DYNA-2: Roboten som lærte å manipulere objekter ved å se én million timer med menneskevideo

Dyna Robotics' DYNA-2 representerer et grunnleggende skifte i hvordan roboter lærer fysiske ferdigheter. I stedet for å være avhengig av dyre, manuelt innsamlede robotdata – bransjestandarden – ble DYNA-2 forhåndstrent på over én million timer med førstepersons menneskevideo, omtrent 170 år med kontinuerlig våken erfaring . Modellen ble lansert 10. august 2026 og introduserer en ny arkitektur kalt en World-Action Model (WAM), som lærer å forutsi hvordan handlinger endrer den fysiske verden før en robot i det hele tatt beveger seg .

World-Action Model-arkitektur: Videoprediksjon fremfor handlingsimitasjon

DYNA-2s arkitektur er bygget på videogenerering snarere enn Vision-Language-Action (VLA)-adaptere som har dominert robotfeltet . Under forhåndstrening kjører modellen et dobbelt mål: den predikerer både neste videobilde og neste handling fra det menneskelige videokorpuset . Denne tilnærmingen lar modellen bygge en intern modell av kontaktfysikk og romlig resonnering – den lærer årsakssammenhenger mellom handlinger og deres fysiske konsekvenser – som overføres på tvers av ulike fysiske utførelser uten at modellen noen gang har sett en robot under forhåndstrening .

Forhåndstreningskorpus: Selskapet bygde fire nestede undergrupper av førstepersons menneskevideo – 1 000, 10 000, 100 000 og 1 000 000 timer – uten at noen robothandlingsdata ble brukt under forhåndstrening . Etter forhåndstrening finjusteres modellen på en relativt liten mengde ekte robotdata (timer eller til og med minutter) for å overføre den lærte fysiske intuisjonen til spesifikk maskinvare .

Den første overføringsskaleringsloven fra menneske til robot

Dyna Robotics rapporterte det de kaller den første overføringsskaleringsloven på tvers av ulike utførelser innen manipulering . Funnene er betydningsfulle fordi de viser at skalering av menneskevideodata gir forutsigbare, monotone forbedringer i robotytelse – og speiler skaleringslovene som forvandlet store språkmodeller.

• Skaleringslov på menneskedata: På tvers av alle fire størrelsesordener (1K → 10K → 100K → 1M timer) forbedret alle målinger av videoprediksjonskvalitet seg monotont, godt beskrevet av en potenslov med ingen platå observert .

• Loven overføres til usette robotdata: De samme sjekkpunktene ble skåret nullskudd på 39 distinkte robotoppgaver på to stasjonære toarmede plattformer. Ytelsen forbedret seg monotont etter hvert som mengden av forhåndstreningsvideo fra mennesker vokste, før noen robotspesifikk finjustering . En analyse viste at når handlingsmerkede data ble holdt fast på 50 000 timer og kun video-timer ble lagt til, falt nullskuddets robothandlings-MSE fra 0,340 til 0,120 .

• Ytelsesskalering etter trening: Etter trening steg den gjennomsnittlige normaliserte skåren på tvers av 14 robotoppgaver fra 20% → 28% → 45% → 53% av det oppnåelige maksimumet etter hvert som forhåndstreningens skala økte fra 1K til 1M timer .

Forbedringer i oppgavesuksessrate

DYNA-2s ytelsesgevinster er mest synlige innen tre nøkkelområder:

• Presisjonsproduksjon: DYNA-2 økte suksessraten for oppgaver fra omtrent 20% til 80–90% utelukkende gjennom økt skala i forhåndstrening, uten endringer i data etter trening . Dette er en 4x til 4,5x forbedring utelukkende fra å se mer menneskevideo.

• Nullskuddskundedistribusjoner: Hos ekte kunder oppnådde DYNA-2 en 87% kvalitetspasseringsrate, sammenlignet med 46% for dens VLA-baserte forgjenger DYNA-1 – en forbedring på 41 prosentpoeng under identiske treningsbudsjetter . I fysiske evalueringer ansikt til ansikt med identiske treningsforhold fullførte DYNA-2 oppgaver 1,55 ganger oftere enn DYNA-1 og vant 65% av sammenligningene .

• Skru av flaskekork (13 minutters data): Med kun 13 minutters robotspesifikke demonstrasjonsdata ble DYNA-2 tilpasset til å styre et par femfingrede, bevegelige hender for å skru av en flaskekork . Selskapets tekniske rapport presiserer at tallet var omtrent 10 minutter robotdata, og at forhåndstreningens skala løftet suksessen fra 10% ved mindre budsjetter til 40–50% ved det fulle 1M-timersbudsjettet .

Konsekvenser for robotikkens fremtid

DYNA-2s resultater utfordrer den rådende antakelsen om at roboter trenger store mengder oppgavespesifikke robotdata. Ved å demonstrere en skaleringslov som overføres fra menneskevideo til robotmaskinvare, åpner Dyna Robotics en praktisk vei mot 10 millioner timer med treningsdata – med potensial til å gjøre roboter i stand til å mestre nye fysiske oppgaver med kun timer med lokal finjustering . Modellen opererer for tiden som et leverandørstyrt system; Dyna Robotics har ikke annonsert noe offentlig sjekkpunkt, API eller lisens for DYNA-2 . Uavhengig replikering av robotikkforskningsmiljøet vil være neste steg for å validere disse resultatene .