DYNA-2: Robot, który uczy się od ludzi — przełom Dyna Robotics
DYNA 2 to „model świata i działania” (WAM) ogłoszony 10 sierpnia 2026 roku, który jako pierwszy w robotyce udowodnił prawo skalowania na podstawie wyłącznie ludzkich danych wideo. Model został wstępnie wytrenowany na ponad 1 000 000 godzin nagrań z perspektywy pierwszej osoby (egocentryczne wideo), co odpowiada okoł...
Opublikowane przezEdytowane za pomocą DeepSeek-V4-FlashObrazy wygenerowane za pomocą GPT Image 1.5
DYNA 2 to „model świata i działania” (WAM) ogłoszony 10 sierpnia 2026 roku, który jako pierwszy w robotyce udowodnił prawo skalowania na podstawie wyłącznie ludzkich danych wideo.
Model został wstępnie wytrenowany na ponad 1 000 000 godzin nagrań z perspektywy pierwszej osoby (egocentryczne wideo), co odpowiada około 170 latom ciągłego czuwania człowieka.
Wyniki: DYNA 2 wykonywał zadania 1,55 razy częściej niż poprzednik, a wdrożenie u klienta osiągnęło 87% skuteczności (wzrost z 46%).
Odkryte prawo skalowania: większa ilość ludzkich danych wideo przewidywalnie i monotonicznie poprawia działanie robota na nieznanym sprzęcie.
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
10 sierpnia 2026 roku Dyna Robotics zaprezentowała DYNA-2, model fundamentowy dla robotów, który firma nazywa „modelem świata i działania” (World-Action Model, WAM). Firma twierdzi, że jest to pierwszy model robotyczny, który wykazał prawdziwe prawo skalowania oparte wyłącznie na ludzkich danych obserwacyjnych, a nie na danych z ruchów robota . Poniżej wyjaśniamy, co to oznacza dla robotyki, jak model został wytrenowany i jakie wyniki osiągnięto.
Czym jest DYNA-2?
DYNA-2 to wstępnie wytrenowany model zaprojektowany do sterowania fizycznymi robotami. W przeciwieństwie do swojego poprzednika DYNA-1, który używał architektury wizja-język-akcja (VLA) bezpośrednio odwzorowującej percepcję na działania robota, DYNA-2 uczy się . Dyna Robotics nazywa to „modelem świata i działania”, ponieważ robot najpierw rozważa konsekwencje, zanim zacznie działać.
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: Robot, który uczy się od ludzi — przełom Dyna Robotics"?
DYNA 2 to „model świata i działania” (WAM) ogłoszony 10 sierpnia 2026 roku, który jako pierwszy w robotyce udowodnił prawo skalowania na podstawie wyłącznie ludzkich danych wideo.
What are the key points to validate first?
DYNA 2 to „model świata i działania” (WAM) ogłoszony 10 sierpnia 2026 roku, który jako pierwszy w robotyce udowodnił prawo skalowania na podstawie wyłącznie ludzkich danych wideo. Model został wstępnie wytrenowany na ponad 1 000 000 godzin nagrań z perspektywy pierwszej osoby (egocentryczne wideo), co odpowiada około 170 latom ciągłego czuwania człowieka.
What should I do next in practice?
Wyniki: DYNA 2 wykonywał zadania 1,55 razy częściej niż poprzednik, a wdrożenie u klienta osiągnęło 87% skuteczności (wzrost z 46%).
DYNA-2: Robot, który uczy się od ludzi — przełom Dyna Robotics
DYNA 2 to „model świata i działania” (WAM) ogłoszony 10 sierpnia 2026 roku, który jako pierwszy w robotyce udowodnił prawo skalowania na podstawie wyłącznie ludzkich danych wideo. Model został wstępnie wytrenowany na ponad 1 000 000 godzin nagrań z perspektywy pierwszej osoby (egocentryczne wideo), co odpowiada okoł...
Opublikowane przezEdytowane za pomocą DeepSeek-V4-FlashObrazy wygenerowane za pomocą GPT Image 1.5
DYNA 2 to „model świata i działania” (WAM) ogłoszony 10 sierpnia 2026 roku, który jako pierwszy w robotyce udowodnił prawo skalowania na podstawie wyłącznie ludzkich danych wideo.
Model został wstępnie wytrenowany na ponad 1 000 000 godzin nagrań z perspektywy pierwszej osoby (egocentryczne wideo), co odpowiada około 170 latom ciągłego czuwania człowieka.
Wyniki: DYNA 2 wykonywał zadania 1,55 razy częściej niż poprzednik, a wdrożenie u klienta osiągnęło 87% skuteczności (wzrost z 46%).
Odkryte prawo skalowania: większa ilość ludzkich danych wideo przewidywalnie i monotonicznie poprawia działanie robota na nieznanym sprzęcie.
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
10 sierpnia 2026 roku Dyna Robotics zaprezentowała DYNA-2, model fundamentowy dla robotów, który firma nazywa „modelem świata i działania” (World-Action Model, WAM). Firma twierdzi, że jest to pierwszy model robotyczny, który wykazał prawdziwe prawo skalowania oparte wyłącznie na ludzkich danych obserwacyjnych, a nie na danych z ruchów robota . Poniżej wyjaśniamy, co to oznacza dla robotyki, jak model został wytrenowany i jakie wyniki osiągnięto.
Czym jest DYNA-2?
DYNA-2 to wstępnie wytrenowany model zaprojektowany do sterowania fizycznymi robotami. W przeciwieństwie do swojego poprzednika DYNA-1, który używał architektury wizja-język-akcja (VLA) bezpośrednio odwzorowującej percepcję na działania robota, DYNA-2 uczy się . Dyna Robotics nazywa to „modelem świata i działania”, ponieważ robot najpierw rozważa konsekwencje, zanim zacznie działać.
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: Robot, który uczy się od ludzi — przełom Dyna Robotics"?
DYNA 2 to „model świata i działania” (WAM) ogłoszony 10 sierpnia 2026 roku, który jako pierwszy w robotyce udowodnił prawo skalowania na podstawie wyłącznie ludzkich danych wideo.
What are the key points to validate first?
DYNA 2 to „model świata i działania” (WAM) ogłoszony 10 sierpnia 2026 roku, który jako pierwszy w robotyce udowodnił prawo skalowania na podstawie wyłącznie ludzkich danych wideo. Model został wstępnie wytrenowany na ponad 1 000 000 godzin nagrań z perspektywy pierwszej osoby (egocentryczne wideo), co odpowiada około 170 latom ciągłego czuwania człowieka.
What should I do next in practice?
Wyniki: DYNA 2 wykonywał zadania 1,55 razy częściej niż poprzednik, a wdrożenie u klienta osiągnęło 87% skuteczności (wzrost z 46%).
przewidując przyszłe klatki wideo na podstawie przeszłych
Jak trenowano DYNA-2
Rozmiar i źródło zbioru danych
Zbiór treningowy składał się z ponad 1 000 000 godzin egocentrycznego (nagranego z głowy) wideo ludzkiego — co odpowiada około 170 latom ciągłego czuwania . Nagrania przedstawiały codzienne czynności manipulacyjne, takie jak gotowanie, składanie, montaż i sprzątanie . Podczas wstępnego treningu nie użyto żadnych danych z robotów; dane z robotów wprowadzono dopiero w małej fazie dodatkowego treningu (post-training), zwykle 10 godzin lub mniej na zadanie .
Cele treningu
Podczas wstępnego treningu DYNA-2 używał predykcji wideo — uczył się przewidywać przyszłe klatki na podstawie przeszłych obserwacji — w połączeniu z algorytmem współtrenowania wideo, który uczy się jednocześnie reprezentacji wizualnych i przewidywania działań . To podejście kontrastuje z architekturą VLA modelu DYNA-1, która bezpośrednio odwzorowuje percepcję na działania robota bez pośredniej predykcji wideo .
Firma wykazała skalowanie na czterech rzędach wielkości, od 1 000 do 1 000 000 godzin danych wstępnego treningu .
Poprawa wydajności względem DYNA-1
Firma przeprowadziła bezpośrednie porównania między DYNA-2 a DYNA-1 w identycznych warunkach treningowych i rzeczywistych wdrożeniach.
Testy porównawcze (7 zadań)
DYNA-2 wykonywał zadania 1,55 razy częściej niż VLA-based DYNA-1 .
W parach porównawczych DYNA-2 wygrywał 65% prób wobec 29% dla DYNA-1 .
Zagregowane wyniki (14–15 zadań na 3 typach robotów)
Średnia znormalizowana wydajność rosła monotonicznie wraz ze skalą wstępnego treningu: 20% → 28% → 45% → 53% maksymalnego osiągalnego wyniku, przy danych rosnących z 1k → 10k → 100k → 1M godzin . Przy skalii 1M godzin DYNA-2 osiągnął najlepsze wyniki w rzeczywistych warunkach w 9 z 14 zadań. Kluczowe ulepszenia w poszczególnych zadaniach:
Otwieranie zamka szyfrowego (lockbox): z 0% sukcesu (do 100k godzin) do 90% sukcesu przy 1M godzin .
Odkręcanie nakrętki butelki: z 10% sukcesu do 40–50% przy 1M godzin, używając tylko ~10 minut danych dodatkowego treningu z robota .
Docelowe pobieranie napoju (na podstawie poleceń językowych): poprawa z 58% do 83%.
Rzeczywiste wdrożenia produkcyjne i u klienta
Zadania produkcyjne o wysokiej precyzji: wskaźniki sukcesu wzrosły z ~20% do 80–90% wyłącznie dzięki zwiększeniu skali wstępnego treningu, bez zmian w danych dodatkowego treningu .
Wdrożenie zeroshot u klienta: DYNA-2 osiągnął 87% wskaźnik jakości w porównaniu do 46% dla DYNA-1 — poprawa o 41 punktów procentowych.
Algorytm współtrenowania wideo podniósł wyniki podążania za instrukcjami o 133% w zadaniach wymagających różnych ruchów w odpowiedzi na polecenia użytkownika .
Odkryte prawo skalowania
Dyna Robotics ogłosiła odkrycie „pierwszego prawdziwego prawa skalowania w robotyce opartego wyłącznie na ludzkich danych”. Kluczowe cechy:
Prawo skalowania transferu człowiek-robot: Wraz ze wzrostem ilości egocentrycznego wideo ludzkiego w wstępnym treningu przez cztery rzędy wielkości (1k → 1M godzin), wydajność robota na nieznanym sprzęcie poprawiała się przewidywalnie, monotonicznie i log-liniowo — wzór, który firma identyfikuje jako prawo skalowania .
Transfer między różnymi konstrukcjami robotów: Skalowanie utrzymało się na dwóch różnych typach robotów (stacjonarny bimanipulator i prototyp półhumanoidalny), które model nigdy nie widział podczas wstępnego treningu .
Zeroshotowa predykcja działań: Skalowanie ludzkich danych wideo poprawiło również zdolność modelu do przewidywania działań na nigdy nie widzianych danych wideo z robotów, które nie były pokazywane podczas treningu .
Firma wyraźnie stwierdza, że jest to „pierwszy tego rodzaju” dowód na to, że skalowanie ludzkich danych obserwacyjnych, a nie danych z działań robotów, może być wiarygodną osią poprawy inteligencji fizycznej robotów .
Dlaczego to ma znaczenie
Jeśli twierdzenia wytrzymają niezależną weryfikację, Dyna Robotics pokazała praktyczną ścieżkę skalowania inteligencji robotów bez wąskiego gardła, jakim jest zbieranie kosztownych danych z ruchów robotów. Ludzkie nagrania wideo istnieją w praktycznie nieograniczonej ilości. Firma informuje, że już pracuje nad zbiorem 10 milionów godzin danych treningowych, co pozwoliłoby robotom opanować nowe fizyczne zadania w zaledwie kilka godzin lokalnego dostrajania .
przewidując przyszłe klatki wideo na podstawie przeszłych
Jak trenowano DYNA-2
Rozmiar i źródło zbioru danych
Zbiór treningowy składał się z ponad 1 000 000 godzin egocentrycznego (nagranego z głowy) wideo ludzkiego — co odpowiada około 170 latom ciągłego czuwania . Nagrania przedstawiały codzienne czynności manipulacyjne, takie jak gotowanie, składanie, montaż i sprzątanie . Podczas wstępnego treningu nie użyto żadnych danych z robotów; dane z robotów wprowadzono dopiero w małej fazie dodatkowego treningu (post-training), zwykle 10 godzin lub mniej na zadanie .
Cele treningu
Podczas wstępnego treningu DYNA-2 używał predykcji wideo — uczył się przewidywać przyszłe klatki na podstawie przeszłych obserwacji — w połączeniu z algorytmem współtrenowania wideo, który uczy się jednocześnie reprezentacji wizualnych i przewidywania działań . To podejście kontrastuje z architekturą VLA modelu DYNA-1, która bezpośrednio odwzorowuje percepcję na działania robota bez pośredniej predykcji wideo .
Firma wykazała skalowanie na czterech rzędach wielkości, od 1 000 do 1 000 000 godzin danych wstępnego treningu .
Poprawa wydajności względem DYNA-1
Firma przeprowadziła bezpośrednie porównania między DYNA-2 a DYNA-1 w identycznych warunkach treningowych i rzeczywistych wdrożeniach.
Testy porównawcze (7 zadań)
DYNA-2 wykonywał zadania 1,55 razy częściej niż VLA-based DYNA-1 .
W parach porównawczych DYNA-2 wygrywał 65% prób wobec 29% dla DYNA-1 .
Zagregowane wyniki (14–15 zadań na 3 typach robotów)
Średnia znormalizowana wydajność rosła monotonicznie wraz ze skalą wstępnego treningu: 20% → 28% → 45% → 53% maksymalnego osiągalnego wyniku, przy danych rosnących z 1k → 10k → 100k → 1M godzin . Przy skalii 1M godzin DYNA-2 osiągnął najlepsze wyniki w rzeczywistych warunkach w 9 z 14 zadań. Kluczowe ulepszenia w poszczególnych zadaniach:
Otwieranie zamka szyfrowego (lockbox): z 0% sukcesu (do 100k godzin) do 90% sukcesu przy 1M godzin .
Odkręcanie nakrętki butelki: z 10% sukcesu do 40–50% przy 1M godzin, używając tylko ~10 minut danych dodatkowego treningu z robota .
Docelowe pobieranie napoju (na podstawie poleceń językowych): poprawa z 58% do 83%.
Rzeczywiste wdrożenia produkcyjne i u klienta
Zadania produkcyjne o wysokiej precyzji: wskaźniki sukcesu wzrosły z ~20% do 80–90% wyłącznie dzięki zwiększeniu skali wstępnego treningu, bez zmian w danych dodatkowego treningu .
Wdrożenie zeroshot u klienta: DYNA-2 osiągnął 87% wskaźnik jakości w porównaniu do 46% dla DYNA-1 — poprawa o 41 punktów procentowych.
Algorytm współtrenowania wideo podniósł wyniki podążania za instrukcjami o 133% w zadaniach wymagających różnych ruchów w odpowiedzi na polecenia użytkownika .
Odkryte prawo skalowania
Dyna Robotics ogłosiła odkrycie „pierwszego prawdziwego prawa skalowania w robotyce opartego wyłącznie na ludzkich danych”. Kluczowe cechy:
Prawo skalowania transferu człowiek-robot: Wraz ze wzrostem ilości egocentrycznego wideo ludzkiego w wstępnym treningu przez cztery rzędy wielkości (1k → 1M godzin), wydajność robota na nieznanym sprzęcie poprawiała się przewidywalnie, monotonicznie i log-liniowo — wzór, który firma identyfikuje jako prawo skalowania .
Transfer między różnymi konstrukcjami robotów: Skalowanie utrzymało się na dwóch różnych typach robotów (stacjonarny bimanipulator i prototyp półhumanoidalny), które model nigdy nie widział podczas wstępnego treningu .
Zeroshotowa predykcja działań: Skalowanie ludzkich danych wideo poprawiło również zdolność modelu do przewidywania działań na nigdy nie widzianych danych wideo z robotów, które nie były pokazywane podczas treningu .
Firma wyraźnie stwierdza, że jest to „pierwszy tego rodzaju” dowód na to, że skalowanie ludzkich danych obserwacyjnych, a nie danych z działań robotów, może być wiarygodną osią poprawy inteligencji fizycznej robotów .
Dlaczego to ma znaczenie
Jeśli twierdzenia wytrzymają niezależną weryfikację, Dyna Robotics pokazała praktyczną ścieżkę skalowania inteligencji robotów bez wąskiego gardła, jakim jest zbieranie kosztownych danych z ruchów robotów. Ludzkie nagrania wideo istnieją w praktycznie nieograniczonej ilości. Firma informuje, że już pracuje nad zbiorem 10 milionów godzin danych treningowych, co pozwoliłoby robotom opanować nowe fizyczne zadania w zaledwie kilka godzin lokalnego dostrajania .
