NVIDIA a présenté GR00T 2 lors de la Conférence sur l'apprentissage des robots, selon Interesting Engineering (9 nov.). Il est décrit comme un modèle d'action mondial qui prédit simultanément la vidéo future et le mouvement des robots, et qui apprend à partir de vidéos humaines, de pinces tenues à la main et de robots téléopérés. Le mélange d'entraînement déclaré par NVIDIA : 402 730 heures de vidéos humaines en première personne, 23 500 heures de téléopération robotique et 10 184 heures de démonstrations de pinces tenues à la main. Selon mes calculs, les vidéos humaines représentent plus de 90 % des heures mentionnées. Les résultats sont ceux de NVIDIA : une réussite moyenne de 40 % sur 50 tâches inédites, passant à 95 % après cinq démonstrations par tâche et un affinage de 30 minutes. Ce 95 % est une moyenne, pas un taux par tâche. Mon avis : le plus gros ensemble de données d'entraînement de cette annonce a été capturé par des personnes, pas par des robots. Cela soulève une question réelle : qui les a capturées, et ont-elles été créditées et rémunérées ? C'est précisément ce que je suis à @vangrid_io : capture via téléphone, récompenses en USDC payées à l'acceptation, empreintes ancrées sur Base. Contribueriez-vous vos propres vidéos pour entraîner des robots ?