NVIDIA Isaac GR00T × Unitree G1：不用先買人型機器人，也能跑完整 Physical AI 端到端流程
NVIDIA 官方釋出 Unitree G1 的 Isaac GR00T 端到端 Physical AI workflow：模擬與實機流程解耦，開發者可先在 Isaac Lab-Arena 收集遙操作示範、轉成 LeRobot 格式、微調 GR00T 1.7 VLA policy、用成功率評估 pick-and-place，再視需要部署到搭配 Jetson Thor 的實體 G1。這對課程與 PoC 的重點是 sim-first，而不是一開始就採購人型機器人。
Physical AI / Robotics / NVIDIA Isaac GR00T
這篇 Threads 文章提到 NVIDIA 最新的 Isaac GR00T × Unitree G1 端到端人型機器人 workflow。重點不是「馬上買一台 G1」，而是 NVIDIA 官方課程把 simulation workflow 與 real robot workflow 完全解耦：開發者可以先在模擬環境完成資料收集、GR00T VLA policy post-training 與策略評估，再視需要部署到實體 Unitree G1。
我已對照官方文件：End-to-End Physical AI With the Unitree G1。NVIDIA 明確說這不是 standalone demo，也不是 general humanoid platform kit，而是一套 validated、open、reproducible 的 reference workflow。
一句話結論
Physical AI 的入門門檻正在從「先買昂貴機器人」降到「先跑 sim-first workflow」。如果目標是課程、PoC、團隊能力建設，第一步應該是把 Isaac Lab-Arena、Isaac Teleop、GR00T post-training、evaluation pipeline 跑通，而不是先採購 Unitree G1。
官方 workflow 包含哪些步驟？
| 階段 | 官方文件描述 | 意義 |
|---|---|---|
| Teleoperation | 在模擬或實體機器人上做遙操作 | 收集人類示範資料，是 policy learning 的起點。 |
| Demonstration data collection | 示範資料可用 HDF5（sim）或 MCAP（real）格式 | 把操作軌跡變成可訓練資料。 |
| LeRobot conversion | 將示範資料轉成 LeRobot format | 讓後續 GR00T 1.7 post-training 使用一致資料格式。 |
| GR00T VLA post-training | 微調 GR00T Vision-Language-Action policy | 把視覺、語言與動作決策串成可執行 policy。 |
| Isaac Lab-Arena evaluation | 用 success-rate metrics 評估 pick-and-place policy | 在實機前先用模擬量化策略成功率。 |
| Deployment | 透過 Jetson Thor 部署回 Unitree G1 | 實體部署路線，但不是完成 simulation path 的必要條件。 |
模擬流程與實機流程是解耦的
NVIDIA 文件特別標註：課程提供兩條互相獨立的 workflow path：
- Simulation Workflow：完全在 Isaac Lab-Arena 裡收集資料與訓練 policies。
- Real Robot Workflow：在實體 Unitree G1 上收集資料，並透過 Jetson Thor 部署到硬體。
官方也說這兩條路在目前課程版本中不互相依賴。這正是 Threads 原文「你不需要先買一台就能體驗完整流程」的核心根據。
參考任務：tabletop pick-and-place
官方課程的目標任務是桌面 pick-and-place：Unitree G1 主動平衡站立，從桌面拿起蘋果並放到盤子上。這個任務看似簡單，但涵蓋完整 pipeline：