DYNA-2: Robot Canggih yang 'Belajar' dari 1 Juta Jam Video Manusia
Dyna Robotics resmi memperkenalkan DYNA 2 pada 10 Agustus 2026, sebuah model fondasi robot yang disebut 'world action model' (WAM). Model ini dilatih menggunakan lebih dari 1 juta jam video dari sudut pandang orang pertama (egosentris) yang merekam aktivitas sehari hari seperti memasak, melipat, dan membersihkan.
Diterbitkan olehDiedit dengan DeepSeek-V4-FlashGambar dibuat dengan GPT Image 1.5
Dyna Robotics resmi memperkenalkan DYNA 2 pada 10 Agustus 2026, sebuah model fondasi robot yang disebut 'world action model' (WAM).
Model ini dilatih menggunakan lebih dari 1 juta jam video dari sudut pandang orang pertama (egosentris) yang merekam aktivitas sehari hari seperti memasak, melipat, dan membersihkan.
Hebatnya, DYNA 2 tidak menggunakan data gerakan robot sama sekali saat pra pelatihan.
Dalam uji coba, DYNA 2 menyelesaikan tugas 1,55 kali lebih sering dibandingkan pendahulunya, DYNA 1, dan berhasil meningkatkan tingkat keberhasilan tugas manufaktur presisi tinggi dari 20% menjadi 80–90%.
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 Perintah
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
Pada 10 Agustus 2026, Dyna Robotics meluncurkan DYNA-2, sebuah model fondasi robot yang mereka sebut sebagai "world-action model" (WAM). Perusahaan tersebut mengklaim bahwa DYNA-2 adalah model robot pertama yang menunjukkan hukum skala (scaling law) sejati yang sepenuhnya didukung oleh data observasi manusia, bukan data aksi robot . Berikut adalah penjelasan tentang apa arti pengumuman ini bagi dunia robotika, bagaimana model ini dilatih, dan peningkatan performa yang dilaporkan perusahaan.
Apa Itu DYNA-2?
DYNA-2 adalah model pra-terlatih yang dirancang untuk mengendalikan robot fisik. Tidak seperti pendahulunya, DYNA-1, yang menggunakan arsitektur vision-language-action (VLA) yang secara langsung memetakan persepsi ke tindakan robot, DYNA-2 belajar dengan cara . Dyna Robotics menyebutnya sebagai world-action model karena robot tersebut mempertimbangkan konsekuensi sebelum bergerak.
Studio Global AI
Lanjutkan penelitian Anda
Halaman ini berisi jawaban yang didukung sumber yang dapat Anda lanjutkan di dalam Studio Global.
Apa jawaban singkat untuk "DYNA-2: Robot Canggih yang 'Belajar' dari 1 Juta Jam Video Manusia"?
Dyna Robotics resmi memperkenalkan DYNA 2 pada 10 Agustus 2026, sebuah model fondasi robot yang disebut 'world action model' (WAM).
Apa poin penting yang harus divalidasi terlebih dahulu?
Dyna Robotics resmi memperkenalkan DYNA 2 pada 10 Agustus 2026, sebuah model fondasi robot yang disebut 'world action model' (WAM). Model ini dilatih menggunakan lebih dari 1 juta jam video dari sudut pandang orang pertama (egosentris) yang merekam aktivitas sehari hari seperti memasak, melipat, dan membersihkan.
Apa yang harus saya lakukan selanjutnya dalam latihan?
Hebatnya, DYNA 2 tidak menggunakan data gerakan robot sama sekali saat pra pelatihan.
DYNA-2: Robot Canggih yang 'Belajar' dari 1 Juta Jam Video Manusia
Dyna Robotics resmi memperkenalkan DYNA 2 pada 10 Agustus 2026, sebuah model fondasi robot yang disebut 'world action model' (WAM). Model ini dilatih menggunakan lebih dari 1 juta jam video dari sudut pandang orang pertama (egosentris) yang merekam aktivitas sehari hari seperti memasak, melipat, dan membersihkan.
Diterbitkan olehDiedit dengan DeepSeek-V4-FlashGambar dibuat dengan GPT Image 1.5
Dyna Robotics resmi memperkenalkan DYNA 2 pada 10 Agustus 2026, sebuah model fondasi robot yang disebut 'world action model' (WAM).
Model ini dilatih menggunakan lebih dari 1 juta jam video dari sudut pandang orang pertama (egosentris) yang merekam aktivitas sehari hari seperti memasak, melipat, dan membersihkan.
Hebatnya, DYNA 2 tidak menggunakan data gerakan robot sama sekali saat pra pelatihan.
Dalam uji coba, DYNA 2 menyelesaikan tugas 1,55 kali lebih sering dibandingkan pendahulunya, DYNA 1, dan berhasil meningkatkan tingkat keberhasilan tugas manufaktur presisi tinggi dari 20% menjadi 80–90%.
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 Perintah
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
Pada 10 Agustus 2026, Dyna Robotics meluncurkan DYNA-2, sebuah model fondasi robot yang mereka sebut sebagai "world-action model" (WAM). Perusahaan tersebut mengklaim bahwa DYNA-2 adalah model robot pertama yang menunjukkan hukum skala (scaling law) sejati yang sepenuhnya didukung oleh data observasi manusia, bukan data aksi robot . Berikut adalah penjelasan tentang apa arti pengumuman ini bagi dunia robotika, bagaimana model ini dilatih, dan peningkatan performa yang dilaporkan perusahaan.
Apa Itu DYNA-2?
DYNA-2 adalah model pra-terlatih yang dirancang untuk mengendalikan robot fisik. Tidak seperti pendahulunya, DYNA-1, yang menggunakan arsitektur vision-language-action (VLA) yang secara langsung memetakan persepsi ke tindakan robot, DYNA-2 belajar dengan cara . Dyna Robotics menyebutnya sebagai world-action model karena robot tersebut mempertimbangkan konsekuensi sebelum bergerak.
Studio Global AI
Lanjutkan penelitian Anda
Halaman ini berisi jawaban yang didukung sumber yang dapat Anda lanjutkan di dalam Studio Global.
Apa jawaban singkat untuk "DYNA-2: Robot Canggih yang 'Belajar' dari 1 Juta Jam Video Manusia"?
Dyna Robotics resmi memperkenalkan DYNA 2 pada 10 Agustus 2026, sebuah model fondasi robot yang disebut 'world action model' (WAM).
Apa poin penting yang harus divalidasi terlebih dahulu?
Dyna Robotics resmi memperkenalkan DYNA 2 pada 10 Agustus 2026, sebuah model fondasi robot yang disebut 'world action model' (WAM). Model ini dilatih menggunakan lebih dari 1 juta jam video dari sudut pandang orang pertama (egosentris) yang merekam aktivitas sehari hari seperti memasak, melipat, dan membersihkan.
Apa yang harus saya lakukan selanjutnya dalam latihan?
Hebatnya, DYNA 2 tidak menggunakan data gerakan robot sama sekali saat pra pelatihan.
memprediksi bingkai video masa depan dari bingkai video masa lalu
Bagaimana DYNA-2 Dilatih
Ukuran dan Sumber Dataset
Dataset pelatihan terdiri dari lebih dari 1.000.000 jam video egosentris (sudut pandang orang pertama) manusia — yang setara dengan sekitar 170 tahun pengalaman sadar terus-menerus . Video-video tersebut merekam tugas-tugas manipulasi sehari-hari seperti memasak, melipat, merakit, dan membersihkan . Tidak ada data aksi robot yang digunakan selama pra-pelatihan; data robot baru diperkenalkan selama tahap pasca-pelatihan atau fine-tuning yang singkat, biasanya 10 jam atau kurang per tugas .
Tujuan Pelatihan
Selama pra-pelatihan, DYNA-2 menggunakan tujuan prediksi video — belajar memprediksi bingkai video masa depan dari pengamatan masa lalu — yang dikombinasikan dengan algoritma video co-training yang secara bersama-sama mempelajari representasi visual dan prediksi tindakan . Pendekatan ini sangat kontras dengan arsitektur VLA milik DYNA-1, yang secara langsung memetakan persepsi ke tindakan robot tanpa prediksi video perantara .
Perusahaan mendemonstrasikan penskalaan hingga empat kali lipat, dari 1.000 jam hingga 1.000.000 jam data pra-pelatihan .
Peningkatan Performa Dibandingkan DYNA-1
Perusahaan melakukan perbandingan langsung antara DYNA-2 dan DYNA-1 dalam kondisi pelatihan yang sama dan penerapan di dunia nyata.
Pengujian Tolok Ukur Langsung (7 tugas)
DYNA-2 menyelesaikan tugas 1,55 kali lebih sering dibandingkan DYNA-1 berbasis VLA .
Dalam perbandingan berpasangan, DYNA-2 memenangkan 65% percobaan dibandingkan dengan DYNA-1 yang hanya 29% .
Hasil Tolok Ukur Agregat (14–15 tugas pada 3 perwujudan robot)
Performa normal rata-rata meningkat secara monoton seiring skala pra-pelatihan: 20% → 28% → 45% → 53% dari maksimum yang dapat dicapai saat data diskalakan dari 1rb → 10rb → 100rb → 1 juta jam . Pada skala 1 juta jam, DYNA-2 mencapai performa dunia nyata terkuat pada 9 dari 14 tugas. Peningkatan tingkat tugas utama meliputi:
Memutar Kunci Kotak Pengaman: dari 0% keberhasilan (hingga 100rb jam) menjadi 90% keberhasilan pada 1 juta jam .
Membuka Tutup Botol: dari 10% keberhasilan menjadi 40–50% pada 1 juta jam, hanya menggunakan ~10 menit data pasca-pelatihan robot .
Pengambilan Minuman Tertarget (mengikuti perintah bahasa): meningkat dari 58% menjadi 83%.
Penerapan Manufaktur dan Pelanggan di Dunia Nyata
Tugas manufaktur presisi tinggi: tingkat keberhasilan melonjak dari ~20% menjadi 80–90% semata-mata karena peningkatan skala pra-pelatihan, tanpa perubahan pada data pasca-pelatihan .
Penerapan tanpa contoh (zero-shot) di lokasi pelanggan: DYNA-2 mencatat tingkat kelulusan kualitas 87% dibandingkan dengan 46% untuk DYNA-1 — peningkatan 41 poin.
Algoritma video co-training meningkatkan skor mengikuti instruksi sebesar 133% pada tugas-tugas yang memerlukan gerakan berbeda sebagai respons terhadap perintah pengguna .
Hukum Skala yang Diamati Dyna Robotics
Dyna Robotics melaporkan apa yang mereka sebut "hukum skala sejati pertama di bidang robotika yang sepenuhnya didukung oleh data manusia". Karakteristik utamanya:
Hukum skala transfer manusia-ke-robot: Seiring meningkatnya jumlah pra-pelatihan video manusia egosentris pada empat kali lipat (1rb → 1 juta jam), performa robot pada perangkat keras robot yang tidak pernah dilihat sebelumnya meningkat secara prediktif, monoton, dan log-linear — sebuah pola yang diidentifikasi perusahaan sebagai hukum skala .
Transfer lintas-perwujudan: Penskalaan ini berlaku pada dua perwujudan robot yang berbeda (platform bimanual stasioner dan prototipe semi-humanoid) yang belum pernah dilihat model selama pra-pelatihan .
Prediksi aksi tanpa contoh (zero-shot): Penskalaan data video manusia juga meningkatkan kemampuan model untuk memprediksi aksi pada data video robot yang tidak diikutsertakan (held-out) yang tidak pernah diperlihatkan selama pelatihan .
Perusahaan secara eksplisit menyatakan bahwa ini adalah demonstrasi "pertama dari jenisnya" bahwa penskalaan data observasi manusia, bukan data aksi robot, dapat berfungsi sebagai sumbu yang andal untuk meningkatkan kecerdasan robot fisik .
Mengapa Ini Penting
Jika klaim ini terbukti benar melalui verifikasi independen, Dyna Robotics telah menunjukkan jalur praktis untuk meningkatkan kecerdasan robot tanpa hambatan dalam mengumpulkan data aksi robot yang mahal. Video manusia tersedia dalam skala yang hampir tidak terbatas. Perusahaan mengatakan bahwa mereka sedang bekerja menuju 10 juta jam data pelatihan, yang akan memungkinkan robot untuk menguasai tugas fisik baru hanya dengan beberapa jam penyesuaian lokal .
memprediksi bingkai video masa depan dari bingkai video masa lalu
Bagaimana DYNA-2 Dilatih
Ukuran dan Sumber Dataset
Dataset pelatihan terdiri dari lebih dari 1.000.000 jam video egosentris (sudut pandang orang pertama) manusia — yang setara dengan sekitar 170 tahun pengalaman sadar terus-menerus . Video-video tersebut merekam tugas-tugas manipulasi sehari-hari seperti memasak, melipat, merakit, dan membersihkan . Tidak ada data aksi robot yang digunakan selama pra-pelatihan; data robot baru diperkenalkan selama tahap pasca-pelatihan atau fine-tuning yang singkat, biasanya 10 jam atau kurang per tugas .
Tujuan Pelatihan
Selama pra-pelatihan, DYNA-2 menggunakan tujuan prediksi video — belajar memprediksi bingkai video masa depan dari pengamatan masa lalu — yang dikombinasikan dengan algoritma video co-training yang secara bersama-sama mempelajari representasi visual dan prediksi tindakan . Pendekatan ini sangat kontras dengan arsitektur VLA milik DYNA-1, yang secara langsung memetakan persepsi ke tindakan robot tanpa prediksi video perantara .
Perusahaan mendemonstrasikan penskalaan hingga empat kali lipat, dari 1.000 jam hingga 1.000.000 jam data pra-pelatihan .
Peningkatan Performa Dibandingkan DYNA-1
Perusahaan melakukan perbandingan langsung antara DYNA-2 dan DYNA-1 dalam kondisi pelatihan yang sama dan penerapan di dunia nyata.
Pengujian Tolok Ukur Langsung (7 tugas)
DYNA-2 menyelesaikan tugas 1,55 kali lebih sering dibandingkan DYNA-1 berbasis VLA .
Dalam perbandingan berpasangan, DYNA-2 memenangkan 65% percobaan dibandingkan dengan DYNA-1 yang hanya 29% .
Hasil Tolok Ukur Agregat (14–15 tugas pada 3 perwujudan robot)
Performa normal rata-rata meningkat secara monoton seiring skala pra-pelatihan: 20% → 28% → 45% → 53% dari maksimum yang dapat dicapai saat data diskalakan dari 1rb → 10rb → 100rb → 1 juta jam . Pada skala 1 juta jam, DYNA-2 mencapai performa dunia nyata terkuat pada 9 dari 14 tugas. Peningkatan tingkat tugas utama meliputi:
Memutar Kunci Kotak Pengaman: dari 0% keberhasilan (hingga 100rb jam) menjadi 90% keberhasilan pada 1 juta jam .
Membuka Tutup Botol: dari 10% keberhasilan menjadi 40–50% pada 1 juta jam, hanya menggunakan ~10 menit data pasca-pelatihan robot .
Pengambilan Minuman Tertarget (mengikuti perintah bahasa): meningkat dari 58% menjadi 83%.
Penerapan Manufaktur dan Pelanggan di Dunia Nyata
Tugas manufaktur presisi tinggi: tingkat keberhasilan melonjak dari ~20% menjadi 80–90% semata-mata karena peningkatan skala pra-pelatihan, tanpa perubahan pada data pasca-pelatihan .
Penerapan tanpa contoh (zero-shot) di lokasi pelanggan: DYNA-2 mencatat tingkat kelulusan kualitas 87% dibandingkan dengan 46% untuk DYNA-1 — peningkatan 41 poin.
Algoritma video co-training meningkatkan skor mengikuti instruksi sebesar 133% pada tugas-tugas yang memerlukan gerakan berbeda sebagai respons terhadap perintah pengguna .
Hukum Skala yang Diamati Dyna Robotics
Dyna Robotics melaporkan apa yang mereka sebut "hukum skala sejati pertama di bidang robotika yang sepenuhnya didukung oleh data manusia". Karakteristik utamanya:
Hukum skala transfer manusia-ke-robot: Seiring meningkatnya jumlah pra-pelatihan video manusia egosentris pada empat kali lipat (1rb → 1 juta jam), performa robot pada perangkat keras robot yang tidak pernah dilihat sebelumnya meningkat secara prediktif, monoton, dan log-linear — sebuah pola yang diidentifikasi perusahaan sebagai hukum skala .
Transfer lintas-perwujudan: Penskalaan ini berlaku pada dua perwujudan robot yang berbeda (platform bimanual stasioner dan prototipe semi-humanoid) yang belum pernah dilihat model selama pra-pelatihan .
Prediksi aksi tanpa contoh (zero-shot): Penskalaan data video manusia juga meningkatkan kemampuan model untuk memprediksi aksi pada data video robot yang tidak diikutsertakan (held-out) yang tidak pernah diperlihatkan selama pelatihan .
Perusahaan secara eksplisit menyatakan bahwa ini adalah demonstrasi "pertama dari jenisnya" bahwa penskalaan data observasi manusia, bukan data aksi robot, dapat berfungsi sebagai sumbu yang andal untuk meningkatkan kecerdasan robot fisik .
Mengapa Ini Penting
Jika klaim ini terbukti benar melalui verifikasi independen, Dyna Robotics telah menunjukkan jalur praktis untuk meningkatkan kecerdasan robot tanpa hambatan dalam mengumpulkan data aksi robot yang mahal. Video manusia tersedia dalam skala yang hampir tidak terbatas. Perusahaan mengatakan bahwa mereka sedang bekerja menuju 10 juta jam data pelatihan, yang akan memungkinkan robot untuk menguasai tugas fisik baru hanya dengan beberapa jam penyesuaian lokal .
