A NVIDIA apresentou o GR00T 2 na Conferência sobre Aprendizado de Robôs, segundo Interesting Engineering (9 de nov). É descrito como um modelo de ação mundial que prevê simultaneamente o vídeo futuro e o movimento do robô, aprendendo com vídeos humanos, garrafas manuais e robôs teleoperados. A mistura de treinamento declarada pela NVIDIA: 402.730 horas de vídeo humano em primeira pessoa, 23.500 horas de teleoperação de robô e 10.184 horas de demonstrações de garrafas manuais. Pelo meu cálculo, o vídeo humano representa mais de 90% das horas listadas. Os resultados são da própria NVIDIA: 40% de sucesso médio em 50 tarefas não vistas, aumentando para 95% após cinco demonstrações por tarefa e um ajuste fino de 30 minutos. Esse 95% é uma média, não uma taxa por tarefa. Minha opinião: o maior conjunto de dados de treinamento neste anúncio foi capturado por pessoas, não por robôs. Isso torna quem os capturou, e se foram creditados e pagos, uma questão real. É a parte que acompanho em @vangrid_io: captura por celular, recompensas em USDC pagas após aceitação, impressões digitais ancoradas na Base. Você contribuiria com suas próprias gravações para treinar robôs?