GR00T N1：人形机器人的快与慢

桌子上方悬着一只机械手，苹果会一颗颗往下掉。规则只有一条：手不会自己动——我每「想」一次，它才朝苹果挪一步。思考的方式很简单：狂点下面这张图（或那颗按钮）。没什么大不了的吧？点快一点就是了。点「开始掉苹果」，接住三颗。

看一眼你刚才的手速：撑死每秒六七次。巧了——这差不多就是一个大型视觉语言模型的速度。看一眼画面、读懂指令、决定下一步，这一整套「想」，在很好的 GPU 上也要约 100 毫秒，每秒 10 次。可你也看到了 120Hz 那只手：接住一颗下落的苹果、端稳一杯水，需要的是每秒上百次的连续微调。聪明的脑子，快不过物理世界。

那换个小脑子呢？小模型确实能跑到几百赫兹——但它听不懂「把红苹果放进篮子」，更认不出一个没见过的水果。于是具身智能卡在第一道裂缝上：快的笨，聪明的慢。

其实你自己就是这么活的。心理学家卡尼曼把人的认知分成两套：系统二负责慢而深的思考——你心算 17×24 的时候，会走神到差点撞上电线杆；系统一负责快而自动的反应——走路避开坑洼，你从来不用打草稿。想和动，本来就该跑在两个不同的时钟上。

GR00T N1（NVIDIA 的开源人形机器人基座模型，读作 Groot，没错，就是那棵树人）把这个隐喻做成了架构，而且不是嘴上说说——两个模块真的以不同频率运行：

System 2「慢脑」是一个视觉语言模型（VLM，看图 + 读指令的大模型，这里用 NVIDIA 自家的 Eagle-2，13.4 亿参数）：看到桌面画面，读到「把红苹果放进篮子」，每秒 10 次输出它对局面的理解。System 1「快手」是一个扩散变换器（Diffusion Transformer，白话：一只靠「去噪」画出动作的手，π₀ 篇会细讲这套生成术）：它不断偷看慢脑的理解笔记，每次一口气产出一小段 16 步的动作（叫动作块），整段只花 63.9 毫秒，动作以 120Hz 送进关节。

关键在「偷看」二字：两颗脑子不是用电线接起来的两个产品，而是一个 22 亿参数的模型——快手通过交叉注意力（就是总图里那个「每个词选择关注谁」的机制）随时读取慢脑的思考，训练时两边一起端到端优化。想和动，从出生起就在学着配合。

然而，「慢脑 10Hz + 快手 120Hz」说起来轻巧——慢脑两次思考之间隔着 100 毫秒，这段空窗里世界还在变，快手凭什么不抓瞎？光说不练没有用，下一节你亲手拧。

想想开车用导航：导航仪几秒钟才说一句「前方右转」，但车从不一顿一顿——因为握方向盘的手在两句话之间一直做着毫秒级的微调。它不需要新指令，它只需要知道当前这段路怎么走。快手的动作块就是这个：慢脑每次给一个方向，快手一次想好接下来 16 步，在空窗里自己走完。

下图还是那颗苹果（灰线是它的位置轨迹），两只手同时追它。拖动滑块，调慢慢脑的思考频率，看两种接法的差别：

先看紫线：这是把慢脑直接接在手上——手每 100 毫秒才动一下，画出一截一截的楼梯。眼熟吗？这正是你在第 1 节狂点按钮时的轨迹。再看橙线：同样只有 10Hz 的思考，快手却用动作块把空窗填成了平滑的曲线，误差只剩零头。现在把频率拖到 1Hz——橙线依然平滑，但你会看到它在苹果拐弯处画出大弧子：它在优雅地追一个过时的苹果。平滑掩盖不了迟钝。

慢脑给方向，快手填缝隙；填缝靠的是一次想好一小段，而不是一步一问。快手每次产出这 16 步，用的是 4 轮「去噪」——从一把随机乱点出发，四步收敛成一段干净的轨迹，全程 63.9 毫秒。这套连续动作生成术叫流匹配（flow matching），它为什么比「把动作切成词表」更适合灵巧的手，π₀ 那一篇会带你亲手推。

然而。架构画出来只要一支笔，真正的高墙在后面：这双手是要教的。教材从哪来？

语言模型的教材是整个互联网，抬手就能爬。机器人的「互联网」在哪里？不存在。世界上没有一个网站存着几十亿条「关节角随时间变化」的记录。人形机器人数据的标准产法，是一个真人戴上追踪器和动捕手套，像牵线木偶一样牵着机器人做一遍——论文原话：机器人数据随人力线性增长。一小时人工，换一小时数据。NVIDIA 全力开动这条产线，攒下了多少自家人形机器人的遥操作（teleoperation，真人远程牵动机器人）数据？88.4 小时。这就是塔尖的全部家底。

GR00T 团队的回答不是「继续雇人」，而是把训练数据组织成一座三层的数据金字塔——塔尖不够，就把下面两层造出来：

看右边的三张账单：塔尖的真数据一小时就是一小时人工，全世界的公开机器人数据集拼起来也才三千多小时；塔腰的仿真数据，11 个墙钟小时就能造出 6,500 等效小时；塔基的人类视频，互联网上现成躺着两千五百多小时——几乎免费。越往下越便宜、越庞大，问题只有一个：下面两层，压根没有「动作标签」。一段 YouTube 做饭视频里有画面、能配文字，唯独没有「此刻每个关节转了多少度」那一列。而机器人要学的恰恰是那一列。

所以金字塔不是画出来就能用的。接下来两节，是这篇论文真正的独门手艺：怎么让没有动作的视频「长出」动作。先从塔基说起。

回想你看别人骑自行车：你学不到他小腿肌肉发了多大力（那是他的身体参数），但你学得到「过弯要往内倾」（那是动作的意思）。位移的语义，和长什么身体无关。

论文的做法叫潜动作（latent action，白话：动作的意思编码）。训练一个小模型玩「猜中间」：给它看视频的第 t 帧和第 t+16 帧，中间遮住，让它把「这中间发生了什么变化」压缩成一个短短的编码 z；再训练一个解码器，只凭第 t 帧和这个 z，把第 t+16 帧画回来。画得回来，说明 z 里装的恰好就是「发生了什么」——不多也不少。这套压缩编码器术语上叫 VQ-VAE，名字不重要，重要的是它挤出来的 z 有个神奇性质。点下面两个潜动作，看四种完全不同的身体各自怎么演它：

看到了吗：同一个 z₁，在人手上是手腕左移，在夹爪机械臂上是整条臂左移，在人形机器人上是右臂横摆——潜动作把「发生了什么」从「谁的身体」里剥了出来。而且论文特意在所有数据上共用一套 z 的编码本，于是「人类挪手」和「机器人挪臂」第一次说上了同一种语言。2,517 小时的人类视频，就这样全部变成了教材——训练时把它当作一种独立的「具身」（代号 LAPA）混进大锅，用同样的损失函数一起学。

把动作和身体解耦，人类就成了机器人的免费老师。不过塔基教的是见识——什么语义配什么动作。它到底不是机器人自己的手感。塔腰呢？

88 小时真数据，怎么变成 880 小时？NVIDIA 的答案听起来像科幻：让模型做梦。他们拿这 88 小时遥操作视频，微调了一个图生视频模型（就是「给一张图，续写成一段视频」的那类生成模型）。然后奇妙的事情发生了：给它一帧真实发生过的开局画面，配一句从没发生过的新指令，它就能生成一段以假乱真的「平行世界」轨迹——画面里机器人真的照新指令做了。

下面这帧开局是论文图 5 的真实场景：桌上有黄瓜、喷瓶、篮子和一只米色碗。点右边的指令，看同一帧现实增殖出多少条梦境：

注意第四条：生成出来的视频没按指令走（模型手滑抓了喷瓶）——这类残次品不是直接扔掉，而是由一个多模态大模型当裁判逐条审查：没跟上指令的，要么淘汰，要么按「实际发生了什么」重新配字幕再入库。梦不能乱做，做了要对得上账。

账本上的数字：88 小时底料 → 827 小时梦境数据，扩了差不多十倍；代价是生成 1 秒视频要花约 2 分钟 GPU 时间，总共 3,600 块 GPU 跑了一天半。这些梦没有动作标签，怎么办？你在上一节已经拿到答案了——潜动作照样能从梦的帧对里挤出 z；另外再训一个「逆动力学模型」（IDM，白话：看前后两帧、倒推中间动作的小模型），给梦标上伪动作。塔腰的另一半是物理仿真：用自动增殖系统 DexMimicGen，从少量人类种子演示出发，在模拟器里变换、重放、验收，78 万条轨迹——等效 6,500 小时、相当于一个人不吃不睡演示九个月——墙钟只花了 11 小时。

塔尖的每一滴真数据，都被塔腰放大了几十倍。数据不再只是「采」来的，是「造」出来的。金字塔码齐了，双系统也接好了。是骡子是马，该验货了。

验货方式很实在：拿一台傅利叶 GR-1 人形机器人（Fourier GR-1，双臂 + 灵巧手），在真实桌面上做四类任务——抓放、开关柜门抽屉、工业件装箱、两台机器人协作传递。对手是同一批任务数据从零训练的扩散策略（Diffusion Policy，此前模仿学习的标杆方法）。关键的一招在于：把喂给两边的示教数据砍到只剩 10%，再看谁还站着。点下面的开关：

全量数据下是 76.8% 对 46.4%，赢得干脆但不惊悚。惊悚的是 10% 那一档：42.6% 对 10.2%，四倍。更狠的读法是横着比——只吃了 10% 数据的 GR00T（42.6%），几乎追平吃了全量数据的对手（46.4%）。金字塔买到的不是分数，是数据效率：预训练里那 8,375 个小时，已经替你交过大部分学费了。你新任务只需要付零头。

那塔腰的梦境数据单独值几分？切到第二个标签页：在 RoboCasa 仿真基准上，往后训练里掺一半梦境数据，30 / 100 / 300 条示教三档平均再涨 4~9 个百分点。还有个耐人寻味的细节：示教极少（30 条）时潜动作标注略胜，数据多起来后 IDM 伪动作反超——倒推动作的小模型也是越吃越准的。

然而分数只是账面。预训练还埋了一个没人点单的彩蛋——这才是全文最好看的一幕。

是时候兑现开头那颗红苹果了。评测者使了个坏:后训练数据里所有的抓放全部用右手完成，而他们把红苹果故意摆到左手那一侧、右手根本够不着的地方，指令照旧：「把红苹果放进篮子」。预训练模型从没见过这个摆位。先押注，再看它怎么办：

它用左手抓起苹果，凌空递给右手，右手放进篮子——动作有点笨拙，但策略完全正确，成功率 76.6%。没有任何人教过它「换手」这个招：训练数据的某个角落里躺着双手交接的经验，预训练把它泛化到了这个从未见过的摆位上。这就是「基座模型」四个字在机器人身上的含义。

但请看第二幕：同一个模型，用右手数据专精微调（后训练）之后，反而不会换手了——苹果放在左边，它直接失败。后训练数据里全是右手，把「左手也能用」这条通识挤出去了。预训练给的是常识，微调是把双刃剑：磨尖一头，会钝掉另一头。（这也是为什么论文把 2B 预训练权重整个开源——地基给你，专精自便，但地基不必人人重打。）

你已经拧过慢脑的频率。现在三个旋钮全部交给你：慢脑多久看一眼世界、快手一次想多长的动作块、以及世界本身转多快。默认参数正是 GR00T 的配平（10Hz × 16 步）。挑战：找到一组参数，让双系统也失手。能亲手弄坏它，才算真的懂了它为什么是这个形状：

先自己拧，再回来读这段。你大概已经发现了失手配方：动作块拉长 + 世界加速 + 慢脑降频。原因藏在动作块的本性里——块内的 16 步（或 32 步）是一次想好的，块没走完之前，世界再怎么变它也看不见。动作块越长越平滑，也越「活在过去」。GR00T 选 16 步（约 133 毫秒）配 10Hz 慢脑（100 毫秒一眼），两个时间尺度严丝合缝地咬住：块还没过期，新的理解就到了。双系统不是免费午餐，它是两个时钟的婚姻——过日子靠配平。桌面任务它配平了；要是哪天世界快过了这套时钟（被风吹歪的门、滚下桌沿的杯子），这场婚姻就得重新谈——论文自己也把「更长、更动态的任务」列为未竟之业。

学术锚点：这套双系统 + 数据金字塔来自 NVIDIA 2025 年 3 月的《GR00T N1: An Open Foundation Model for Generalist Humanoid Robots》。2B 参数的预训练权重、训练数据和仿真基准全部开源。本文做了不少简化：只讲了桌面短任务（论文自陈的局限——边走边操作的长任务还在路上）；流匹配的数学一笔带过（π₀ 篇细讲）；跨具身的编码器细节、辅助检测损失等工程从简。图里的机械手是教学玩具，不是真实策略的输出。

回想你这一路亲手做过的事：你狂点按钮，体会过每秒六七次思考追不上一颗苹果；你拖低慢脑频率，看橙色的快手怎么把 100 毫秒的空窗填成平滑曲线；你点过两个潜动作，看四种身体说出同一个「意思」；你按一帧现实增殖出四条梦境，还看着裁判拦下一条次品；你砍掉 90% 的示教数据，看金字塔怎么替新任务交学费；你押过那次凌空换手，也许还押错了；最后你亲手把动作块拉到 32 步，看着一只活在过去的手跟丢了苹果。

互联网喂大了语言模型，但世界上不存在「动作的互联网」。GR00T 的回答是：那就自己造——塔基借人类的身体，塔腰借仿真和梦境，塔尖才动用真正的机器人。这个思路正在溢出机器人圈：所有「真数据贵如金」的领域——医疗、驾驶、科学实验——都在走向同一个配方：少量真实、大量合成、外加一个会做梦的世界模型。下一站，去 π₀ 篇看看快手体内那套「流匹配」到底怎么让动作长出来；或者回总图，看这颗棋子落在整张地图的哪一格。