DYNA-2: Il modello fondante per robot addestrato su 1 milione di ore di video umani
Dyna Robotics ha presentato DYNA 2 il 10 agosto 2026, un modello "mondo azione" pre addestrato su oltre 1 milione di ore di video umani in prima persona, equivalenti a circa 170 anni di esperienza continua. Durante il pre addestramento non sono stati utilizzati dati robotici: il modello impara a prevedere fotogrammi...
Pubblicato daModificato con DeepSeek-V4-FlashImmagini generate con GPT Image 1.5
Dyna Robotics ha presentato DYNA 2 il 10 agosto 2026, un modello "mondo azione" pre addestrato su oltre 1 milione di ore di video umani in prima persona, equivalenti a circa 170 anni di esperienza continua.
Durante il pre addestramento non sono stati utilizzati dati robotici: il modello impara a prevedere fotogrammi video futuri, invece di mappare direttamente percezione e azione come nei modelli VLA tradizionali.
Nei test, DYNA 2 ha completato compiti 1,55 volte più spesso del precedente DYNA 1 e ha raggiunto un tasso di superamento dell'87% in un deployment cliente, contro il 46% del predecessore.
L'azienda afferma di aver osservato una legge di scala: all'aumentare delle ore di video umano, le prestazioni robotiche migliorano in modo prevedibile, monotono e log lineare su hardware robotico mai visto prima.
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
Il 10 agosto 2026, Dyna Robotics ha svelato DYNA-2, un modello fondante per robot che l'azienda definisce "modello mondo-azione" (WAM). Secondo la società, è il primo modello robotico a dimostrare una vera legge di scala alimentata interamente da dati di osservazione umana, senza utilizzare dati di azione robotica . Ecco cosa significa questo annuncio per la robotica, come è stato addestrato il modello e quali miglioramenti prestazionali sono stati riportati.
Che cos'è DYNA-2?
DYNA-2 è un modello pre-addestrato progettato per controllare robot fisici. A differenza del suo predecessore DYNA-1, che utilizzava un'architettura visione-linguaggio-azione (VLA) in grado di mappare direttamente la percezione in azioni robotiche, DYNA-2 impara . Dyna Robotics lo chiama modello mondo-azione perché il robot ragiona sulle conseguenze prima di muoversi.
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: Il modello fondante per robot addestrato su 1 milione di ore di video umani"?
Dyna Robotics ha presentato DYNA 2 il 10 agosto 2026, un modello "mondo azione" pre addestrato su oltre 1 milione di ore di video umani in prima persona, equivalenti a circa 170 anni di esperienza continua.
What are the key points to validate first?
Dyna Robotics ha presentato DYNA 2 il 10 agosto 2026, un modello "mondo azione" pre addestrato su oltre 1 milione di ore di video umani in prima persona, equivalenti a circa 170 anni di esperienza continua. Durante il pre addestramento non sono stati utilizzati dati robotici: il modello impara a prevedere fotogrammi video futuri, invece di mappare direttamente percezione e azione come nei modelli VLA tradizionali.
What should I do next in practice?
Nei test, DYNA 2 ha completato compiti 1,55 volte più spesso del precedente DYNA 1 e ha raggiunto un tasso di superamento dell'87% in un deployment cliente, contro il 46% del predecessore.
DYNA-2: Il modello fondante per robot addestrato su 1 milione di ore di video umani
Dyna Robotics ha presentato DYNA 2 il 10 agosto 2026, un modello "mondo azione" pre addestrato su oltre 1 milione di ore di video umani in prima persona, equivalenti a circa 170 anni di esperienza continua. Durante il pre addestramento non sono stati utilizzati dati robotici: il modello impara a prevedere fotogrammi...
Pubblicato daModificato con DeepSeek-V4-FlashImmagini generate con GPT Image 1.5
Dyna Robotics ha presentato DYNA 2 il 10 agosto 2026, un modello "mondo azione" pre addestrato su oltre 1 milione di ore di video umani in prima persona, equivalenti a circa 170 anni di esperienza continua.
Durante il pre addestramento non sono stati utilizzati dati robotici: il modello impara a prevedere fotogrammi video futuri, invece di mappare direttamente percezione e azione come nei modelli VLA tradizionali.
Nei test, DYNA 2 ha completato compiti 1,55 volte più spesso del precedente DYNA 1 e ha raggiunto un tasso di superamento dell'87% in un deployment cliente, contro il 46% del predecessore.
L'azienda afferma di aver osservato una legge di scala: all'aumentare delle ore di video umano, le prestazioni robotiche migliorano in modo prevedibile, monotono e log lineare su hardware robotico mai visto prima.
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
Il 10 agosto 2026, Dyna Robotics ha svelato DYNA-2, un modello fondante per robot che l'azienda definisce "modello mondo-azione" (WAM). Secondo la società, è il primo modello robotico a dimostrare una vera legge di scala alimentata interamente da dati di osservazione umana, senza utilizzare dati di azione robotica . Ecco cosa significa questo annuncio per la robotica, come è stato addestrato il modello e quali miglioramenti prestazionali sono stati riportati.
Che cos'è DYNA-2?
DYNA-2 è un modello pre-addestrato progettato per controllare robot fisici. A differenza del suo predecessore DYNA-1, che utilizzava un'architettura visione-linguaggio-azione (VLA) in grado di mappare direttamente la percezione in azioni robotiche, DYNA-2 impara . Dyna Robotics lo chiama modello mondo-azione perché il robot ragiona sulle conseguenze prima di muoversi.
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: Il modello fondante per robot addestrato su 1 milione di ore di video umani"?
Dyna Robotics ha presentato DYNA 2 il 10 agosto 2026, un modello "mondo azione" pre addestrato su oltre 1 milione di ore di video umani in prima persona, equivalenti a circa 170 anni di esperienza continua.
What are the key points to validate first?
Dyna Robotics ha presentato DYNA 2 il 10 agosto 2026, un modello "mondo azione" pre addestrato su oltre 1 milione di ore di video umani in prima persona, equivalenti a circa 170 anni di esperienza continua. Durante il pre addestramento non sono stati utilizzati dati robotici: il modello impara a prevedere fotogrammi video futuri, invece di mappare direttamente percezione e azione come nei modelli VLA tradizionali.
What should I do next in practice?
Nei test, DYNA 2 ha completato compiti 1,55 volte più spesso del precedente DYNA 1 e ha raggiunto un tasso di superamento dell'87% in un deployment cliente, contro il 46% del predecessore.
prevedendo fotogrammi video futuri a partire da quelli passati
Come è stato addestrato DYNA-2
Dimensioni e fonte del dataset
Il dataset di addestramento è composto da oltre 1.000.000 di ore di video egocentrico (in prima persona) umano — l'equivalente di circa 170 anni di esperienza continua da svegli . I video ritraggono attività quotidiane di manipolazione come cucinare, piegare, assemblare e pulire . Durante il pre-addestramento non sono stati utilizzati dati di azione robotica; i dati robotici sono stati introdotti solo in una fase successiva di post-addestramento o messa a punto, in genere per 10 ore o meno per compito .
Obiettivi di addestramento
Durante il pre-addestramento, DYNA-2 ha utilizzato un obiettivo di predizione video — imparare a prevedere fotogrammi video futuri a partire da osservazioni passate — combinato con un algoritmo di co-addestramento video che apprende congiuntamente rappresentazioni visive e previsione di azioni . Questo approccio contrasta con l'architettura VLA di DYNA-1, che mappa direttamente la percezione in azioni robotiche senza una predizione video intermedia .
L'azienda ha dimostrato la scalabilità su quattro ordini di grandezza, da 1.000 ore fino a 1.000.000 di ore di dati di pre-addestramento .
Miglioramenti prestazionali rispetto a DYNA-1
L'azienda ha condotto confronti diretti tra DYNA-2 e DYNA-1 in condizioni di addestramento corrispondenti e in deployment reali.
Test benchmark testa a testa (7 compiti)
DYNA-2 ha completato i compiti 1,55 volte più spesso rispetto al DYNA-1 basato su VLA .
Nei confronti a coppie, DYNA-2 ha vinto il 65% delle prove contro il 29% di DYNA-1 .
Risultati aggregati dei benchmark (14-15 compiti su 3 diverse piattaforme robotiche)
Le prestazioni medie normalizzate sono aumentate in modo monotono con la scala di pre-addestramento: 20% → 28% → 45% → 53% del massimo ottenibile, man mano che i dati aumentavano da 1k → 10k → 100k → 1M di ore . Alla scala di 1 milione di ore, DYNA-2 ha ottenuto le migliori prestazioni reali in 9 dei 14 compiti. I miglioramenti chiave a livello di singolo compito includono:
Apertura di una cassaforte con chiave: dallo 0% di successo (fino a 100k ore) al 90% di successo a 1 milione di ore .
Svitamento del tappo di una bottiglia: dal 10% di successo al 40-50% a 1 milione di ore, utilizzando solo circa 10 minuti di dati di post-addestramento robotico .
Recupero mirato di una bevanda (comprensione del linguaggio): migliorato dal 58% all'83%.
Deployment reale in produzione e presso i clienti
Compiti di produzione ad alta precisione: i tassi di successo sono passati da circa il 20% all'80-90% esclusivamente grazie all'aumento della scala di pre-addestramento, senza modifiche ai dati di post-addestramento .
Deployment zero-shot presso un cliente: DYNA-2 ha registrato un tasso di superamento qualità dell'87% rispetto al 46% di DYNA-1 — un miglioramento di 41 punti percentuali.
L'algoritmo di co-addestramento video ha aumentato i punteggi di esecuzione delle istruzioni del 133% su compiti che richiedono movimenti distinti in risposta a comandi dell'utente .
La legge di scala osservata da Dyna Robotics
Dyna Robotics ha riportato quella che definisce "la prima vera legge di scala nella robotica alimentata interamente da dati umani". Caratteristiche principali:
Legge di scala del trasferimento uomo-robot: All'aumentare della quantità di video umano egocentrico utilizzato per il pre-addestramento attraverso quattro ordini di grandezza (1k → 1M di ore), le prestazioni robotiche su hardware robotico mai visto prima sono migliorate in modo prevedibile, monotono e log-lineare — un pattern che l'azienda identifica come una legge di scala .
Trasferimento cross-embodiment: La scalabilità è stata mantenuta su due diverse piattaforme robotiche (una piattaforma bimanuale fissa e un prototipo semi-umanoide) che il modello non aveva mai visto durante il pre-addestramento .
Predizione di azioni zero-shot: Aumentare i dati video umani ha anche migliorato la capacità del modello di prevedere azioni su dati video robotici mai visti durante l'addestramento.
L'azienda dichiara esplicitamente che questa è una dimostrazione "senza precedenti" del fatto che aumentare i dati di osservazione umana, e non i dati di azione robotica, può servire come asse affidabile per migliorare l'intelligenza fisica dei robot .
Perché è importante
Se queste affermazioni saranno verificate in modo indipendente, Dyna Robotics ha mostrato un percorso pratico per scalare l'intelligenza robotica senza il collo di bottiglia della raccolta di costosi dati di azione robotica. Il video umano esiste a una scala praticamente illimitata. L'azienda afferma di stare già lavorando per raggiungere 10 milioni di ore di dati di addestramento, il che consentirebbe ai robot di padroneggiare nuovi compiti fisici con poche ore di messa a punto locale .
prevedendo fotogrammi video futuri a partire da quelli passati
Come è stato addestrato DYNA-2
Dimensioni e fonte del dataset
Il dataset di addestramento è composto da oltre 1.000.000 di ore di video egocentrico (in prima persona) umano — l'equivalente di circa 170 anni di esperienza continua da svegli . I video ritraggono attività quotidiane di manipolazione come cucinare, piegare, assemblare e pulire . Durante il pre-addestramento non sono stati utilizzati dati di azione robotica; i dati robotici sono stati introdotti solo in una fase successiva di post-addestramento o messa a punto, in genere per 10 ore o meno per compito .
Obiettivi di addestramento
Durante il pre-addestramento, DYNA-2 ha utilizzato un obiettivo di predizione video — imparare a prevedere fotogrammi video futuri a partire da osservazioni passate — combinato con un algoritmo di co-addestramento video che apprende congiuntamente rappresentazioni visive e previsione di azioni . Questo approccio contrasta con l'architettura VLA di DYNA-1, che mappa direttamente la percezione in azioni robotiche senza una predizione video intermedia .
L'azienda ha dimostrato la scalabilità su quattro ordini di grandezza, da 1.000 ore fino a 1.000.000 di ore di dati di pre-addestramento .
Miglioramenti prestazionali rispetto a DYNA-1
L'azienda ha condotto confronti diretti tra DYNA-2 e DYNA-1 in condizioni di addestramento corrispondenti e in deployment reali.
Test benchmark testa a testa (7 compiti)
DYNA-2 ha completato i compiti 1,55 volte più spesso rispetto al DYNA-1 basato su VLA .
Nei confronti a coppie, DYNA-2 ha vinto il 65% delle prove contro il 29% di DYNA-1 .
Risultati aggregati dei benchmark (14-15 compiti su 3 diverse piattaforme robotiche)
Le prestazioni medie normalizzate sono aumentate in modo monotono con la scala di pre-addestramento: 20% → 28% → 45% → 53% del massimo ottenibile, man mano che i dati aumentavano da 1k → 10k → 100k → 1M di ore . Alla scala di 1 milione di ore, DYNA-2 ha ottenuto le migliori prestazioni reali in 9 dei 14 compiti. I miglioramenti chiave a livello di singolo compito includono:
Apertura di una cassaforte con chiave: dallo 0% di successo (fino a 100k ore) al 90% di successo a 1 milione di ore .
Svitamento del tappo di una bottiglia: dal 10% di successo al 40-50% a 1 milione di ore, utilizzando solo circa 10 minuti di dati di post-addestramento robotico .
Recupero mirato di una bevanda (comprensione del linguaggio): migliorato dal 58% all'83%.
Deployment reale in produzione e presso i clienti
Compiti di produzione ad alta precisione: i tassi di successo sono passati da circa il 20% all'80-90% esclusivamente grazie all'aumento della scala di pre-addestramento, senza modifiche ai dati di post-addestramento .
Deployment zero-shot presso un cliente: DYNA-2 ha registrato un tasso di superamento qualità dell'87% rispetto al 46% di DYNA-1 — un miglioramento di 41 punti percentuali.
L'algoritmo di co-addestramento video ha aumentato i punteggi di esecuzione delle istruzioni del 133% su compiti che richiedono movimenti distinti in risposta a comandi dell'utente .
La legge di scala osservata da Dyna Robotics
Dyna Robotics ha riportato quella che definisce "la prima vera legge di scala nella robotica alimentata interamente da dati umani". Caratteristiche principali:
Legge di scala del trasferimento uomo-robot: All'aumentare della quantità di video umano egocentrico utilizzato per il pre-addestramento attraverso quattro ordini di grandezza (1k → 1M di ore), le prestazioni robotiche su hardware robotico mai visto prima sono migliorate in modo prevedibile, monotono e log-lineare — un pattern che l'azienda identifica come una legge di scala .
Trasferimento cross-embodiment: La scalabilità è stata mantenuta su due diverse piattaforme robotiche (una piattaforma bimanuale fissa e un prototipo semi-umanoide) che il modello non aveva mai visto durante il pre-addestramento .
Predizione di azioni zero-shot: Aumentare i dati video umani ha anche migliorato la capacità del modello di prevedere azioni su dati video robotici mai visti durante l'addestramento.
L'azienda dichiara esplicitamente che questa è una dimostrazione "senza precedenti" del fatto che aumentare i dati di osservazione umana, e non i dati di azione robotica, può servire come asse affidabile per migliorare l'intelligenza fisica dei robot .
Perché è importante
Se queste affermazioni saranno verificate in modo indipendente, Dyna Robotics ha mostrato un percorso pratico per scalare l'intelligenza robotica senza il collo di bottiglia della raccolta di costosi dati di azione robotica. Il video umano esiste a una scala praticamente illimitata. L'azienda afferma di stare già lavorando per raggiungere 10 milioni di ore di dati di addestramento, il che consentirebbe ai robot di padroneggiare nuovi compiti fisici con poche ore di messa a punto locale .
