AIフロントライン

NVIDIA Isaac GR00T N1.7は、人型ロボット向けの3Bパラメータ規模のVision-Language-Action（VLA）モデルで、商用利用可能なオープンモデルとして公開された。最大の特徴は「EgoScale」と呼ばれる訓練手法で、ロボットの遠隔操作データではなく、人間が装着した一人称視点カメラ（エゴセントリック動画）20,854時間分を活用する点にある。製造・小売・医療・家庭など20以上のタスクカテゴリをカバーしており、データ量を1,000時間から20,000時間にスケールさせると巧緻操作タスクの平均完了率が2倍以上に向上するというロボット器用さに関するスケーリング則を初めて示した。アーキテクチャは「Action Cascade」と称する二系統構造を採用。上位系（System 2）はCosmos-Reason2-2BをバックボーンとするVLMが画像・言語を処理してタスク分解と多段階推論を行い、下位系（System 1）は32層の拡散トランスフォーマー（DiT）がVLM出力とロボットの固有感覚情報を受け取り、リアルタイムで精密なモーターコマンドを生成する。22自由度ハンドでの部品組立など接触の多いタスクにも対応。前世代N1.6との後方互換性を保ちながら、Unitree G1等の主要プラットフォームへのドロップイン導入が可能な点で産業展開上の意義が大きい。