DYNA-2 – Der Roboter, der durch 1 Million Stunden menschlicher Videos lernte

Dyna Robotics' DYNA-2 markiert einen grundlegenden Wandel in der Art und Weise, wie Roboter physische Fähigkeiten erlernen. Anstatt auf teure, manuell erhobene Roboterdaten zu setzen – dem Industriestandard – wurde DYNA-2 auf über einer Million Stunden egozentrischer (First-Person-) Videos von Menschen vortrainiert, was etwa 170 Jahren ununterbrochener Wachheit entspricht . Das am 10. August 2026 vorgestellte Modell führt eine neue Architektur namens Welt-Aktions-Modell (World-Action Model, WAM) ein, die lernt, wie Handlungen die physische Welt verändern, bevor sich ein Roboter überhaupt bewegt .

Welt-Aktions-Modell-Architektur: Videovorhersage statt Aktionsimitation

Die Architektur von DYNA-2 basiert auf der Videogenerierung und nicht auf den Vision-Language-Action (VLA)-Adaptern, die in der Robotik bisher vorherrschten . Während des Vortrainings verfolgt das Modell ein duales Ziel: Es sagt sowohl das nächste Videobild als auch die nächste Aktion aus dem menschlichen Videokorpus vorher . Dieser Ansatz ermöglicht es dem Modell, ein internes Modell der Kontaktphysik und des räumlichen Denkens aufzubauen – es erlernt kausale Beziehungen zwischen Aktionen und ihren physikalischen Konsequenzen –, das ohne jemals einen Roboter im Vortraining gesehen zu haben, auf verschiedene Verkörperungen übertragbar ist .

Vortrainings-Korpus: Das Unternehmen erstellte vier verschachtelte Untergruppen egozentrischer menschlicher Videos – 1.000, 10.000, 100.000 und 1.000.000 Stunden – ohne Verwendung von Roboteraktionsdaten während des Vortrainings . Nach dem Vortraining wird das Modell mit einer relativ kleinen Menge echter Roboter-Feintuning-Daten (Stunden oder sogar Minuten) verfeinert, um die erlernte physikalische Intuition auf die spezifische Hardware zu übertragen .

Das erste Mensch-zu-Roboter-Transfer-Skalierungsgesetz

Dyna Robotics berichtete über das, was es als das erste übergreifende Verkörperungs-Transfer-Skalierungsgesetz in der Manipulation bezeichnet . Der Befund ist bedeutsam, da er zeigt, dass die Skalierung menschlicher Videodaten vorhersagbare, monotone Verbesserungen der Roboterleistung bewirkt – ein Spiegelbild der Skalierungsgesetze, die große Sprachmodelle revolutionierten.

• Skalierungsgesetz bei menschlichen Daten: Über alle vier Größenordnungen hinweg (1K → 10K → 100K → 1M Stunden) verbesserten sich alle Metriken der Vorhersagequalität monoton und ließen sich gut durch ein Potenzgesetz beschreiben, wobei kein Plateau beobachtet wurde .

• Gesetz überträgt sich auf unbekannte Roboter-Daten: Dieselben Checkpoints wurden Zero-Shot auf 39 verschiedene Roboteraufgaben auf zwei stationären bimanuellen Plattformen getestet. Die Leistung verbesserte sich monoton, je größer der Pool an menschlichen Vortrainings-Videos wurde – und zwar vor jedem roboterspezifischen Feintuning . Eine Analyse zeigte, dass die Fixierung von aktionsmarkierten Daten auf 50.000 Stunden und das Hinzufügen von reinen Videostunden den Zero-Shot-Roboter-Aktions-MSE von 0,340 auf 0,120 senkte .

• Post-Training-Leistungsskalierung: Nach dem Feintuning stieg der mittlere normalisierte Wert über 14 Roboteraufgaben in Abhängigkeit von der Vortrainingsskala von 20 % → 28 % → 45 % → 53 % des erreichbaren Maximums .

Verbesserungen der Aufgabenerfolgsrate

Die Leistungssteigerungen von DYNA-2 zeigen sich besonders in drei Bereichen:

• Hochpräzise Fertigung: DYNA-2 steigerte die Aufgabenerfolgsrate von etwa 20 % auf 80–90 % allein durch die erhöhte Vortrainingsskala, ohne Änderungen an den Post-Training-Daten . Dies ist eine 4- bis 4,5-fache Verbesserung, die allein durch das Ansehen von mehr menschlichen Videos erreicht wurde.

• Zero-Shot-Kundeneinsätze: Bei realen Kunden erreichte DYNA-2 eine Qualitätsquote von 87 % im Vergleich zu 46 % für seinen auf VLA basierenden Vorgänger DYNA-1 – eine Verbesserung um 41 Prozentpunkte bei vergleichbaren Post-Training-Budgets . In direkten physischen Vergleichen unter identischen Trainingsbedingungen erledigte DYNA-2 Aufgaben 1,55-mal häufiger als DYNA-1 und gewann 65 % der direkten Vergleiche .

• Flaschenverschluss-Drehen (13 Minuten Daten): Mit nur 13 Minuten roboterspezifischer Demonstrationsdaten wurde DYNA-2 dazu gebracht, mit einem Paar fünf-Finger-Hände den Verschluss einer Flasche aufzudrehen . Der technische Bericht des Unternehmens präzisiert, dass es sich um etwa 10 Minuten Roboterdaten handelte, wobei die Vortrainingsskala den Erfolg von 10 % bei kleineren Budgets auf 40–50 % beim vollen 1M-Stunden-Budget anhob .

Auswirkungen auf die Zukunft der Robotik

Die Ergebnisse von DYNA-2 stellen die vorherrschende Annahme in Frage, dass Roboter große Mengen an aufgabenspezifischen Roboterdaten benötigen. Durch den Nachweis eines Skalierungsgesetzes, das von menschlichen Videos auf Roboterhardware übertragen wird, eröffnet Dyna Robotics einen praktischen Weg zu 10 Millionen Stunden Trainingsdaten – mit dem Potenzial, es Robotern zu ermöglichen, neue physische Aufgaben mit nur wenigen Stunden lokalem Feintuning zu meistern . Das Modell wird derzeit als betreibersystem betrieben; Dyna Robotics hat weder einen öffentlichen Checkpoint noch eine API oder eine Lizenz für DYNA-2 angekündigt . Die unabhängige Nachbildung durch die Robotik-Forschungsgemeinschaft wird der nächste Schritt zur Validierung dieser Ergebnisse sein .