提供」とされ、開発者への提供は2025年8月に始まった。

日本の産業界から見ると、発表資料に日本企業の名前がなかった点が目を引く。人型ロボットの頭脳を自社で開発する企業と、エヌビディアの公開モデルを土台にする企業の二極化が進むなか、名前が挙がったのは米国、ドイツ、韓国、台湾、中国、イスラエルの企業だった。人手不足を背景に自動化需要が強い日本の製造業にとって、事前学習済みの公開モデルは導入コストを下げる手段になり得るが、N1.5は非商用に限られ製品への搭載には別途条件が要る。競合では米Figureが2025年2月に独自の視覚言語行動モデルHelixを発表し、Isaac利用企業として名前が挙がったSkild AIも独自の汎用モデルを開発している。

技術をかみ砕くと、GR00T N1.5は視覚と言語と行動を1つのモデルで扱うVLAモデルだ。固定された視覚言語モデルがカメラ画像と指示文を読み取り、拡散型の行動モジュールが関節への指令に変換する。GR00T-Dreamsはデータ側の課題に取り組む。人がロボットを操縦して作業を1つずつ記録する代わりに、世界モデルがロボットの作業を映像として想像し、別のモデルがその映像を生んだはずのモーター動作を逆算する。

課題も残る。性能値はすべてエヌビディア自身の試験によるもので、対象の作業やロボットはFourierのGR-1やUnitreeのG1など少数にとどまる。36時間はモデル更新1回分のデータ生成時間であり、工場で稼働させるまでの期間ではない。生成映像には物理的にあり得ない動きが混じる恐れがあり、同社は別の推論モデルでデータを選別する仕組みを採った。非商用ライセンスも提携先の製品化の速度を縛る。