월드-액션 모델 아키텍처: 행동 모방을 넘어선 영상 생성

DYNA-2의 아키텍처는 로봇 분야를 지배해온 비전-언어-행동(VLA) 어댑터보다는 영상 생성에 기반을 둡니다 . 사전 학습 동안 모델은 인간 영상 코퍼스로부터 다음 영상 프레임과 다음 행동을 모두 예측하는 이중 목표를 실행합니다 . 이 접근 방식을 통해 모델은 접촉 물리학과 공간 추론에 대한 내부 모델을 구축하여, 사전 학습 중 로봇을 전혀 보지 않고도 행동과 물리적 결과 사이의 인과 관계를 학습하고 이를 다양한 로봇 플랫폼에 전이할 수 있게 됩니다 .

사전 학습 코퍼스: 회사는 1,000, 10,000, 100,000, 1,000,000시간의 네 가지 중첩된 하위 집합의 1인칭 인간 영상을 구축했으며, 사전 학습 중 로봇 행동 데이터는 전혀 사용되지 않았습니다 . 사전 학습 후 모델은 비교적 소량의 실제 로봇 데이터(수 시간에서 수 분)로 미세 조정되어 학습된 물리적 직관을 특정 하드웨어로 전이합니다 .

최초의 인간-로봇 전이 스케일링 법칙

Dyna Robotics은 조작 분야에서 최초의 교차-플랫폼 전이 스케일링 법칙을 보고했습니다 . 이 발견은 인간 영상 데이터의 규모를 확장하면 로봇 성능이 예측 가능하고 단조롭게 개선된다는 것을 입증하며, 이는 대규모 언어 모델을 혁신한 스케일링 법칙을 반영합니다.

• 인간 데이터에 대한 스케일링 법칙: 4가지 규모(1K → 10K → 100K → 1M 시간) 모두에서 영상 예측 품질의 모든 지표가 단조롭게 개선되었으며, 고원 현상이 관찰되지 않은 멱법칙으로 잘 설명되었습니다 .

• 로봇 데이터로의 전이: 동일한 체크포인트가 두 개의 고정형 양팔 플랫폼에서 39가지 로봇 작업에 대해 제로샷으로 평가되었습니다. 로봇별 미세 조정 전에 사전 학습 인간 영상 풀이 증가함에 따라 성능이 단조롭게 개선되었습니다 . 한 분석에서는 행동 레이블 데이터를 50,000시간으로 고정하고 영상 전용 시간을 추가하면 제로샷 로봇 행동 MSE가 0.340에서 0.120으로 감소했습니다 .

• 사후 학습 성능 스케일링: 사후 학습 후, 14가지 로봇 작업의 평균 정규화 점수는 사전 학습 규모가 1K 시간에서 1M 시간으로 증가함에 따라 달성 가능한 최대치의 20% → 28% → 45% → 53% 로 상승했습니다 .

작업 성공률 향상

DYNA-2의 성능 향상은 세 가지 주요 영역에서 두드러집니다:

• 정밀 제조: 사후 학습 데이터를 변경하지 않고 사전 학습 규모 확장만으로 DYNA-2의 작업 성공률이 약 20%에서 80~90% 로 향상되었습니다 . 이는 더 많은 인간 영상을 시청함으로써 얻은 4배에서 4.5배의 순수한 개선입니다.

• 제로샷 고객 현장 배포: 실제 고객 현장에서 DYNA-2는 87%의 품질 합격률을 기록한 반면, VLA 기반 전작 DYNA-1은 동일한 사후 학습 예산에서 46% 에 그쳤습니다 . 동일한 훈련 조건에서의 직접 비교 물리 평가에서 DYNA-2는 DYNA-1보다 작업을 했으며, 를 점했습니다 .

• 병뚜껑 돌리기(13분 데이터): 단 13분의 로봇 전용 시연 데이터만으로 DYNA-2는 한 쌍의 5손가락 로봇 손을 제어하여 병뚜껑을 돌려 열 수 있었습니다 . 회사의 기술 보고서에 따르면 약 의 로봇 데이터였으며, 사전 학습 규모가 작을 때 10%였던 성공률이 전체 100만 시간 예산에서 40~50%로 향상되었습니다 .

로봇 공학의 미래에 미치는 영향

DYNA-2의 결과는 로봇이 많은 양의 작업별 로봇 데이터를 필요로 한다는 기존 가정에 도전합니다. 인간 영상에서 로봇 하드웨어로 전이되는 스케일링 법칙을 입증함으로써, Dyna Robotics는 1천만 시간의 훈련 데이터를 향한 실용적인 길을 열며, 로봇이 단 몇 시간의 현지 미세 조정만으로 새로운 물리적 작업을 습득할 수 있는 잠재력을 제시합니다 . 현재 이 모델은 공급업체 운영 시스템으로 작동하며, Dyna Robotics는 DYNA-2에 대한 공개 체크포인트, API 또는 라이선스를 발표하지 않았습니다 . 로봇 공학 연구 커뮤니티의 독립적인 재현은 이러한 결과를 검증하는 다음 단계가 될 것입니다 .

월드-액션 모델 아키텍처: 행동 모방을 넘어선 영상 생성

DYNA-2의 아키텍처는 로봇 분야를 지배해온 비전-언어-행동(VLA) 어댑터보다는 영상 생성에 기반을 둡니다 . 사전 학습 동안 모델은 인간 영상 코퍼스로부터 다음 영상 프레임과 다음 행동을 모두 예측하는 이중 목표를 실행합니다 . 이 접근 방식을 통해 모델은 접촉 물리학과 공간 추론에 대한 내부 모델을 구축하여, 사전 학습 중 로봇을 전혀 보지 않고도 행동과 물리적 결과 사이의 인과 관계를 학습하고 이를 다양한 로봇 플랫폼에 전이할 수 있게 됩니다 .

사전 학습 코퍼스: 회사는 1,000, 10,000, 100,000, 1,000,000시간의 네 가지 중첩된 하위 집합의 1인칭 인간 영상을 구축했으며, 사전 학습 중 로봇 행동 데이터는 전혀 사용되지 않았습니다 . 사전 학습 후 모델은 비교적 소량의 실제 로봇 데이터(수 시간에서 수 분)로 미세 조정되어 학습된 물리적 직관을 특정 하드웨어로 전이합니다 .

최초의 인간-로봇 전이 스케일링 법칙

Dyna Robotics은 조작 분야에서 최초의 교차-플랫폼 전이 스케일링 법칙을 보고했습니다 . 이 발견은 인간 영상 데이터의 규모를 확장하면 로봇 성능이 예측 가능하고 단조롭게 개선된다는 것을 입증하며, 이는 대규모 언어 모델을 혁신한 스케일링 법칙을 반영합니다.

• 인간 데이터에 대한 스케일링 법칙: 4가지 규모(1K → 10K → 100K → 1M 시간) 모두에서 영상 예측 품질의 모든 지표가 단조롭게 개선되었으며, 고원 현상이 관찰되지 않은 멱법칙으로 잘 설명되었습니다 .

• 로봇 데이터로의 전이: 동일한 체크포인트가 두 개의 고정형 양팔 플랫폼에서 39가지 로봇 작업에 대해 제로샷으로 평가되었습니다. 로봇별 미세 조정 전에 사전 학습 인간 영상 풀이 증가함에 따라 성능이 단조롭게 개선되었습니다 . 한 분석에서는 행동 레이블 데이터를 50,000시간으로 고정하고 영상 전용 시간을 추가하면 제로샷 로봇 행동 MSE가 0.340에서 0.120으로 감소했습니다 .

• 사후 학습 성능 스케일링: 사후 학습 후, 14가지 로봇 작업의 평균 정규화 점수는 사전 학습 규모가 1K 시간에서 1M 시간으로 증가함에 따라 달성 가능한 최대치의 20% → 28% → 45% → 53% 로 상승했습니다 .

작업 성공률 향상

DYNA-2의 성능 향상은 세 가지 주요 영역에서 두드러집니다:

• 정밀 제조: 사후 학습 데이터를 변경하지 않고 사전 학습 규모 확장만으로 DYNA-2의 작업 성공률이 약 20%에서 80~90% 로 향상되었습니다 . 이는 더 많은 인간 영상을 시청함으로써 얻은 4배에서 4.5배의 순수한 개선입니다.

• 제로샷 고객 현장 배포: 실제 고객 현장에서 DYNA-2는 87%의 품질 합격률을 기록한 반면, VLA 기반 전작 DYNA-1은 동일한 사후 학습 예산에서 46% 에 그쳤습니다 . 동일한 훈련 조건에서의 직접 비교 물리 평가에서 DYNA-2는 DYNA-1보다 작업을 했으며, 를 점했습니다 .

• 병뚜껑 돌리기(13분 데이터): 단 13분의 로봇 전용 시연 데이터만으로 DYNA-2는 한 쌍의 5손가락 로봇 손을 제어하여 병뚜껑을 돌려 열 수 있었습니다 . 회사의 기술 보고서에 따르면 약 의 로봇 데이터였으며, 사전 학습 규모가 작을 때 10%였던 성공률이 전체 100만 시간 예산에서 40~50%로 향상되었습니다 .

로봇 공학의 미래에 미치는 영향

DYNA-2의 결과는 로봇이 많은 양의 작업별 로봇 데이터를 필요로 한다는 기존 가정에 도전합니다. 인간 영상에서 로봇 하드웨어로 전이되는 스케일링 법칙을 입증함으로써, Dyna Robotics는 1천만 시간의 훈련 데이터를 향한 실용적인 길을 열며, 로봇이 단 몇 시간의 현지 미세 조정만으로 새로운 물리적 작업을 습득할 수 있는 잠재력을 제시합니다 . 현재 이 모델은 공급업체 운영 시스템으로 작동하며, Dyna Robotics는 DYNA-2에 대한 공개 체크포인트, API 또는 라이선스를 발표하지 않았습니다 . 로봇 공학 연구 커뮤니티의 독립적인 재현은 이러한 결과를 검증하는 다음 단계가 될 것입니다 .