Interesting Engineering（11月9日）によると、NVIDIAはロボット学習会議でGR00T 2を発表しました。これは、未来の動画とロボットの動きを同時に予測する世界初のアクションモデルであり、人間の動画、ハンドヘルドグリッパー、遠隔操作ロボットから学習します。 NVIDIAが示すトレーニングデータの構成は以下の通りです：第一人称視点のヒューマンビデオ402,730時間、ロボット遠隔操作23,500時間、ハンドヘルドグリッパーのデモ10,184時間。私の計算では、ヒューマンビデオが掲載された全時間の90％以上を占めています。 NVIDIA自身が発表した結果によると、50の未見タスクにおける平均成功率は40％で、各タスクにつき5回のデモと30分の微調整後には95％まで向上します。この95％はタスクごとの成功率ではなく、平均値です。 私の見解：この発表で最も大規模なトレーニングデータは、ロボットではなく人間が収集したものです。つまり、誰が収集し、その貢献が認められ、報酬が支払われたのかという疑問が生じます。私が@vangrid_ioで追っているのは、スマホでの撮影、USDCによる報酬（受諾時に決済）、Base上にアノカーされたフィンガープリントです。 あなた自身の映像をロボットのトレーニングに提供しますか？