NVIDIA合作公告展示了机械臂在真实环境与仿真环境中的操作画面。
7月6日，NVIDIA把三件东西塞进了Hugging Face的开源机器人库LeRobot：GR00T N1.7（30亿参数的可商用VLA模型）、Isaac Teleop（开源遥操作数据采集框架），以及即将接入的Cosmos 3（多模态世界基础模型）。
一行命令 pip install "lerobot[groot]" ，开发者就能加载NVIDIA的预训练检查点，在自己的机器人上跑起来。
这次合作连接的池子不小。NVIDIA一侧300万机器人开发者，Hugging Face一侧1600万AI构建者。LeRobot上的物理AI数据集已被下载超过1500万次，包含35万条以上的真实和模拟轨迹、5700万次抓取记录。
Hugging Face联合创始人兼首席科学官Thomas Wolf说得很直接：“开源是一个领域把前沿研究变成所有人都能学习、改造和构建的东西的方式。有了LeRobot里的GR00T N1.7和Isaac Teleop，机器人开发者可以用共享的模型、数据和工作流来训练和评估机器人。”
01.
重点不是模型，是分发
GR00T，从2025年3月的N1算起四代了。N1.5加了FLARE（未来隐表示对齐），让模型第一次能从人类视频中学习。N1.6把扩散Transformer规模翻倍到32层，在Unitree G1、AGIBot Genie 1等多个平台上跑通了验证。到了N1.7，VLM骨干换成Cosmos-Reason2-2B，预训练灌进去20,854小时人类第一人称视频，代码采用Apache 2.0许可，模型权重按NVIDIA Open Model License发布，官方明确支持商业部署。
四代下来，模型能力一直在涨。但此前它一直待在NVIDIA自己的开发者门户里。
这次不一样的地方在于，N1.7和Teleop正式进入了LeRobot的开源工作流，后面还跟着即将接入的Cosmos 3。NVIDIA在做的事，从“造模型”切换成了“造生态”。
官方集成图把开发流程拆成采集、存储、训练和部署四步：Isaac Teleop采集示范，数据按LeRobot格式保存，再用GR00T 1.7等模型训练，最终部署到真实机器人或仿真环境。来源：Hugging Face / NVIDIA集成指南
02.
卡在哪，怎么拆
为什么“造生态”比“造模型”重要？因为当前具身智能开发真正卡脖子的地方不只是模型。
数据一直是最大的瓶颈。遥操作采集成本高、规模小。DROID数据集投入大量人力，也只收集到约7.6万条轨迹、约350小时的操作数据。Open X-Embodiment汇聚了21个机构、22种机器人本体的100万+轨迹，放在互联网视频的尺度下看，仍然是杯水车薪。更麻烦的是格式不统一，各团队采集的数据跨机构复用几乎不可能。
Isaac Teleop对着的就是这个问题。作为开源遥操作框架，输出格式跟LeRobot数据集对齐，采集到的数据能在社区内直接共享和复用。工具标准化了，数据孤岛才有可能松动。
NVIDIA合作公告展示了机械臂在真实环境与仿真环境中的操作画面。此次合作试图把数据采集、模型训练、仿真验证和部署接入同一套LeRobot工作流。来源：NVIDIA官方博客
模型侧的门槛也不低。训练一个VLA要自建从数据处理到模型架构到部署的全链路，当前开源的OpenVLA（7B参数）、Octo各有侧重，但都要开发者自己搭数据管线和部署方案。中小团队的工程成本远高于模型本身。
GR00T N1.7切入的是这一层。架构叫Action Cascade，分上下两层：上层是VLM骨干Cosmos-Reason2-2B，处理图像和语言指令后生成高级动作token；下层是32层扩散Transformer，把动作token解码成精确的电机指令。输入端接收RGB图像、语言指令加上机器人本体状态，输出连续值动作向量，直接映射到机器人的实际自由度。已在Unitree G1、双臂操作平台YAM、AGIBot Genie 1上完成验证。
其中有一个发现值得单拎出来。N1.7的预训练用了20,854小时人类第一人称视频，覆盖制造、零售、医疗、家庭等20多个任务类别。数据量从1,000小时扩到20,000小时后，灵巧操作任务的平均完成率翻了一倍以上。研究团队称，这是具身智能领域第一次观察到人类视频数据量与机器人灵巧能力之间可预测的缩放关系。如果这条规律站得住，“拿人类视频喂机器人”这条路的天花板可能比预想的高。
GR00T 1.7在双臂机器人上执行桌面物体操作。与静态benchmark相比，这类连续动作更直观地展示了模型要解决的感知、规划和精细控制问题。来源：Hugging Face / NVIDIA集成指南
还有一个缺口是模拟。真实场景数据永远不够，合成数据是必要补充，但一直缺乏统一的世界模型来做场景生成和数据增强。Cosmos 3瞄准的是这个位置。这是NVIDIA在2026年6月台北GTC/COMPUTEX期间发布的多模态世界模型，据报道在约20万亿token上训练（含近10亿图像、4亿视频、音频、文本和动作数据），采用mixture-of-transformers架构，先理解物体交互和时空关系，再生成对应的视频和动作轨迹。目前尚未正式接入LeRobot，但已列入计划。
三件套串起来就是一条标准化管线：Teleop采集真实数据 → GR00T训练策略 → Cosmos生成合成数据补充长尾场景。以前各家各搭一套工具链重复造轮子，现在NVIDIA试图把路铺好，让开发者专注于自己的场景和数据。
03.
谁在接
最先接住的是已经跟NVIDIA深度绑定的企业。
Unitree的H2 Plus将成为NVIDIA Isaac GR00T参考人形机器人（面向学术研究和开发参考），搭载Jetson Thor计算平台和Sharpa Wave触觉五指灵巧手，计划2026年底可用。
NVIDIA Isaac GR00T参考人形机器人以Unitree H2 Plus为本体，集成Sharpa Wave触觉五指灵巧手、Jetson Thor计算平台和GR00T软件栈，定位于学术研究与开发参考。来源：NVIDIA Newsroom
AGIBot的Genie 1已是GR00T N1.7的验证平台之一，同时AGIBot也在推自研的GO-1通用模型，一只脚踩在NVIDIA生态里，另一只脚试探自己的路。
海外方面，NEURA Robotics、LG Electronics等也在采用GR00T N系列加速工业部署。
LeRobot v0.6.0与此次合作在同一窗口发布，新增了VLA-JEPA、FastWAM等世界模型策略，支持FSDP分布式训练和HF Jobs云训练。对中小团队来说变化最直接：以前做具身智能需要自建全链路，现在加载预训练模型、准备好数据就能微调。门槛从“修路”变成了“开车”。
04.
关卡
但路铺好了不等于所有人都能顺畅地开上去。
中国企业面临一个选择题。开源降低了技术门槛，中小团队直接受益，但生态标准一旦由NVIDIA和Hugging Face定义，北京人形的Pelican-Unify、AGIBot的GO-1这类自研路线就得在生态效率和差异化之间权衡。加入省力，但话语权可能让出去一部分。
芯片也是绕不过去的现实。GR00T N1.7官方支持运行于NVIDIA Ampere、Hopper、Lovelace、Blackwell和Jetson平台，中国企业获取部分高端训练和推理芯片仍受出口管制影响。模型开源了，跑模型的硬件供给并没有同步放开。
还有一层容易被忽略：模型和代码开放了，但官方材料未提供EgoScale 20,854小时原始视频数据的公开下载入口。模型微调的效果取决于各家自有数据的质量和规模，高质量机器人操作数据仍然是稀缺资源。开源给了你一辆车，但油得自己找。
GR00T在Unitree G1和AGIBot Genie 1上跑通了demo，工厂真实场景的可靠性、长时运行稳定性、安全合规，仍需要更多工程验证。拿到工具只是拿到了入场券。
05.
下一步看什么
NVIDIA这步棋的逻辑跟当年Hugging Face Transformers库对NLP做的事类似，统一接口、降低门槛、聚拢开发者。当一个pip install就能跑人形机器人大脑时，具身智能的竞争焦点就会从“谁能造模型”转向“谁有更好的场景数据和落地能力”。
也有几个信号十分值得我们关注：Cosmos 3正式接入LeRobot后的开发者采用情况和合成数据质量；Unitree H2 Plus出货后，围绕NVIDIA生态能形成多大的开发者社区；以及中国头部具身智能企业最终是深度加入NVIDIA开源生态，还是走出一条自研加兼容的路。
