DYNA-2: หุ่นยนต์ที่เรียนรู้การใช้งานวัตถุ จากการดูวิดีโอคนถึง 1 ล้านชั่วโมง

คลังข้อมูลฝึก (Pre-training corpus): บริษัทสร้างชุดข้อมูลย่อยแบบซ้อนกันสี่ชุดจากวิดีโอคนแบบสวมใส่ ได้แก่ 1,000, 10,000, 100,000 และ 1,000,000 ชั่วโมง โดย ไม่มีข้อมูลการกระทำของหุ่นยนต์ใดๆ ถูกใช้ในระหว่างการฝึก หลังจากนั้น โมเดลจะถูกปรับแต่ง (fine-tuned) ด้วยข้อมูลหุ่นยนต์จริงจำนวนไม่มากนัก (ไม่กี่ชั่วโมงหรือไม่กี่นาที) เพื่อถ่ายทอดสัญชาตญาณทางกายภาพที่เรียนรู้ไปสู่ฮาร์ดแวร์เฉพาะ

กฎการสเกลถ่ายทอดจากมนุษย์สู่หุ่นยนต์เป็นครั้งแรก

Dyna Robotics รายงานสิ่งที่เรียกว่ากฎการสเกลการถ่ายทอดข้ามรูปลักษณ์ (cross-embodiment transfer scaling law) เป็นครั้งแรกในวงการหุ่นยนต์จัดการวัตถุ การค้นพบนี้มีความสำคัญอย่างยิ่ง เพราะแสดงให้เห็นว่าการเพิ่มขนาดวิดีโอของมนุษย์ทำให้ประสิทธิภาพของหุ่นยนต์ดีขึ้นอย่างสม่ำเสมอและสามารถคาดเดาได้ ซึ่งสะท้อนกฎการสเกลที่เปลี่ยนแปลงโลกของโมเดลภาษาขนาดใหญ่ (LLM)

• กฎการสเกลบนข้อมูลมนุษย์: ตลอดสี่ระดับขนาด (1K → 10K → 100K → 1M ชั่วโมง) ทุกเมตริกของคุณภาพการทำนายวิดีโอดีขึ้นอย่างสม่ำเสมอ และเป็นไปตามกฎกำลัง (power law) โดย ไม่มีสัญญาณอิ่มตัว (plateau) ให้เห็น

• กฎถ่ายทอดสู่ข้อมูลหุ่นยนต์ที่ไม่เคยเห็น: เช็คพอยต์ (checkpoints) เดียวกันถูกนำไปทดสอบ แบบ zero-shot กับงานหุ่นยนต์ 39 งาน บนแพลตฟอร์มหุ่นยนต์สองแขนแบบอยู่กับที่สองประเภท ประสิทธิภาพดีขึ้นอย่างสม่ำเสมอเมื่อคลังวิดีโอคนสำหรับฝึกมีขนาดใหญ่ขึ้น ก่อนที่จะมีการปรับแต่งเฉพาะหุ่นยนต์ใดๆ การวิเคราะห์หนึ่งพบว่า เมื่อกำหนดข้อมูลที่มีป้ายกำกับการกระทำคงที่ 50,000 ชั่วโมง และเพิ่มชั่วโมงวิดีโอที่ไม่มีป้ายกำกับ ค่า MSE (Mean Squared Error) การกระทำแบบ zero-shot ของหุ่นยนต์ลดลงจาก 0.340 เหลือ 0.120

• การสเกลประสิทธิภาพหลังการปรับแต่ง (Post-training): หลังจาก post-training คะแนนมาตรฐานเฉลี่ยใน 14 งานหุ่นยนต์เพิ่มขึ้นจาก 20% → 28% → 45% → 53% ของคะแนนสูงสุดที่เป็นไปได้ เมื่อขนาดการฝึกเพิ่มขึ้นจาก 1K เป็น 1M ชั่วโมง

การปรับปรุงอัตราความสำเร็จของงาน

ประสิทธิภาพที่เพิ่มขึ้นของ DYNA-2 เห็นได้ชัดเจนในสามด้านหลัก:

• งานผลิตที่มีความแม่นยำสูง (High-precision manufacturing): DYNA-2 เพิ่มอัตราความสำเร็จของงานจากประมาณ 20% เป็น 80–90% ผ่านการเพิ่มขนาดการฝึก (pre-training scale) เพียงอย่างเดียว โดยไม่ต้องเปลี่ยนแปลงข้อมูลหลังการฝึก (post-training data) นี่คือการปรับปรุง 4x ถึง 4.5x จากการดูวิดีโอคนมากขึ้นล้วนๆ

• การใช้งานจริงกับลูกค้าแบบ Zero-shot: ณ ไซต์งานลูกค้าจริง DYNA-2 ทำคะแนนผ่านเกณฑ์คุณภาพถึง 87% เทียบกับ 46% ของ DYNA-1 รุ่นก่อนหน้าซึ่งใช้สถาปัตยกรรม VLA — นั่นคือการปรับปรุง 41 จุดภายใต้งบประมาณ post-training ที่เท่ากัน ในการประเมินทางกายภาพแบบตัวต่อตัวภายใต้เงื่อนไขการฝึกที่เหมือนกัน DYNA-2 ทำภารกิจสำเร็จมากกว่า DYNA-1 1.55 เท่า และชนะในการเปรียบเทียบแบบตัวต่อตัว 65%

• การบิดเปิดฝาขวด (ข้อมูล 13 นาที): ด้วยข้อมูลสาธิตเฉพาะหุ่นยนต์เพียง 13 นาที DYNA-2 สามารถปรับให้ควบคุมมือหุ่นยนต์ห้านิ้วคู่หนึ่งเพื่อบิดเปิดฝาขวดได้ รายงานทางเทคนิคของบริษัทชี้แจงว่าตัวเลขดังกล่าวคือประมาณ 10 นาที ของข้อมูลหุ่นยนต์ โดยการเพิ่มขนาดการฝึกทำให้ความสำเร็จเพิ่มขึ้นจาก 10% (ที่งบประมาณขนาดเล็ก) เป็น 40–50% (ที่งบประมาณเต็ม 1M ชั่วโมง)

ผลกระทบต่ออนาคตของหุ่นยนต์

ผลลัพธ์ของ DYNA-2 ท้าทายสมมติฐานเดิมที่ว่าหุ่นยนต์ต้องการข้อมูลจำนวนมหาศาลเฉพาะงาน การสาธิตกฎการสเกลที่ถ่ายทอดจากวิดีโอคนสู่ฮาร์ดแวร์หุ่นยนต์ทำให้ Dyna Robotics เปิดเส้นทางสู่การใช้ ข้อมูลฝึก 10 ล้านชั่วโมง ได้จริง ซึ่งมีศักยภาพที่จะทำให้หุ่นยนต์เชี่ยวชาญงานทางกายภาพใหม่ๆ โดยใช้เวลาปรับแต่งเฉพาะที่เพียงไม่กี่ชั่วโมง ปัจจุบัน โมเดลนี้ทำงานเป็นระบบที่ดำเนินการโดยผู้ขาย (vendor-operated system); Dyna Robotics ยังไม่ประกาศเผยแพร่เช็คพอยต์, API หรือใบอนุญาตสำหรับ DYNA-2 การทดสอบซ้ำอย่างอิสระโดยชุมชนวิจัยหุ่นยนต์จะเป็นก้าวต่อไปในการยืนยันผลลัพธ์เหล่านี้