エヌビディア、人型ロボット向け基盤モデル「Isaac GR00T N1」をGTC 2025で公開　Google DeepMind、Disney Researchと物理エンジン「Newton」も共同開発

米エヌビディアは2025年3月18日、人型ロボット向けのオープン基盤モデル「Isaac GR00T N1」を公開した。開発者はHugging FaceとGitHubから重みを入手し、自社ロボットに合わせて追加学習（ポストトレーニング）できる。黄仁勲（ジェンスン フアン）最高経営責任者（CEO）が、米サンノゼのSAPセンターで太平洋時間午前10時に始まった年次開発者会議GTCの基調講演で披露した。同社は汎用的な人型ロボットの推論と技能に向けた世界初のオープンで完全にカスタマイズ可能な基盤モデルだと説明した。同じ発表では、Google DeepMind、Disney Researchと共同開発するオープンソースの物理エンジン「Newton」、合成データ生成の設計図（ブループリント）、フィジカルAI向けの公開データセットも明らかにした。

言語モデルの基準でみればモデルは小さい。3月18日にarXivで論文番号2503.14734のプレプリントとして公開され、27日に改訂された同社の技術報告によると、GR00T N1のパラメーター数は22億で、うち13億4000万が視覚言語部分にある。Hugging Faceでは3月17日付で「GR00T-N1-2B」として登録された。事前学習にはH100 GPUで約5万時間を使い、最大1024基を動員した。エヌビディアのL40 GPU上で推論部分は10ヘルツで動き、動作部分は16ステップ分の動作を63.9ミリ秒で生成し、120ヘルツでモーター指令を出す。

構造は人間の認知になぞらえて説明されている。「システム2」はエヌビディアのEagle-2を基に言語モデルSmolLM2と画像エンコーダーSigLIP-2を組み合わせた視覚言語モデルで、カメラ映像と指示を読み取って行動を計画する。「システム1」はフローマッチングで学習した拡散トランスフォーマーで、計画を連続的な関節指令に変換する。両者は一体で学習される。同社によると、つかむ、片腕や両腕で運ぶ、片方の手からもう一方へ渡すといった一般的な作業に汎化し、長い文脈が必要な多段階の作業もこなす。開発者ブログによれば、追加学習はRTX A6000かGeForce RTX 4090の1枚で可能で、実行はRTX A6000かJetson AGX Orinで行える。

先行利用パートナーは1X Technologies、Agility Robotics、ボストンダイナミクス、Mentee Robotics、NEURA Roboticsの5社だ。黄CEOは壇上で、GR00T N1を基に追加学習した制御方策で1Xの人型ロボットが家庭内を自律的に片付ける様子を示し、両社の協業の成果だと説明した。1XのBernt Børnich CEOは発表資料で、同社は独自モデルを開発しているが、GR00T N1は少ない追加学習データでロボットの推論と技能を大きく高めたと述べた。

学習方法を同社は「データピラミッド」と呼ぶ。土台はEgo4DやEPIC-KITCHENSなど公開された人間の映像だ。中段は合成データで、生成した映像軌跡827時間と、DexMimicGenで作ったシミュレーション軌跡78万本を含む。頂点は実機データで、中国Fourier（傅利叶）の人型ロボットGR-1で同社が自ら集めた遠隔操作データ88時間、Open X-Embodimentのデータ群、中国AgiBot（智元機器人）のAgiBot-Alphaデータセットから14万本の軌跡が入った。プレプリントの実験では、模倣学習の代表的な比較対象であるDiffusion Policyをシミュレーションの3種のベンチマークで上回り、実機のGR-1では平均成功率76.8%と46.4%に差をつけた。データを1割に絞ると差は42.6%対10.2%に広がった。

合成データの道具も同時に出た。「合成操作動作生成向けIsaac GR00Tブループリント」は、OmniverseとCosmos Transferの世界モデルを使い、少数の人の実演を大規模な動作データに増やす。同社はこの手法で人の実演6500時間、連続9カ月分に当たる78万本の軌跡を11時間で生成し、実データと混ぜると実データだけの場合より性能が40%上がったとしている。別途Hugging Faceで公開したデータセットは当初15テラバイトで、ロボット学習用の軌跡32万本超とOpenUSD資産最大1000点を収めた。

Newtonは長期的な布石だ。同社によると、自社のWarpフレームワークを基盤にロボット学習向けに最適化し、2025年内の公開を見込む。Google DeepMindとエヌビディアは別途MuJoCo-Warpを開発しており、ロボットの機械学習処理を70倍超に高速化すると同社はみる。Disney Researchは、Star Warsに着想を得たBDXドロイドを皮切りに、ロボットキャラクターの基盤にNewtonを使う計画で、基調講演の壇上にもBDXドロイドが登場した。

黄CEOは今回の発表を人手不足と結びつけた。基調講演では、この10年の終わりまでに世界で少なくとも5000万人の労働者が不足すると述べ、発表資料では汎用ロボットの時代が来たと語った。同じ講演でエヌビディアは、米ゼネラル モーターズ（GM）が車両、工場、ロボットに同社のAI、シミュレーション、高速計算を採用すると発表した。MEKAWIREが報じた通り、エヌビディアは2025年1月6日のCESで最初のIsaac GR00Tブループリントを公開しており、GR00T N1はその上に立つモデルとなる。

競合も同じ時期に動いた。米Figure AIは2月20日、70億パラメーターの視覚言語部分（7〜9ヘルツ）と8000万パラメーターの制御方策（200ヘルツ）からなる「Helix」を公表したが、重みは非公開とした。Google DeepMindは3月12日、Gemini 2.0を基盤とする「Gemini Robotics」を発表し、Apptronikと一部の信頼できるテスターにのみ提供した。Physical Intelligenceは2024年10月31日のプレプリントで、33億パラメーター、最大50ヘルツ制御の「π0」を示した。

日本の視点では、先行利用パートナーに国内メーカーの名前がなかった点が目を引く。ファナックや安川電機、川崎重工業といった産業用ロボット大手は、今回の人型ロボット基盤モデルの初期の輪に入っていない。一方で、GR00T N1は誰でも入手でき、GPU1枚で追加学習できるため、人手不足に悩む国内の製造業や物流の現場向けに、国内のロボットメーカーや部品メーカー、大学が独自に試す道は開かれた。減速機やセンサー、アクチュエーターに強い日本の部品各社にとっては、エヌビディアの開発環境に対応した部品をそろえられるかが課題になる。

不確実性も大きい。プレプリントの比較対象はDiffusion PolicyとBC-Transformerで、π0、Helix、Gemini Roboticsとは直接比べておらず、査読も経ていない。Hugging Faceのモデルカードは、機能安全が求められる重要用途向けには試験も想定もしていないと明記した。重みは標準的なオープンソースではなく同社独自のライセンスで提供され、Newtonは計画段階にとどまっていた。同社はその後、2025年5月18日のCOMPUTEXで、合成データを使い後継のGR00T N1.5を36時間で開発したと発表し、手作業のデータ収集なら3カ月近くかかったとした。