DYNA-2: نموذج روبوت أساسي يُحدث ثورة في الذكاء الاصطناعي الفيزيائي
DYNA 2 هو نموذج 'عمل عالمي' تم تدريبه الأولي على أكثر من مليون ساعة من فيديو البشر من منظور الشخص الأول، أي ما يعادل 170 عامًا من الخبرة البشرية المتواصلة، دون استخدام أي بيانات روبوتية خلال التدريب الأولي. في اختبارات مباشرة مع النموذج السابق DYNA 1، أكمل DYNA 2 المهام بنسبة 1.55 مرة أكثر، وحقق معدل نجاح 87% في أحد...
نشر بواسطةتم التحرير باستخدام DeepSeek-V4-Flashتم إنشاء الصور باستخدام GPT Image 1.5
DYNA 2 هو نموذج 'عمل عالمي' تم تدريبه الأولي على أكثر من مليون ساعة من فيديو البشر من منظور الشخص الأول، أي ما يعادل 170 عامًا من الخبرة البشرية المتواصلة، دون استخدام أي بيانات روبوتية خلال التدريب الأولي.
في اختبارات مباشرة مع النموذج السابق DYNA 1، أكمل DYNA 2 المهام بنسبة 1.55 مرة أكثر، وحقق معدل نجاح 87% في أحد مواقع العملاء مقابل 46% للنموذج السابق، بفارق 41 نقطة.
سجل النموذج الجديد قفزة في أداء مهام التصنيع عالية الدقة من 20% إلى 80 90% فقط بزيادة حجم بيانات التدريب الأولي البشري، دون أي تغيير في بيانات ما بعد التدريب.
كشفت الشركة عن 'أول قانون توسع حقيقي في الروبوتات' يثبت أن زيادة بيانات الفيديو البشري تؤدي إلى تحسن متوقع ومطرد في أداء الروبوتات غير المرئية سابقًا.
What is Dyna Robotics' new DYNA-2 robot foundation model, how was it trained (including dataset size, source, and training objectives), whatDyna Robotics' DYNA-2 was pre-trained on over 1 million hours of human egocentric video. (AI-generated illustration)
موجّه الذكاء الاصطناعي
Create a landscape editorial hero image for this Studio Global article: What is Dyna Robotics' new DYNA-2 robot foundation model, how was it trained (including dataset size, source, and training objectives), what. Article summary: Here is a comprehensive breakdown of Dyna Robotics' DYNA-2 model.. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clickbait thumbnails, icons, and tiny thumbnail layouts. Make it useful as an illustrative visual, not as factual evidence.
openai.com
في 10 أغسطس 2026، كشفت شركة Dyna Robotics عن DYNA-2، وهو نموذج أساسي للروبوتات تطلق عليه تسمية "نموذج العمل-العالمي" (World-Action Model). تدّعي الشركة أنه أول نموذج روبوتي يُظهر قانون توسع حقيقي مدعوم بالكامل ببيانات المراقبة البشرية، وليس بيانات الحركة الروبوتية . إليكم ما يعنيه هذا الإعلان لمستقبل الروبوتات، وكيف تم تدريب النموذج، وما هي مكاسب الأداء التي أبلغت عنها الشركة.
ما هو DYNA-2؟
DYNA-2 هو نموذج مُدرَّب مسبقًا مصمم للتحكم في الروبوتات الفيزيائية. على عكس سابقه DYNA-1 الذي استخدم بنية الرؤية-اللغة-الحركة (VLA) التي تربط الإدراك مباشرة بأفعال الروبوت، فإن DYNA-2 يتعلم من خلال التنبؤ بإطارات الفيديو المستقبلية من الإطارات الماضية . تطلق Dyna Robotics على هذا اسم نموذج العمل-العالمي لأن الروبوت يفكر في العواقب قبل أن يتحرك.
Studio Global AI
مواصلة البحث الخاص بك
تتضمن هذه الصفحة إجابة مدعومة بالمصدر يمكنك المتابعة داخل Studio Global.
ما هي الإجابة المختصرة على "DYNA-2: نموذج روبوت أساسي يُحدث ثورة في الذكاء الاصطناعي الفيزيائي"؟
DYNA 2 هو نموذج 'عمل عالمي' تم تدريبه الأولي على أكثر من مليون ساعة من فيديو البشر من منظور الشخص الأول، أي ما يعادل 170 عامًا من الخبرة البشرية المتواصلة، دون استخدام أي بيانات روبوتية خلال التدريب الأولي.
ما هي النقاط الأساسية التي يجب التحقق منها أولاً؟
DYNA 2 هو نموذج 'عمل عالمي' تم تدريبه الأولي على أكثر من مليون ساعة من فيديو البشر من منظور الشخص الأول، أي ما يعادل 170 عامًا من الخبرة البشرية المتواصلة، دون استخدام أي بيانات روبوتية خلال التدريب الأولي. في اختبارات مباشرة مع النموذج السابق DYNA 1، أكمل DYNA 2 المهام بنسبة 1.55 مرة أكثر، وحقق معدل نجاح 87% في أحد مواقع العملاء مقابل 46% للنموذج السابق، بفارق 41 نقطة.
ماذا يجب أن أفعل بعد ذلك في الممارسة العملية؟
سجل النموذج الجديد قفزة في أداء مهام التصنيع عالية الدقة من 20% إلى 80 90% فقط بزيادة حجم بيانات التدريب الأولي البشري، دون أي تغيير في بيانات ما بعد التدريب.
DYNA-2: نموذج روبوت أساسي يُحدث ثورة في الذكاء الاصطناعي الفيزيائي
DYNA 2 هو نموذج 'عمل عالمي' تم تدريبه الأولي على أكثر من مليون ساعة من فيديو البشر من منظور الشخص الأول، أي ما يعادل 170 عامًا من الخبرة البشرية المتواصلة، دون استخدام أي بيانات روبوتية خلال التدريب الأولي. في اختبارات مباشرة مع النموذج السابق DYNA 1، أكمل DYNA 2 المهام بنسبة 1.55 مرة أكثر، وحقق معدل نجاح 87% في أحد...
نشر بواسطةتم التحرير باستخدام DeepSeek-V4-Flashتم إنشاء الصور باستخدام GPT Image 1.5
DYNA 2 هو نموذج 'عمل عالمي' تم تدريبه الأولي على أكثر من مليون ساعة من فيديو البشر من منظور الشخص الأول، أي ما يعادل 170 عامًا من الخبرة البشرية المتواصلة، دون استخدام أي بيانات روبوتية خلال التدريب الأولي.
في اختبارات مباشرة مع النموذج السابق DYNA 1، أكمل DYNA 2 المهام بنسبة 1.55 مرة أكثر، وحقق معدل نجاح 87% في أحد مواقع العملاء مقابل 46% للنموذج السابق، بفارق 41 نقطة.
سجل النموذج الجديد قفزة في أداء مهام التصنيع عالية الدقة من 20% إلى 80 90% فقط بزيادة حجم بيانات التدريب الأولي البشري، دون أي تغيير في بيانات ما بعد التدريب.
كشفت الشركة عن 'أول قانون توسع حقيقي في الروبوتات' يثبت أن زيادة بيانات الفيديو البشري تؤدي إلى تحسن متوقع ومطرد في أداء الروبوتات غير المرئية سابقًا.
What is Dyna Robotics' new DYNA-2 robot foundation model, how was it trained (including dataset size, source, and training objectives), whatDyna Robotics' DYNA-2 was pre-trained on over 1 million hours of human egocentric video. (AI-generated illustration)
موجّه الذكاء الاصطناعي
Create a landscape editorial hero image for this Studio Global article: What is Dyna Robotics' new DYNA-2 robot foundation model, how was it trained (including dataset size, source, and training objectives), what. Article summary: Here is a comprehensive breakdown of Dyna Robotics' DYNA-2 model.. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clickbait thumbnails, icons, and tiny thumbnail layouts. Make it useful as an illustrative visual, not as factual evidence.
openai.com
في 10 أغسطس 2026، كشفت شركة Dyna Robotics عن DYNA-2، وهو نموذج أساسي للروبوتات تطلق عليه تسمية "نموذج العمل-العالمي" (World-Action Model). تدّعي الشركة أنه أول نموذج روبوتي يُظهر قانون توسع حقيقي مدعوم بالكامل ببيانات المراقبة البشرية، وليس بيانات الحركة الروبوتية . إليكم ما يعنيه هذا الإعلان لمستقبل الروبوتات، وكيف تم تدريب النموذج، وما هي مكاسب الأداء التي أبلغت عنها الشركة.
ما هو DYNA-2؟
DYNA-2 هو نموذج مُدرَّب مسبقًا مصمم للتحكم في الروبوتات الفيزيائية. على عكس سابقه DYNA-1 الذي استخدم بنية الرؤية-اللغة-الحركة (VLA) التي تربط الإدراك مباشرة بأفعال الروبوت، فإن DYNA-2 يتعلم من خلال التنبؤ بإطارات الفيديو المستقبلية من الإطارات الماضية . تطلق Dyna Robotics على هذا اسم نموذج العمل-العالمي لأن الروبوت يفكر في العواقب قبل أن يتحرك.
Studio Global AI
مواصلة البحث الخاص بك
تتضمن هذه الصفحة إجابة مدعومة بالمصدر يمكنك المتابعة داخل Studio Global.
ما هي الإجابة المختصرة على "DYNA-2: نموذج روبوت أساسي يُحدث ثورة في الذكاء الاصطناعي الفيزيائي"؟
DYNA 2 هو نموذج 'عمل عالمي' تم تدريبه الأولي على أكثر من مليون ساعة من فيديو البشر من منظور الشخص الأول، أي ما يعادل 170 عامًا من الخبرة البشرية المتواصلة، دون استخدام أي بيانات روبوتية خلال التدريب الأولي.
ما هي النقاط الأساسية التي يجب التحقق منها أولاً؟
DYNA 2 هو نموذج 'عمل عالمي' تم تدريبه الأولي على أكثر من مليون ساعة من فيديو البشر من منظور الشخص الأول، أي ما يعادل 170 عامًا من الخبرة البشرية المتواصلة، دون استخدام أي بيانات روبوتية خلال التدريب الأولي. في اختبارات مباشرة مع النموذج السابق DYNA 1، أكمل DYNA 2 المهام بنسبة 1.55 مرة أكثر، وحقق معدل نجاح 87% في أحد مواقع العملاء مقابل 46% للنموذج السابق، بفارق 41 نقطة.
ماذا يجب أن أفعل بعد ذلك في الممارسة العملية؟
سجل النموذج الجديد قفزة في أداء مهام التصنيع عالية الدقة من 20% إلى 80 90% فقط بزيادة حجم بيانات التدريب الأولي البشري، دون أي تغيير في بيانات ما بعد التدريب.
تكونت مجموعة بيانات التدريب من أكثر من 1,000,000 ساعة من فيديو البشر من منظور الشخص الأول — وهو ما يعادل حوالي 170 عامًا من الخبرة البشرية المتواصلة . التقطت مقاطع الفيديو مهام التلاعب اليومية مثل الطي والطهي والتجميع والتنظيف . لم يتم استخدام أي بيانات حركة روبوتية خلال التدريب الأولي؛ تم إدخال بيانات الروبوت فقط خلال مرحلة صغيرة من ما بعد التدريب أو الضبط الدقيق، عادةً 10 ساعات أو أقل لكل مهمة .
أهداف التدريب
خلال التدريب الأولي، استخدم DYNA-2 هدف التنبؤ بالفيديو — تعلم التنبؤ بإطارات الفيديو المستقبلية من الملاحظات الماضية — بالإضافة إلى خوارزمية التدريب المشترك للفيديو التي تتعلم بشكل مشترك التمثيلات البصرية والتنبؤ بالحركة . يتناقض هذا الأسلوب مع بنية VLA الخاصة بـ DYNA-1، التي تربط الإدراك مباشرة بأفعال الروبوت دون التنبؤ الوسيط بالفيديو .
أظهرت الشركة التوسع عبر أربعة مقاييس حجم، من 1000 ساعة إلى 1,000,000 ساعة من بيانات التدريب الأولي .
تحسينات الأداء مقارنة بـ DYNA-1
أجرت الشركة مقارنات مباشرة بين DYNA-2 و DYNA-1 في ظل ظروف تدريب متطابقة ونشر في العالم الحقيقي.
اختبار قياسي وجهاً لوجه (7 مهام)
أكمل DYNA-2 المهام بنسبة 1.55 مرة أكثر من DYNA-1 القائم على بنية VLA .
في المقارنات الثنائية، فاز DYNA-2 في 65% من التجارب مقابل 29% لـ DYNA-1 .
نتائج القياس المجمعة (14-15 مهمة عبر 3 أجسام روبوتية)
ارتفع متوسط الأداء الطبيعي بشكل رتيب مع زيادة التدريب الأولي: 20% ← 28% ← 45% ← 53% من الحد الأقصى المحقق مع زيادة البيانات من 1 ألف ← 10 آلاف ← 100 ألف ← 1 مليون ساعة . على مقياس المليون ساعة، حقق DYNA-2 أقوى أداء في العالم الحقيقي في 9 من 14 مهمة. تضمنت التحسينات الرئيسية على مستوى المهام ما يلي:
فتح قفل صندوق الأمان: من 0% نجاح (حتى 100 ألف ساعة) إلى 90% نجاح عند مليون ساعة .
فك غطاء الزجاجة: من 10% نجاح إلى 40-50% عند مليون ساعة، باستخدام حوالي 10 دقائق فقط من بيانات ما بعد التدريب للروبوت .
استرداد مشروب مستهدف (اتباع الأوامر اللغوية): تحسن من 58% إلى 83%.
النشر في التصنيع الواقعي ولدى العملاء
مهام التصنيع عالية الدقة: قفزت معدلات النجاح من ~20% إلى 80-90% فقط من خلال زيادة حجم التدريب الأولي، دون إجراء أي تغييرات على بيانات ما بعد التدريب .
النشر الصفري (Zero-shot) في موقع عميل: سجل DYNA-2 معدل نجاح 87% مقارنة بـ 46% لـ DYNA-1 — أي تحسن بمقدار 41 نقطة.
خوارزمية التدريب المشترك للفيديو رفعت درجات اتباع التعليمات بنسبة 133% في المهام التي تتطلب حركات مميزة استجابةً لأوامر المستخدم .
قانون التوسع الذي لاحظته Dyna Robotics
أبلغت Dyna Robotics عما تسميه "أول قانون توسع حقيقي في الروبوتات مدعوم بالكامل بالبيانات البشرية". الخصائص الرئيسية:
قانون توسع النقل من الإنسان إلى الروبوت: مع زيادة كمية التدريب الأولي على فيديو البشر من منظور الشخص الأول عبر أربعة مقاييس حجم (1 ألف → 1 مليون ساعة)، تحسن أداء الروبوت على الأجهزة الروبوتية غير المرئية بشكل متوقع ورتيب وخطي لوغاريتميًا — وهو النمط الذي تحدده الشركة كقانون توسع .
النقل عبر الأجسام المختلفة: استمر قانون التوسع عبر جسمين روبوتيين مختلفين (منصة ثنائية الذراع ثابتة ونموذج أولي شبه بشري) لم يرهما النموذج مطلقًا أثناء التدريب الأولي .
التنبؤ بالحركة بدون تدريب مسبق (Zero-shot): أدى توسيع بيانات الفيديو البشري أيضًا إلى تحسين قدرة النموذج على التنبؤ بالحركات على بيانات فيديو روبوتية محجوبة لم تُعرض مطلقًا أثناء التدريب .
تذكر الشركة صراحة أن هذا هو "الأول من نوعه" كدليل على أن توسيع بيانات المراقبة البشرية، وليس بيانات الحركة الروبوتية، يمكن أن يكون محورًا موثوقًا لتحسين الذكاء الفيزيائي للروبوت .
لماذا هذا مهم
إذا ثبتت صحة هذه الادعاءات من خلال التحقق المستقل، فإن Dyna Robotics قد أظهرت مسارًا عمليًا لتوسيع نطاق الذكاء الروبوتي دون عنق الزجاجة المتمثل في جمع بيانات الحركة الروبوتية باهظة الثمن. الفيديو البشري موجود بمقياس غير محدود عمليًا. تقول الشركة إنها تعمل بالفعل نحو 10 ملايين ساعة من بيانات التدريب، مما سيمكن الروبوتات من إتقان مهام فيزيائية جديدة بساعات قليلة فقط من الضبط المحلي .
تكونت مجموعة بيانات التدريب من أكثر من 1,000,000 ساعة من فيديو البشر من منظور الشخص الأول — وهو ما يعادل حوالي 170 عامًا من الخبرة البشرية المتواصلة . التقطت مقاطع الفيديو مهام التلاعب اليومية مثل الطي والطهي والتجميع والتنظيف . لم يتم استخدام أي بيانات حركة روبوتية خلال التدريب الأولي؛ تم إدخال بيانات الروبوت فقط خلال مرحلة صغيرة من ما بعد التدريب أو الضبط الدقيق، عادةً 10 ساعات أو أقل لكل مهمة .
أهداف التدريب
خلال التدريب الأولي، استخدم DYNA-2 هدف التنبؤ بالفيديو — تعلم التنبؤ بإطارات الفيديو المستقبلية من الملاحظات الماضية — بالإضافة إلى خوارزمية التدريب المشترك للفيديو التي تتعلم بشكل مشترك التمثيلات البصرية والتنبؤ بالحركة . يتناقض هذا الأسلوب مع بنية VLA الخاصة بـ DYNA-1، التي تربط الإدراك مباشرة بأفعال الروبوت دون التنبؤ الوسيط بالفيديو .
أظهرت الشركة التوسع عبر أربعة مقاييس حجم، من 1000 ساعة إلى 1,000,000 ساعة من بيانات التدريب الأولي .
تحسينات الأداء مقارنة بـ DYNA-1
أجرت الشركة مقارنات مباشرة بين DYNA-2 و DYNA-1 في ظل ظروف تدريب متطابقة ونشر في العالم الحقيقي.
اختبار قياسي وجهاً لوجه (7 مهام)
أكمل DYNA-2 المهام بنسبة 1.55 مرة أكثر من DYNA-1 القائم على بنية VLA .
في المقارنات الثنائية، فاز DYNA-2 في 65% من التجارب مقابل 29% لـ DYNA-1 .
نتائج القياس المجمعة (14-15 مهمة عبر 3 أجسام روبوتية)
ارتفع متوسط الأداء الطبيعي بشكل رتيب مع زيادة التدريب الأولي: 20% ← 28% ← 45% ← 53% من الحد الأقصى المحقق مع زيادة البيانات من 1 ألف ← 10 آلاف ← 100 ألف ← 1 مليون ساعة . على مقياس المليون ساعة، حقق DYNA-2 أقوى أداء في العالم الحقيقي في 9 من 14 مهمة. تضمنت التحسينات الرئيسية على مستوى المهام ما يلي:
فتح قفل صندوق الأمان: من 0% نجاح (حتى 100 ألف ساعة) إلى 90% نجاح عند مليون ساعة .
فك غطاء الزجاجة: من 10% نجاح إلى 40-50% عند مليون ساعة، باستخدام حوالي 10 دقائق فقط من بيانات ما بعد التدريب للروبوت .
استرداد مشروب مستهدف (اتباع الأوامر اللغوية): تحسن من 58% إلى 83%.
النشر في التصنيع الواقعي ولدى العملاء
مهام التصنيع عالية الدقة: قفزت معدلات النجاح من ~20% إلى 80-90% فقط من خلال زيادة حجم التدريب الأولي، دون إجراء أي تغييرات على بيانات ما بعد التدريب .
النشر الصفري (Zero-shot) في موقع عميل: سجل DYNA-2 معدل نجاح 87% مقارنة بـ 46% لـ DYNA-1 — أي تحسن بمقدار 41 نقطة.
خوارزمية التدريب المشترك للفيديو رفعت درجات اتباع التعليمات بنسبة 133% في المهام التي تتطلب حركات مميزة استجابةً لأوامر المستخدم .
قانون التوسع الذي لاحظته Dyna Robotics
أبلغت Dyna Robotics عما تسميه "أول قانون توسع حقيقي في الروبوتات مدعوم بالكامل بالبيانات البشرية". الخصائص الرئيسية:
قانون توسع النقل من الإنسان إلى الروبوت: مع زيادة كمية التدريب الأولي على فيديو البشر من منظور الشخص الأول عبر أربعة مقاييس حجم (1 ألف → 1 مليون ساعة)، تحسن أداء الروبوت على الأجهزة الروبوتية غير المرئية بشكل متوقع ورتيب وخطي لوغاريتميًا — وهو النمط الذي تحدده الشركة كقانون توسع .
النقل عبر الأجسام المختلفة: استمر قانون التوسع عبر جسمين روبوتيين مختلفين (منصة ثنائية الذراع ثابتة ونموذج أولي شبه بشري) لم يرهما النموذج مطلقًا أثناء التدريب الأولي .
التنبؤ بالحركة بدون تدريب مسبق (Zero-shot): أدى توسيع بيانات الفيديو البشري أيضًا إلى تحسين قدرة النموذج على التنبؤ بالحركات على بيانات فيديو روبوتية محجوبة لم تُعرض مطلقًا أثناء التدريب .
تذكر الشركة صراحة أن هذا هو "الأول من نوعه" كدليل على أن توسيع بيانات المراقبة البشرية، وليس بيانات الحركة الروبوتية، يمكن أن يكون محورًا موثوقًا لتحسين الذكاء الفيزيائي للروبوت .
لماذا هذا مهم
إذا ثبتت صحة هذه الادعاءات من خلال التحقق المستقل، فإن Dyna Robotics قد أظهرت مسارًا عمليًا لتوسيع نطاق الذكاء الروبوتي دون عنق الزجاجة المتمثل في جمع بيانات الحركة الروبوتية باهظة الثمن. الفيديو البشري موجود بمقياس غير محدود عمليًا. تقول الشركة إنها تعمل بالفعل نحو 10 ملايين ساعة من بيانات التدريب، مما سيمكن الروبوتات من إتقان مهام فيزيائية جديدة بساعات قليلة فقط من الضبط المحلي .
