DYNA-2: Dyna Robotics koulutti robotin miljoonalla tunnilla ihmisvideota – ja löysi skaalauslain
Dyna Roboticsin DYNA 2 on maailma toimintamalli (WAM), joka julkistettiin 10. elokuuta 2026. DYNA 2 käyttää videon ennustamistavoitetta: se oppii ennustamaan tulevia videokuvia menneistä havainnoista.
JulkaisijaMuokattu mallilla DeepSeek-V4-FlashKuvat luotu mallilla GPT Image 1.5
Dyna Roboticsin DYNA 2 on maailma toimintamalli (WAM), joka julkistettiin 10. elokuuta 2026.
DYNA 2 käyttää videon ennustamistavoitetta: se oppii ennustamaan tulevia videokuvia menneistä havainnoista.
Yhtiö raportoi, että DYNA 2 suoritti tehtäviä 1,55 kertaa useammin kuin DYNA 1 vertailutesteissä, ja asiakaskäyttöönotossa sen läpäisyaste oli 87 % verrattuna DYNA 1:n 46 %:iin [5][6][7].
DYNA 2 osoittaa ensimmäistä kertaa, että ihmisvideon skaalaaminen (1 000 → 1 000 000 tuntia) parantaa robotin suorituskykyä ennustettavasti, monotonisesti ja log lineaarisesti – tätä yhtiö kutsuu skaalauslaiksi [6][7]...
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)
AI Prompt
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
elokuuta 2026 Dyna Robotics julkisti DYNA-2:n, robottien perusmallin, jota se kutsuu ”maailma-toimintamalliksi” (world-action model, WAM). Yhtiö väittää, että se on ensimmäinen robottimalli, joka osoittaa todellisen skaalauslain, joka perustuu kokonaan ihmisten havainnointidataan eikä robottien toimintadataan . Tässä artikkelissa käymme läpi, mitä julkistus tarkoittaa robotiikan kannalta, miten malli koulutettiin ja millaisia suorituskykyparannuksia yhtiö raportoi.
Mikä on DYNA-2?
DYNA-2 on esikoulutettu malli, joka on suunniteltu ohjaamaan fyysisiä robotteja. Toisin kuin edeltäjänsä DYNA-1, joka käytti näkö-kieli-toiminta (VLA) -arkkitehtuuria ja yhdisti havainnon suoraan robottitoimintoihin, DYNA-2 oppii . Dyna Robotics kutsuu tätä maailma-toimintamalliksi, koska robotti päättelee seuraukset ennen kuin se liikkuu.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "DYNA-2: Dyna Robotics koulutti robotin miljoonalla tunnilla ihmisvideota – ja löysi skaalauslain"?
Dyna Roboticsin DYNA 2 on maailma toimintamalli (WAM), joka julkistettiin 10. elokuuta 2026.
What are the key points to validate first?
Dyna Roboticsin DYNA 2 on maailma toimintamalli (WAM), joka julkistettiin 10. elokuuta 2026. DYNA 2 käyttää videon ennustamistavoitetta: se oppii ennustamaan tulevia videokuvia menneistä havainnoista.
What should I do next in practice?
Yhtiö raportoi, että DYNA 2 suoritti tehtäviä 1,55 kertaa useammin kuin DYNA 1 vertailutesteissä, ja asiakaskäyttöönotossa sen läpäisyaste oli 87 % verrattuna DYNA 1:n 46 %:iin [5][6][7].
DYNA-2: Dyna Robotics koulutti robotin miljoonalla tunnilla ihmisvideota – ja löysi skaalauslain
Dyna Roboticsin DYNA 2 on maailma toimintamalli (WAM), joka julkistettiin 10. elokuuta 2026. DYNA 2 käyttää videon ennustamistavoitetta: se oppii ennustamaan tulevia videokuvia menneistä havainnoista.
JulkaisijaMuokattu mallilla DeepSeek-V4-FlashKuvat luotu mallilla GPT Image 1.5
Dyna Roboticsin DYNA 2 on maailma toimintamalli (WAM), joka julkistettiin 10. elokuuta 2026.
DYNA 2 käyttää videon ennustamistavoitetta: se oppii ennustamaan tulevia videokuvia menneistä havainnoista.
Yhtiö raportoi, että DYNA 2 suoritti tehtäviä 1,55 kertaa useammin kuin DYNA 1 vertailutesteissä, ja asiakaskäyttöönotossa sen läpäisyaste oli 87 % verrattuna DYNA 1:n 46 %:iin [5][6][7].
DYNA 2 osoittaa ensimmäistä kertaa, että ihmisvideon skaalaaminen (1 000 → 1 000 000 tuntia) parantaa robotin suorituskykyä ennustettavasti, monotonisesti ja log lineaarisesti – tätä yhtiö kutsuu skaalauslaiksi [6][7]...
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)
AI Prompt
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
elokuuta 2026 Dyna Robotics julkisti DYNA-2:n, robottien perusmallin, jota se kutsuu ”maailma-toimintamalliksi” (world-action model, WAM). Yhtiö väittää, että se on ensimmäinen robottimalli, joka osoittaa todellisen skaalauslain, joka perustuu kokonaan ihmisten havainnointidataan eikä robottien toimintadataan . Tässä artikkelissa käymme läpi, mitä julkistus tarkoittaa robotiikan kannalta, miten malli koulutettiin ja millaisia suorituskykyparannuksia yhtiö raportoi.
Mikä on DYNA-2?
DYNA-2 on esikoulutettu malli, joka on suunniteltu ohjaamaan fyysisiä robotteja. Toisin kuin edeltäjänsä DYNA-1, joka käytti näkö-kieli-toiminta (VLA) -arkkitehtuuria ja yhdisti havainnon suoraan robottitoimintoihin, DYNA-2 oppii . Dyna Robotics kutsuu tätä maailma-toimintamalliksi, koska robotti päättelee seuraukset ennen kuin se liikkuu.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "DYNA-2: Dyna Robotics koulutti robotin miljoonalla tunnilla ihmisvideota – ja löysi skaalauslain"?
Dyna Roboticsin DYNA 2 on maailma toimintamalli (WAM), joka julkistettiin 10. elokuuta 2026.
What are the key points to validate first?
Dyna Roboticsin DYNA 2 on maailma toimintamalli (WAM), joka julkistettiin 10. elokuuta 2026. DYNA 2 käyttää videon ennustamistavoitetta: se oppii ennustamaan tulevia videokuvia menneistä havainnoista.
What should I do next in practice?
Yhtiö raportoi, että DYNA 2 suoritti tehtäviä 1,55 kertaa useammin kuin DYNA 1 vertailutesteissä, ja asiakaskäyttöönotossa sen läpäisyaste oli 87 % verrattuna DYNA 1:n 46 %:iin [5][6][7].
Koulutusaineisto koostui yli 1 000 000 tunnista ensimmäisen persoonan (egosentristä) ihmisvideota – mikä vastaa noin 170 vuoden jatkuvaa valveillaolokokemusta . Videoilla kuvattiin arkipäiväisiä käsittelytehtäviä, kuten ruoanlaittoa, taittelua, kokoamista ja siivoamista . Esikoulutusvaiheessa ei käytetty lainkaan robottitoimintadataa; robottidataa lisättiin vasta pienessä jälkikoulutus- tai hienosäätövaiheessa, tyypillisesti enintään 10 tuntia tehtävää kohti .
Koulutustavoitteet
Esikoulutuksessa DYNA-2 käytti videon ennustamistavoitetta – se oppi ennustamaan tulevia videokuvia menneistä havainnoista – yhdistettynä videon yhteiskoulutusalgoritmiin, joka oppii samanaikaisesti visuaalisia esityksiä ja toiminnan ennustamista . Tämä lähestymistapa eroaa DYNA-1:n VLA-arkkitehtuurista, joka yhdistää havainnon suoraan robottitoimintoihin ilman välivaiheen videon ennustamista .
Yhtiö osoitti skaalauksen neljän kertaluvun yli, 1 000 tunnista aina 1 000 000 tuntiin esikoulutusdataa .
Suorituskykyparannukset verrattuna DYNA-1:een
Yhtiö suoritti suoria vertailuja DYNA-2:n ja DYNA-1:n välillä vastaavissa koulutusolosuhteissa ja oikeissa käyttöönotoissa.
Vertailutestit (7 tehtävää)
DYNA-2 suoritti tehtäviä 1,55 kertaa useammin kuin VLA-pohjainen DYNA-1 .
Pareittaisissa vertailuissa DYNA-2 voitti 65 %:ssa kokeista verrattuna DYNA-1:n 29 %:iin .
Korkean tarkkuuden valmistustehtävät: onnistumisprosentit nousivat noin 20 %:sta 80–90 %:iin pelkästään esikoulutuksen skaalausta lisäämällä, ilman muutoksia jälkikoulutusdataan .
Nollanäytteen käyttöönotto asiakkaan luona: DYNA-2 saavutti 87 %:n laadun läpäisyasteen verrattuna 46 %:iin DYNA-1:llä – 41 prosenttiyksikön parannus.
Videon yhteiskoulutusalgoritmi nosti ohjeiden noudattamisen pisteitä 133 % tehtävissä, jotka vaativat erillisiä liikkeitä käyttäjän komentojen perusteella .
Dyna Roboticsin havaitsema skaalauslaki
Dyna Robotics raportoi, mitä se kutsuu ”ensimmäiseksi todeksi skaalauslakiksi robotiikassa, joka perustuu kokonaan ihmisdataan”. Keskeiset ominaisuudet:
Ihmisestä robottiin siirron skaalauslaki: Kun egosentrisen ihmisvideon esikoulutuksen määrää lisättiin neljän kertaluvun yli (1 000 → 1 000 000 tuntia), robotin suorituskyky aiemmin näkemättömillä robottilaitteistoilla parani ennustettavasti, monotonisesti ja log-lineaarisesti – kuvio, jonka yhtiö tunnistaa skaalauslaiksi .
Eri alustojen välinen siirto: Skaalaus toimi kahdella eri robottialustalla (paikallaan pysyvä kaksikätinen alusta ja puoliksi ihmismäinen prototyyppi), joita malli ei ollut koskaan nähnyt esikoulutuksen aikana .
Nollanäytteen toiminnan ennustaminen: Ihmisvideon skaalaaminen paransi myös mallin kykyä ennustaa toimintoja robottivideodatalla, jota ei koskaan esitetty koulutuksen aikana.
Yhtiö toteaa nimenomaisesti, että tämä on ”ensimmäinen laatuaan” osoitus siitä, että ihmisten havainnointidatan skaalaaminen – ei robottien toimintadatan – voi toimia luotettavana akselina fyysisen robottiälyn parantamiselle .
Miksi tällä on merkitystä?
Jos väitteet kestävät riippumattoman varmentamisen, Dyna Robotics on osoittanut käytännöllisen tien robotiikan älykkyyden skaalaamiseen ilman kallista robottien toimintadatan keräämisen pullonkaulaa. Ihmisvideota on käytännössä rajattomasti saatavilla. Yhtiö kertoo työskentelevänsä jo kohti 10 miljoonan tunnin koulutusdataa, mikä mahdollistaisi robottien uusien fyysisten tehtävien hallitsemisen vain muutaman tunnin paikallisella hienosäädöllä .
Koulutusaineisto koostui yli 1 000 000 tunnista ensimmäisen persoonan (egosentristä) ihmisvideota – mikä vastaa noin 170 vuoden jatkuvaa valveillaolokokemusta . Videoilla kuvattiin arkipäiväisiä käsittelytehtäviä, kuten ruoanlaittoa, taittelua, kokoamista ja siivoamista . Esikoulutusvaiheessa ei käytetty lainkaan robottitoimintadataa; robottidataa lisättiin vasta pienessä jälkikoulutus- tai hienosäätövaiheessa, tyypillisesti enintään 10 tuntia tehtävää kohti .
Koulutustavoitteet
Esikoulutuksessa DYNA-2 käytti videon ennustamistavoitetta – se oppi ennustamaan tulevia videokuvia menneistä havainnoista – yhdistettynä videon yhteiskoulutusalgoritmiin, joka oppii samanaikaisesti visuaalisia esityksiä ja toiminnan ennustamista . Tämä lähestymistapa eroaa DYNA-1:n VLA-arkkitehtuurista, joka yhdistää havainnon suoraan robottitoimintoihin ilman välivaiheen videon ennustamista .
Yhtiö osoitti skaalauksen neljän kertaluvun yli, 1 000 tunnista aina 1 000 000 tuntiin esikoulutusdataa .
Suorituskykyparannukset verrattuna DYNA-1:een
Yhtiö suoritti suoria vertailuja DYNA-2:n ja DYNA-1:n välillä vastaavissa koulutusolosuhteissa ja oikeissa käyttöönotoissa.
Vertailutestit (7 tehtävää)
DYNA-2 suoritti tehtäviä 1,55 kertaa useammin kuin VLA-pohjainen DYNA-1 .
Pareittaisissa vertailuissa DYNA-2 voitti 65 %:ssa kokeista verrattuna DYNA-1:n 29 %:iin .
Korkean tarkkuuden valmistustehtävät: onnistumisprosentit nousivat noin 20 %:sta 80–90 %:iin pelkästään esikoulutuksen skaalausta lisäämällä, ilman muutoksia jälkikoulutusdataan .
Nollanäytteen käyttöönotto asiakkaan luona: DYNA-2 saavutti 87 %:n laadun läpäisyasteen verrattuna 46 %:iin DYNA-1:llä – 41 prosenttiyksikön parannus.
Videon yhteiskoulutusalgoritmi nosti ohjeiden noudattamisen pisteitä 133 % tehtävissä, jotka vaativat erillisiä liikkeitä käyttäjän komentojen perusteella .
Dyna Roboticsin havaitsema skaalauslaki
Dyna Robotics raportoi, mitä se kutsuu ”ensimmäiseksi todeksi skaalauslakiksi robotiikassa, joka perustuu kokonaan ihmisdataan”. Keskeiset ominaisuudet:
Ihmisestä robottiin siirron skaalauslaki: Kun egosentrisen ihmisvideon esikoulutuksen määrää lisättiin neljän kertaluvun yli (1 000 → 1 000 000 tuntia), robotin suorituskyky aiemmin näkemättömillä robottilaitteistoilla parani ennustettavasti, monotonisesti ja log-lineaarisesti – kuvio, jonka yhtiö tunnistaa skaalauslaiksi .
Eri alustojen välinen siirto: Skaalaus toimi kahdella eri robottialustalla (paikallaan pysyvä kaksikätinen alusta ja puoliksi ihmismäinen prototyyppi), joita malli ei ollut koskaan nähnyt esikoulutuksen aikana .
Nollanäytteen toiminnan ennustaminen: Ihmisvideon skaalaaminen paransi myös mallin kykyä ennustaa toimintoja robottivideodatalla, jota ei koskaan esitetty koulutuksen aikana.
Yhtiö toteaa nimenomaisesti, että tämä on ”ensimmäinen laatuaan” osoitus siitä, että ihmisten havainnointidatan skaalaaminen – ei robottien toimintadatan – voi toimia luotettavana akselina fyysisen robottiälyn parantamiselle .
Miksi tällä on merkitystä?
Jos väitteet kestävät riippumattoman varmentamisen, Dyna Robotics on osoittanut käytännöllisen tien robotiikan älykkyyden skaalaamiseen ilman kallista robottien toimintadatan keräämisen pullonkaulaa. Ihmisvideota on käytännössä rajattomasti saatavilla. Yhtiö kertoo työskentelevänsä jo kohti 10 miljoonan tunnin koulutusdataa, mikä mahdollistaisi robottien uusien fyysisten tehtävien hallitsemisen vain muutaman tunnin paikallisella hienosäädöllä .
