企业官网建设流程全解析

论文：GR00T N1: An Open Foundation Model for Generalist Humanoid Robots（NVIDIA GEAR Lab，arXiv: 2503.14734，2025 年 3 月，GTC 2025 期间发布；开源模型 HuggingFacenvidia/GR00T-N1-2B）。本文所有数字均引用自论文原文，文末附来源清单。

一、开头：波士顿动力会后空翻，却不会自己收拾桌子

人形机器人最反差的一幕是：波士顿动力的 Atlas 能完成后空翻、跑酷、穿越障碍，但在一段演示视频之外，你要它独立完成"把桌上的杯子收进柜子、把散落的工具归位"，它大概率原地卡住。问题不在"身体"——运动控制这些年进步极快，从柔顺控制到全身动量规划都已经相当成熟；真正的瓶颈在"大脑"：机器人缺少一个能理解自然语言指令、看懂三维环境、并把高层意图泛化到陌生任务的通用决策模型。

而"大脑"缺的也不是算法本身，是数据。给一台人形机器人采集一条高质量遥操作轨迹，需要真人穿戴动捕设备或遥控示教，成本以小时计，且一位操作员一上午也攒不出几条。更麻烦的是本体异构：GR-1、Fourier、1X NEO 的关节自由度、相机视角、坐标系都不一样，A 厂采集的抓取数据，直接喂不进 B 厂的模型。这种"具身数据孤岛"，正是大模型时代 NLP 早就解决的问题——当年 GPT 靠的是把全网文本统一成 token 做预训练，而机器人领域连"统一语料"都还没有。

2025 年 3 月，英伟达 GEAR Lab 把一份开源答案摆上台面：GR00T N1，一个2.2B 参数的通用人形机器人基础模型，官方称其为"全球首个开源、可完全定制的人形机器人通用基础模型"。它不只是一篇论文，更是一整套数据配方 + 架构设计 + 开源权重的范式——这才是国内同行真正值得"抄作业"的地方。下面我们拆开看它到底怎么解决"数据"和"实时"这两个死结。

GR00T N1 也不是孤例。同一时期，Physical Intelligence 的 π0、Google 的 OpenVLA、以及多家机器人公司的自研 VLA 都在朝"一个模型管多种任务"的方向走。但 GR00T N1 的特殊之处在于它把权重开源了——这意味着任何团队都能下载、微调、部署，而不是只能调用 API。在具身智能这种"数据即护城河"的领域，开源权重是一种罕见的克制，也直接降低了本文读者的上手门槛。

二、为什么要给机器人做"基础模型"

图1 说明：GR00T N1 论文在 arXiv 的页面（arXiv:2503.14734）。本文所有架构与实验数据均以此原文为准，下文引用处不再另注。
把 LLM 的预训练范式搬到人形机器人上，逻辑是自洽的：先用海量、低成本的数据把模型的"通用动作表征"训出来，再用少量真机数据做下游适配。难点有三个，GR00T N1 的整套设计都是围绕它们展开的：

1. 数据稀缺且昂贵。真机遥操作是奢侈品，无法像爬网页那样无限扩量。一条桌面抓取轨迹从示范到清洗，可能要花掉几十分钟人工，而一个通用模型需要的轨迹量是百万级。
2. 本体异构导致数据不互通。不同厂家的机器人关节维度不同，同一个"抓杯子"动作，在不同本体上的关节角度是不同空间的向量，强行拼在一起只会让模型学乱。
3. 实时性硬约束。LLM 生成一个 token 慢一点用户无感；机器人动作延迟一旦超过百毫秒，杯子可能已经被碰倒、平衡可能已经被破坏。

GR00T N1 的应对是两大支柱：双系统架构解决实时性与规划能力的矛盾，数据金字塔解决数据量与质量的矛盾。这套思路的本质，是用"分层"替代"一刀切"——认知慢一点没关系，动作必须快；数据便宜的管量，数据贵的管质。

这种"基础模型 + 少量后训练"的范式，在 NLP 里已经被验证过一遍：BERT/GPT 预训练完，下游任务往往只需 1% 的标注就能达到不错效果。GR00T N1 想证明的是，机器人领域也能复刻这条曲线——而它的实验结论（后文会讲）确实部分支持了这个判断。

三、核心方法（一）：双系统架构，为什么是"快与慢"

图2 说明：NVIDIA 开源的 Isaac-GR00T 仓库页面。论文之外，英伟达把模型代码与权重也放了出来，这是判断「是否真开放」时比论文更硬的证据——能下载、能跑，才算开源。
GR00T N1 借鉴了 Kahneman"快与慢"的认知框架，把推理拆成两个频率、两个职责完全不同的子系统，再用 cross-attention 连接起来（图 3）。

图3 说明：GR00T N1 双系统架构。System 2 慢思考负责"看懂+规划"，System 1 快行动负责"生成动作"，二者通过 cross-attention 解耦连接。来源：arXiv 2503.14734 §3。

图4 说明：同一架构的论文原图（arXiv 2503.14734）：图像观测、语言指令、机器人状态分别编码后进入 System 2（Vision-Language Model），System 1（Diffusion Transformer）经 K 次去噪迭代输出电机动作。与上面的抽象版对照着看，各模块的数据流会更清楚。

3.1 System 2：慢思考，约 10Hz

System 2 是一颗视觉语言模型Eagle-2 VLM（由 SmolLM2 与 SigLIP-2 组成），在 L40 GPU 上以约10Hz运行（来源：arXiv 2503.14734 §3）。它的职责是"高层次的认知"：把多视角图像和语言指令编码成对当前任务的理解与规划。

这里有个反直觉的工程细节：GR00T N1 没有用 VLM 最后一层的特征，而是取第 12 层的中间层特征喂给下游。论文指出，中间层特征在推理速度更快的同时，下游任务成功率反而更高。这背后的直觉是——越靠后的层，语义被压得越抽象，越适合做"问答"，却越不适合做"动作条件"；而第 12 层还保留着与视觉、空间更相关的结构化信息，拿它当动作头的查询条件反而更准。这个细节值得做机器人感知的同学记下来：表征取哪一层，本身就是个可调的超参。

从训练实践看，这种"取中间层"的做法对做蒸馏和轻量化也很有用：如果下游只需要一个轻量动作头，那么一个冻结的 VLM 中间层特征就是极好的条件输入，既继承了大模型的世界知识，又不必为动作任务背整个 VLM 的推理成本。GR00T N1 把这一招产品化，等于给"大模型瘦身上机器人"提供了一条可复用的技术路径，对算力受限的国内团队尤其有参考价值。

3.2 System 1：快行动，120Hz 闭环

System 1 是一个Diffusion Transformer（DiT）+ Flow Matching动作头，以120Hz闭环运行，每次生成长度为16 步的动作块（action chunk）。它不重新理解世界，只负责把 System 2 给的"意图"转成连续、低延迟的关节动作。

为什么是扩散模型而不是自回归？因为机器人动作是连续、高维、强时序相关的向量流，自回归逐维生成既慢又容易累积误差；而扩散/流匹配是从噪声里"去噪"出整段动作块，天然适合并行生成连续轨迹。动作块用K=4 步欧拉去噪采样，在 L40 + bf16 下，16 步动作块的采样延迟仅63.9ms（来源：arXiv 2503.14734 §3）。

把这个数字换算一下：System 2 每 100ms 才"想"一次，但 System 1 在中间的每一毫秒都在微调——就像你伸手拿水杯时，眼睛和大脑是慢节奏规划路径，手指却是毫秒级自适应抓握力度。120Hz 的闭环，正是为了保证在 System 2 两次思考之间，动作不会因为环境微扰而发散。

图5 说明：System 1 的 DiT 内部（arXiv 2503.14734 原图）：Cross-Attention 与 Self-Attention 交替堆叠 N 层后接 Action Decoder，输出 16 步动作块；绿色模块（State/Action Encoder 与 Action Decoder）是本体专属的可训练部分，雪花标记的 Eagle-2 VLM 冻结不动——哪些参数随本体适配、哪些全局共享，在图上一目了然。

3.3 为什么用 cross-attention，而不是共享注意力

这是 GR00T N1 最值得国内团队琢磨的架构决策。System 1 与 System 2 之间不是简单地把两个模块拼进同一个 Transformer 自注意力，而是用cross-attention让动作头去"查询"VLM 的特征（图 6）。

图6 说明：连接方式的工程权衡。GR00T N1 用 cross-attention 解耦两个子系统；π0 这类路线则把 VLM 主干与动作专家耦合得更紧。来源：GR00T N1 arXiv 2503.14734 §3；π0 路线参考其论文 arXiv 2410.24164。

解耦的好处是可独立演进：今天换更强的 VLM（比如下一代 SigLIP），动作头不必重训；明天想换一个更轻的动作生成器，认知部分不受影响。这种"模块边界清晰"的设计，对需要长期维护、反复迭代的工程系统尤其重要——它把"升级认知"和"升级动作"两件事彻底解耦了。

相比之下，π0（Physical Intelligence，arXiv 2410.24164）采用"VLM 主干（PaliGemma）+ 流匹配动作专家"的路线，动作专家是直接挂在 VLM 表征上的，模块耦合更紧密。两条路线各有取舍：π0 的耦合式设计往往端到端更紧凑、单次前向更高效；GR00T N1 的解耦式设计则更利于社区各自迭代。没有谁绝对更优——但 GR00T N1 的"解耦优先"明显更利于它"开源基础模型"的定位，让第三方可以只换其中一半。

四、核心方法（二）：数据金字塔，比架构更值得"抄作业"

如果说架构是骨架，数据配方就是血肉。GR00T N1 最值钱的洞察是：用三层数据金字塔，把"廉价但量大"和"昂贵但精致"的数据各安其位（图 7）。

图7 说明：三层数据金字塔。底层海量无标注视频撑起预训练，中层合成数据批量扩增，顶层真机数据决定落地上限。来源：arXiv 2503.14734 §4。

4.1 底层：让没有动作标注的视频也能训练

最便宜的数据是互联网上的人类操作视频（Ego4D、EPIC-KITCHENS、RH20T-Human 等），但它们没有机器人动作标签，照理说没法直接训策略。GR00T N1 的解法是训练一个VQ-VAE 逆动力学模型，从无标注视频里反推出"潜在动作（latent action）"——相当于给视频自动打上"手部在做什么"的隐式标签（图 9）。

这一步的关键价值在于：它把"人类怎么操作"和"机器人怎么动"投影到了同一个潜在空间。有了这个潜空间，一段 B 站上的做饭视频、一段实验室里的抓取录像，都能变成模型预训练的原料，而不必依赖昂贵的真机遥操作。这直接撬开了数据量的天花板——人类操作视频的存量，比任何机器人数据集都大几个数量级。

图8 说明：潜在动作的直观效果（arXiv 2503.14734 原图）：VQ-VAE 逆动力学模型把无标注视频自动归纳出 Move the right arm to the left / right 两类潜在动作——没有人工标注，动作语义被自动聚了出来。

图9 说明：潜在动作提取与神经轨迹扩增流程。VQ-VAE 逆动力学把无标注视频转为动作表征；少量真机数据经图生视频模型微调扩成约 10 倍神经轨迹。来源：arXiv 2503.14734 §4.2 / §4.3。

4.2 中层：88 小时真机 → 827 小时数据的扩增术

合成数据分两类：一是DexMimicGen在仿真里生成的轨迹；二是"神经轨迹"——用图生视频（image-to-video）模型对88 小时真实遥操作数据做微调生成，最终扩增到约827 小时，接近 10 倍（来源：arXiv 2503.14734 §4.3）。

这等于用 1 份真实示范"变"出 10 份训练数据，直接压低了真机采集成本。它的逻辑链是：先用少量真机数据教会生成模型"什么是合理的机器人运动"，再让它批量产出大量"看起来合理"的轨迹。当然，这里埋着后文要讲的隐患——生成数据的质量与分布决定了扩增的上限，garbage in 仍是 garbage out。

4.3 顶层：贵而精的真机数据，以及中国数据的入列

金字塔尖是真机遥操作数据（论文以 Fourier GR-1 为主）、Open X-Embodiment 数据集，以及AgiBot-Alpha——智元机器人（AgiBot）的百台机器人数据集。值得强调的是：中国公司的真实机器人数据直接进了英伟达的训练配方。这既说明国产本体数据已具备进入全球训练集的质量，也提示国内团队一个现实路径——与其各自造数据孤岛，不如把高质量数据集开源进更大的生态，换取模型在自家本体上的更好适配。

五、效果与局限：冷静地看

图10 说明：这张图把论文里散落在各章节的关键数字集中在一处——参数规模、推理时延、双系统的控制频率，以及"10% 真机数据"这一数据效率结论。所有数值均取自 arXiv 2503.14734 原文与附录表格，读者可逐项核对。

5.1 数据效率，是预训练红利的真实体现

论文给出的最关键结论之一：仅用 10% 的真机数据做后训练，模型仍保持强性能（来源：arXiv 2503.14734 §4）。这意味着大规模预训练不是"锦上添花"，而是真把通用动作表征沉淀下来了——下游只需要很少的真机适配就能上手。对资源有限的团队，这是一个极其重要的信号：把精力放在"预训练配方的正确性"上，比盲目堆真机数据更划算。

5.2 实机演示与生态接入

在仿真基准上，论文提出GR-1 Tabletop Tasks（镜像真机桌面任务）做验证；实机侧，1X 的NEO Gamma用它完成了家庭整理任务，早期接入方还包括 Agility、Boston Dynamics、Mentee、NEURA（来源：arXiv 2503.14734 §4）。配套的 Newton 物理引擎（NVIDIA × Google DeepMind × Disney Research）、MuJoCo-Warp 与 Isaac GR00T Blueprint，共同构成了"少量演示 → 指数级合成数据"的工具链。（MuJoCo-Warp 的加速倍率出自 GTC 2025 主题演讲口径，非本论文数据，本文不引用具体数字。）

下表汇总本文核心数字（均来自论文原文）：

5.3 必须说的局限

客观起见，论文在 §4.6 坦承两点局限，我们不应回避：

• 任务范围有限：目前主要验证的是短时程（short-horizon）桌面操作，长时序、多步骤、开放场景的泛化仍未充分证明。也就是说，它能"收拾一截桌子"，但离"收拾一整间乱屋"还有距离。
• 合成数据瓶颈：仿真与神经轨迹的质量与多样性仍是上限。扩增了 10 倍，但若合成分布偏离真实，模型照样学偏。

这与 π0 等路线面临的"仿真到真机的 sim-to-real 鸿沟"是同一类难题，并非 GR00T N1 独有。我们肯定其开源价值，但不宜把它解读成"机器人 ChatGPT 时刻已至"——它更像是地基的第一块砖，而不是整栋楼。

六、对国内人形机器人公司的启示：落回启元语境

图11 说明：启元开发者社区资料下载页（dev.primebot.com/download）。页面上按机型分发 SDK、URDF 与工具链，是上表复现清单所需 SDK 与 URDF 的官方下载入口。
GR00T N1 证明了一件事："开源模型 + 开源数据 + 仿真工具链"能形成数据飞轮。这条飞轮对资源不及英伟达的国内团队同样适用，而启元机器人（PrimeBot）正在走的，正是"开源 SDK + 开发者生态"的可复现路径。

6.1 开源 SDK 是飞轮的入口

启元已开源primebot-q1-sdk/primebot-t1-sdk（ROS2 二次开发 SDK，约 13MB，v1.0.0.0，GitHub 与 AtomGit 双仓）以及 URDF 包（Q1/T1 V3.0，含自由度连杆模型、STL mesh、MuJoCo XML、RViz/Gazebo launch）。这意味着开发者无需从零搭仿真环境，就能在 MuJoCo/URDF 上复现 VLA 训练链路的第一步——把本体模型接进仿真。这正是 GR00T N1 数据金字塔里"中层仿真轨迹"所需的本体接口：你有了标准的 URDF 与 MuJoCo XML，就能直接喂给 DexMimicGen 这类合成数据工具。

接口标准化同样重要。过去做机器人研发，光是把一台新本体的正逆运动学、相机标定、坐标系对齐跑通，就足以劝退一大批算法开发者。启元把 Q1/T1 的 URDF（含 STL mesh、MuJoCo XML、RViz/Gazebo launch）做成开箱即用的包，等于把"本体接口"这个最大变量先固定下来。开发者拿到的不再是黑盒硬件，而是一份可被仿真、可被训练读取的标准描述文件——这正是复现 GR00T N1 数据金字塔时，连接中层仿真与顶层真机所必需的"通用坐标系"。

6.2 开发者社区把"孤岛"连成"网络"

GR00T N1 把 AgiBot-Alpha 这类开放数据集纳入配方，验证了"开源数据反哺基础模型"的范式。启元的开发者社区提供了同样的连接点：开发者在这里共享 Skill、教程与实测数据，让单台 Q1/T1 产生的经验沉淀为社区公共资产。PrimeHub 开发工具包（注册 PrimeHub → AI agent 读机器人契约 → 改示例 → 打包 .rpk → 真机调试 → 发布上架）进一步把"写机器人技能"降到了应用层，普通开发者不必深究底层控制也能贡献上层智能。

启元这套"开源 SDK + 社区基准 + Skill 市场"的组合，和 GR00T N1 想建立的"开源权重 + 开放数据 + 工具链"飞轮是同构的。区别只在于：英伟达的飞轮以算力与仿真为轴心，启元的飞轮以本体开放与开发者运营为轴心。对国内中小团队而言，后者的门槛更低、更贴近真实硬件。当越来越多开发者把 Q1/T1 的实测轨迹、可调 Skill 反哺社区，这个飞轮每转一圈，后来者的复现成本就降一截——这正是开放生态对抗"数据孤岛"最有力的方式。

6.3 给国内团队的复现清单

对照 GR00T N1 的三层配方，启元生态里的可落地动作是：

• 底层：用公开人类视频 + 启元 URDF 在 MuJoCo 里跑 latent-action 预训练的早期尝试；
• 中层：借 Isaac GR00T Blueprint / DexMimicGen 思路，用少量 Q1/T1 遥操作生成仿真轨迹；
• 顶层：把真机评测任务（桌面整理、抓取）沉淀进社区基准，反哺模型后训练。

换句话说，个人开发者今天就能在启元开源 SDK 上，把论文里"仿真到真机"的链路跑通一段——这正是征文活动最想看到的"可复现"。

具体到启元生态，可复现的第一步其实是"看见"：用 PrimeConsole 桌面调试工作台的实时视频流与仿真模块，先把 Q1/T1 在仿真里跑通一个抓取闭环，确认 URDF 与真机一致；第二步是"造数据"，用 PrimeHub 把一小段真机遥操作打包成 .rpk 技能，再喂给合成数据工具放大；第三步才是"训模型"，把扩增后的轨迹接进 VLA 训练链路做后训练。这里要记一笔实测口径：官方下载页把 PrimeConsole 的能力列成"六大模块 ①–⑥"（连接状态与日志、实时视频流、语音与运动控制、机器人仿真、动作与表情测试、Skill 验证与 AI 中心），但那是功能罗列，不是软件里的菜单编号。笔者安装的 1.0.3 版一级导航只有「机器人控制」和「Skill 验证」两项，上述能力全部折叠进「机器人控制」单页。照抄下载页编号去写指路文档，读者会找不到菜单——这是版本相关结论，后续版本可能调整。

当然，复现不等于照搬。GR00T N1 的配方依赖英伟达的 Isaac 工具链与 L40 级算力，中小团队在跟进时应优先复用启元这类已开源的本体接口与社区基准，把有限算力集中在"顶层真机数据"这一最贵的环节上，而不是重造仿真与表征。

七、结语

GR00T N1 的意义，不在于它把参数量堆到了多大（2.2B 在基础模型里其实刻意做小，就是为了好微调、好部署），而在于它把"人形机器人基础模型该怎么造"这件事，用一套开源可验证的配方讲清楚了：双系统解决快慢矛盾，数据金字塔解决贵贱矛盾，开源权重让全行业都能站在同一块地基上。

衡量它的标准不是榜单分数，而是有多少团队真能把它微调、部署到自己的本体上。欢迎在评论区聊聊：你更看好"解耦双系统"还是"VLM 主干耦合"路线？你手上的本体，离跑通 VLA 训练链路还差哪一步？

对国内的具身智能从业者，有一条低成本的试水路径：不必一上来就训自己的大模型，直接用公开视频数据做一轮 latent action 预训练实验，感受一下"数据金字塔"每一层的真实产出比；再决定把钱花在真机采集还是算力上。方向已经由 GR00T N1 指出来了，剩下拼的是谁先把"数据—模型—部署"的循环转起来。

更多启元机器人开发资料可访问启元机器人开发者社区。