DYNA-2: Das World-Action-Modell, das Robotik neu definiert

Trainingsziele

Während des Pre-Trainings verwendete DYNA-2 ein Video-Vorhersage-Ziel – also das Lernen, zukünftige Videobilder aus vergangenen Beobachtungen vorherzusagen – in Kombination mit einem Video-Cotraining-Algorithmus, der gemeinsam visuelle Repräsentationen und Aktionsvorhersagen erlernt . Dieser Ansatz steht im Gegensatz zur VLA-Architektur von DYNA-1, die Wahrnehmung direkt in Roboteraktionen übersetzt, ohne dazwischen eine Videovorhersage zu schalten .

Das Unternehmen demonstrierte die Skalierung über vier Größenordnungen, von 1.000 Stunden bis zu 1.000.000 Stunden Pre-Training-Daten .

Leistungsverbesserungen gegenüber DYNA-1

Das Unternehmen führte direkte Vergleiche zwischen DYNA-2 und DYNA-1 unter identischen Trainingsbedingungen und in realen Einsätzen durch.

Direkter Benchmark-Vergleich (7 Aufgaben)

• DYNA-2 erledigte Aufgaben 1,55-mal häufiger als das VLA-basierte DYNA-1 .
• In paarweisen Vergleichen gewann DYNA-2 65 % der Durchläufe gegenüber DYNA-1 mit 29 % .

Gesamtergebnisse aus Benchmarks (14–15 Aufgaben auf 3 Roboterplattformen)

Die durchschnittliche normalisierte Leistung stieg monoton mit der Pre-Training-Datenmenge: 20 % → 28 % → 45 % → 53 % des erreichbaren Maximums, als die Daten von 1k → 10k → 100k → 1M Stunden skalierten . Bei der 1-Millionen-Stunden-Skala erzielte DYNA-2 bei 9 von 14 Aufgaben die stärkste reale Leistung . Wichtige aufgabenspezifische Verbesserungen waren:

• Schlüsseldrehen am Tresor: von 0 % Erfolg (bis 100k Stunden) auf 90 % Erfolg bei 1M Stunden .
• Flaschenverschluss öffnen: von 10 % Erfolg auf 40–50 % bei 1M Stunden, mit nur etwa 10 Minuten Roboter-Post-Training-Daten .
• Gezieltes Getränkeabrufen (Sprachbefehle): verbessert von 58 % auf 83 % .

Reale Fertigungs- und Kundeneinsätze

• Hochpräzise Fertigungsaufgaben: Erfolgsquoten stiegen von ~20 % auf 80–90 % allein durch größere Pre-Training-Skalen, ohne Änderungen an den Post-Training-Daten .
• Zero-Shot-Einsatz bei einem Kunden: DYNA-2 erreichte eine Qualitätsdurchfallquote von 87 % gegenüber 46 % für DYNA-1 – eine Verbesserung um 41 Prozentpunkte .
• Der Video-Cotraining-Algorithmus steigerte die Befolgungsgenauigkeit von Anweisungen um 133 % bei Aufgaben, die unterschiedliche Bewegungen als Reaktion auf Benutzerbefehle erfordern .

Das von Dyna Robotics beobachtete Scaling Law

Dyna Robotics berichtet von dem, was es „das erste echte Scaling Law in der Robotik, vollständig angetrieben durch menschliche Daten“ nennt . Wesentliche Merkmale:

• Mensch-zu-Roboter-Transfer-Scaling Law: Mit zunehmender Menge an egozentrischen menschlichen Video-Pre-Training-Daten (über vier Größenordnungen hinweg, von 1k → 1M Stunden) verbesserte sich die Roboterleistung auf unbekannter Roboterhardware vorhersagbar, monoton und log-linear – ein Muster, das das Unternehmen als Scaling Law identifiziert .
• Cross-Embodiment-Transfer: Die Skalierung galt über zwei verschiedene Roboterplattformen (eine stationäre beidarmige Plattform und einen semi-humanoiden Prototypen) hinweg, die das Modell während des Pre-Trainings nie gesehen hatte .
• Zero-Shot-Aktionsvorhersage: Die Skalierung menschlicher Videodaten verbesserte auch die Fähigkeit des Modells, Aktionen auf zurückgehaltenen Roboter-Videodaten vorherzusagen, die während des Trainings nie gezeigt wurden .

Das Unternehmen erklärt ausdrücklich, dass es sich um eine „Premiere“ handelt: die Demonstration, dass die Skalierung menschlicher Beobachtungsdaten – nicht von Roboter-Aktionsdaten – als zuverlässige Achse zur Verbesserung der physischen Roboterintelligenz dienen kann .

Warum das wichtig ist

Sollten sich die Behauptungen unabhängig bestätigen lassen, hat Dyna Robotics einen praktischen Weg aufgezeigt, die Intelligenz von Robotern zu skalieren, ohne den Engpass der teuren Erhebung von Roboter-Aktionsdaten. Menschliche Videos gibt es in praktisch unbegrenztem Umfang. Das Unternehmen arbeitet bereits an einer Erweiterung auf 10 Millionen Stunden Trainingsdaten, was Robotern ermöglichen würde, neue physische Aufgaben mit nur wenigen Stunden lokaler Feinabstimmung zu meistern .