คำตอบการวิจัย
ประเด็นสำคัญ Dyna Robotics เปิดตัว DYNA 2 โมเดล 'World Action Model' เมื่อ 10 ส.ค. 2029 โดยเทรนด้วยวิดีโอคนแบบมุมมองบุคคลที่หนึ่งกว่า 1 ล้านชั่วโมง หรือเทียบเท่าประสบการณ์ตื่นอยู่ต่อเนื่อง 170 ปี โดยไม่ใช้ข้อมูลหุ่นยนต์แม้แต่นิดเด... DYNA 2 ใช้สถาปัตยกรรมแบบ 'Video Prediction' เรียนรู้การคาดการณ์เฟรมวิดีโอในอนาคต ซึ่งต่างจาก DYNA 1 รุ่นก่อนที่ใช้ Vision Language Action (VLA) ส่งผลให้ DYNA 2 ทำงานสำเร็จมากกว่า DYNA 1 ถึง 1.55 เท่า และชนะในการแข่งขั... ผลลัพธ์ในโลกจริง: งานผลิตที่มีความแม่นยำสูง ความสำเร็จพุ่งจาก 20% เป็น 80–90% และในการติดตั้งกับลูกค้าแบบ Zero shot DYNA 2 ได้คะแนนผ่าน 87% เทียบกับ DYNA 1 ที่ได้ 46% นี่คือ Scaling Law ครั้งแรกในแวดวงหุ่นยนต์ที่พิสูจน์ว่าการเพิ่มปริมาณวิดีโอคนส่งผลให้ประสิทธิภาพหุ่นยนต์ดีขึ้นอย่างคาดเดาได้ เป็นเส้นตรงตามล็อก และข้ามรูปแบบหุ่นยนต์ได้ (Cross Embodiment Transfer) What is Dyna Robotics' new DYNA-2 robot foundation model, how was it trained (including dataset size, source, and training objectives), what Dyna Robotics' DYNA-2 was pre-trained on over 1 million hours of human egocentric video. (AI-generated illustration) AI พรอมต์ 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 เมื่อวันที่ 10 สิงหาคม 2029 Dyna Robotics ได้เปิดตัว DYNA-2 โมเดลพื้นฐานสำหรับหุ่นยนต์ (Robot Foundation Model) ที่บริษัทเรียกว่า 'World-Action Model' (WAM) โดยบริษัท宣称ว่านี่คือโมเดลหุ่นยนต์ตัวแรกที่แสดงให้เห็นถึง 'กฎแห่งการขยายผล' (Scaling Law) ที่แท้จริง ซึ่งขับเคลื่อนด้วยข้อมูลการสังเกตของมนุษย์ล้วนๆ ไม่ใช่ข้อมูลการกระทำของหุ่นยนต์
DYNA-2 คืออะไร?
DYNA-2 เป็นโมเดลที่ถูก Pre-trained มาเพื่อควบคุมหุ่นยนต์จริง แตกต่างจาก DYNA-1 รุ่นก่อนที่ใช้สถาปัตยกรรม Vision-Language-Action (VLA) ซึ่งแปลงการรับรู้เป็นการกระทำโดยตรง DYNA-2 กลับเรียนรู้โดยการ
คนยังถาม คำตอบสั้น ๆ สำหรับ "DYNA-2 โมเดล AI หุ่นยนต์ที่เรียนรู้จากการดูวิดีโอคนกว่า 1 ล้านชั่วโมง ค้นพบกฎ Scaling Law ตัวแรกของแวดวงหุ่นยนต์" คืออะไร Dyna Robotics เปิดตัว DYNA 2 โมเดล 'World Action Model' เมื่อ 10 ส.ค. 2029 โดยเทรนด้วยวิดีโอคนแบบมุมมองบุคคลที่หนึ่งกว่า 1 ล้านชั่วโมง หรือเทียบเท่าประสบการณ์ตื่นอยู่ต่อเนื่อง 170 ปี โดยไม่ใช้ข้อมูลหุ่นยนต์แม้แต่นิดเด...
ประเด็นสำคัญที่ต้องตรวจสอบก่อนคืออะไร? Dyna Robotics เปิดตัว DYNA 2 โมเดล 'World Action Model' เมื่อ 10 ส.ค. 2029 โดยเทรนด้วยวิดีโอคนแบบมุมมองบุคคลที่หนึ่งกว่า 1 ล้านชั่วโมง หรือเทียบเท่าประสบการณ์ตื่นอยู่ต่อเนื่อง 170 ปี โดยไม่ใช้ข้อมูลหุ่นยนต์แม้แต่นิดเด... DYNA 2 ใช้สถาปัตยกรรมแบบ 'Video Prediction' เรียนรู้การคาดการณ์เฟรมวิดีโอในอนาคต ซึ่งต่างจาก DYNA 1 รุ่นก่อนที่ใช้ Vision Language Action (VLA) ส่งผลให้ DYNA 2 ทำงานสำเร็จมากกว่า DYNA 1 ถึง 1.55 เท่า และชนะในการแข่งขั...
ฉันควรทำอย่างไรต่อไปในทางปฏิบัติ? ผลลัพธ์ในโลกจริง: งานผลิตที่มีความแม่นยำสูง ความสำเร็จพุ่งจาก 20% เป็น 80–90% และในการติดตั้งกับลูกค้าแบบ Zero shot DYNA 2 ได้คะแนนผ่าน 87% เทียบกับ DYNA 1 ที่ได้ 46%
คำตอบการวิจัย
ประเด็นสำคัญ Dyna Robotics เปิดตัว DYNA 2 โมเดล 'World Action Model' เมื่อ 10 ส.ค. 2029 โดยเทรนด้วยวิดีโอคนแบบมุมมองบุคคลที่หนึ่งกว่า 1 ล้านชั่วโมง หรือเทียบเท่าประสบการณ์ตื่นอยู่ต่อเนื่อง 170 ปี โดยไม่ใช้ข้อมูลหุ่นยนต์แม้แต่นิดเด... DYNA 2 ใช้สถาปัตยกรรมแบบ 'Video Prediction' เรียนรู้การคาดการณ์เฟรมวิดีโอในอนาคต ซึ่งต่างจาก DYNA 1 รุ่นก่อนที่ใช้ Vision Language Action (VLA) ส่งผลให้ DYNA 2 ทำงานสำเร็จมากกว่า DYNA 1 ถึง 1.55 เท่า และชนะในการแข่งขั... ผลลัพธ์ในโลกจริง: งานผลิตที่มีความแม่นยำสูง ความสำเร็จพุ่งจาก 20% เป็น 80–90% และในการติดตั้งกับลูกค้าแบบ Zero shot DYNA 2 ได้คะแนนผ่าน 87% เทียบกับ DYNA 1 ที่ได้ 46% นี่คือ Scaling Law ครั้งแรกในแวดวงหุ่นยนต์ที่พิสูจน์ว่าการเพิ่มปริมาณวิดีโอคนส่งผลให้ประสิทธิภาพหุ่นยนต์ดีขึ้นอย่างคาดเดาได้ เป็นเส้นตรงตามล็อก และข้ามรูปแบบหุ่นยนต์ได้ (Cross Embodiment Transfer) What is Dyna Robotics' new DYNA-2 robot foundation model, how was it trained (including dataset size, source, and training objectives), what Dyna Robotics' DYNA-2 was pre-trained on over 1 million hours of human egocentric video. (AI-generated illustration) AI พรอมต์ 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 เมื่อวันที่ 10 สิงหาคม 2029 Dyna Robotics ได้เปิดตัว DYNA-2 โมเดลพื้นฐานสำหรับหุ่นยนต์ (Robot Foundation Model) ที่บริษัทเรียกว่า 'World-Action Model' (WAM) โดยบริษัท宣称ว่านี่คือโมเดลหุ่นยนต์ตัวแรกที่แสดงให้เห็นถึง 'กฎแห่งการขยายผล' (Scaling Law) ที่แท้จริง ซึ่งขับเคลื่อนด้วยข้อมูลการสังเกตของมนุษย์ล้วนๆ ไม่ใช่ข้อมูลการกระทำของหุ่นยนต์
DYNA-2 คืออะไร?
DYNA-2 เป็นโมเดลที่ถูก Pre-trained มาเพื่อควบคุมหุ่นยนต์จริง แตกต่างจาก DYNA-1 รุ่นก่อนที่ใช้สถาปัตยกรรม Vision-Language-Action (VLA) ซึ่งแปลงการรับรู้เป็นการกระทำโดยตรง DYNA-2 กลับเรียนรู้โดยการ
คนยังถาม คำตอบสั้น ๆ สำหรับ "DYNA-2 โมเดล AI หุ่นยนต์ที่เรียนรู้จากการดูวิดีโอคนกว่า 1 ล้านชั่วโมง ค้นพบกฎ Scaling Law ตัวแรกของแวดวงหุ่นยนต์" คืออะไร Dyna Robotics เปิดตัว DYNA 2 โมเดล 'World Action Model' เมื่อ 10 ส.ค. 2029 โดยเทรนด้วยวิดีโอคนแบบมุมมองบุคคลที่หนึ่งกว่า 1 ล้านชั่วโมง หรือเทียบเท่าประสบการณ์ตื่นอยู่ต่อเนื่อง 170 ปี โดยไม่ใช้ข้อมูลหุ่นยนต์แม้แต่นิดเด...
ประเด็นสำคัญที่ต้องตรวจสอบก่อนคืออะไร? Dyna Robotics เปิดตัว DYNA 2 โมเดล 'World Action Model' เมื่อ 10 ส.ค. 2029 โดยเทรนด้วยวิดีโอคนแบบมุมมองบุคคลที่หนึ่งกว่า 1 ล้านชั่วโมง หรือเทียบเท่าประสบการณ์ตื่นอยู่ต่อเนื่อง 170 ปี โดยไม่ใช้ข้อมูลหุ่นยนต์แม้แต่นิดเด... DYNA 2 ใช้สถาปัตยกรรมแบบ 'Video Prediction' เรียนรู้การคาดการณ์เฟรมวิดีโอในอนาคต ซึ่งต่างจาก DYNA 1 รุ่นก่อนที่ใช้ Vision Language Action (VLA) ส่งผลให้ DYNA 2 ทำงานสำเร็จมากกว่า DYNA 1 ถึง 1.55 เท่า และชนะในการแข่งขั...
ฉันควรทำอย่างไรต่อไปในทางปฏิบัติ? ผลลัพธ์ในโลกจริง: งานผลิตที่มีความแม่นยำสูง ความสำเร็จพุ่งจาก 20% เป็น 80–90% และในการติดตั้งกับลูกค้าแบบ Zero shot DYNA 2 ได้คะแนนผ่าน 87% เทียบกับ DYNA 1 ที่ได้ 46%
คาดการณ์เฟรมวิดีโอในอนาคตจากเฟรมในอดีต
DYNA-2 ถูกเทรนมาอย่างไร?
ขนาดและแหล่งที่มาของข้อมูล
วัตถุประสงค์ในการเทรน บริษัทแสดงให้เห็นถึงการขยายผล (Scaling) ในช่วง 4 ลำดับความสำคัญ (Four Orders of Magnitude) ตั้งแต่ 1,000 ชั่วโมง ไปจนถึง 1,000,000 ชั่วโมงของข้อมูล Pre-training
การปรับปรุงประสิทธิภาพเหนือ DYNA-1 บริษัทได้ทำการเปรียบเทียบแบบตัวต่อตัวระหว่าง DYNA-2 และ DYNA-1 ภายใต้เงื่อนไขการเทรนที่เหมือนกันและการใช้งานจริง
การทดสอบ Benchmark แบบตัวต่อตัว (7 งาน)
DYNA-2 ทำงานสำเร็จ บ่อยกว่า 1.55 เท่า เมื่อเทียบกับ DYNA-1 แบบ VLA
ในการเปรียบเทียบแบบคู่ DYNA-2 ชนะ 65% ของการทดลอง เทียบกับ DYNA-1 ที่ 29%
ผลลัพธ์ Benchmark รวม (14–15 งาน บนหุ่นยนต์ 3 รูปแบบ) ประสิทธิภาพโดยเฉลี่ยที่ถูกปรับให้เป็นมาตรฐาน (Normalized Performance) เพิ่มขึ้นอย่างต่อเนื่องตามขนาดของ Pre-training: 20% → 28% → 45% → 53% ของค่าสูงสุดที่เป็นไปได้ เมื่อข้อมูลเพิ่มขึ้นจาก 1k → 10k → 100k → 1M ชั่วโมง 9 จาก 14 งาน
การไขกุญแจล็อคบ็อกซ์: จากความสำเร็จ 0% (สูงสุดที่ 100k ชั่วโมง) กลายเป็น ความสำเร็จ 90% ที่ 1M ชั่วโมง การคลายเกลียวฝาขวด: จากความสำเร็จ 10% เป็น 40–50% ที่ 1M ชั่วโมง โดยใช้ข้อมูล Post-training ของหุ่นยนต์เพียง ~10 นาที การหยิบเครื่องดื่มตามคำสั่ง (Language Following): ปรับปรุงจาก 58% เป็น 83%
การใช้งานจริงในโรงงานและกับลูกค้า
งานผลิตที่มีความแม่นยำสูง: อัตราความสำเร็จพุ่งจาก ~20% เป็น 80–90% โดยการเพิ่มขนาด Pre-training เพียงอย่างเดียว โดยไม่มีการเปลี่ยนแปลงข้อมูล Post-training การติดตั้ง Zero-shot ที่ไซต์ลูกค้า: DYNA-2 มีอัตราผ่านเกณฑ์คุณภาพ 87% เทียบกับ 46% ของ DYNA-1 ซึ่งเป็นการพัฒนาขึ้น 41 จุด อัลกอริทึม Video Co-training ช่วยเพิ่มคะแนนการทำตามคำสั่งได้ 133% ในงานที่ต้องมีการเคลื่อนไหวเฉพาะตามคำสั่งผู้ใช้
กฎ Scaling Law ที่ Dyna Robotics ค้นพบ Dyna Robotics รายงานถึงสิ่งที่เรียกว่า "Scaling Law ที่แท้จริงครั้งแรกในวงการหุ่นยนต์ที่ขับเคลื่อนด้วยข้อมูลของมนุษย์ทั้งหมด"
Human-to-Robot Transfer Scaling Law: เมื่อปริมาณวิดีโอคนแบบ Egocentric เพิ่มขึ้นในช่วง 4 ลำดับความสำคัญ (1k → 1M ชั่วโมง) ประสิทธิภาพของหุ่นยนต์บนฮาร์ดแวร์หุ่นยนต์ที่ไม่เคยเห็นมาก่อนก็ดีขึ้น อย่างคาดเดาได้ ต่อเนื่อง และเป็นเส้นตรงตามล็อก (Log-linearly) ซึ่งเป็นรูปแบบที่บริษัทระบุว่าเป็น Scaling Law Cross-Embodiment Transfer: การขยายผลนี้เกิดขึ้นได้กับ หุ่นยนต์ 2 รูปแบบที่แตกต่างกัน (แขนกลสองข้างแบบอยู่กับที่ และต้นแบบกึ่ง Humanoid) ซึ่งโมเดลไม่เคยเห็นมาก่อนในช่วง Pre-training Zero-Shot Action Prediction: การเพิ่มขนาดข้อมูลวิดีโอคนยังช่วยปรับปรุงความสามารถของโมเดลในการทำนายการกระทำบน ข้อมูลวิดีโอหุ่นยนต์ที่ไม่เคยเห็น (Held-out Robot Video Data) มาก่อน
ทำไมเรื่องนี้ถึงสำคัญ? หากการอ้างสิทธิ์เหล่านี้ผ่านการตรวจสอบโดยอิสระ Dyna Robotics ได้แสดงให้เห็นถึงหนทางปฏิบัติจริงในการขยายขนาดความฉลาดของหุ่นยนต์ โดยไม่ต้องเจอปัญหาคอขวดจากการเก็บข้อมูลการกระทำของหุ่นยนต์ที่มีราคาแพงและหายาก วิดีโอของมนุษย์นั้นมีอยู่ในปริมาณที่ไร้ขีดจำกัดในทางปฏิบัติ บริษัทกล่าวว่ากำลังทำงานเพื่อไปสู่ข้อมูลเทรน 10 ล้านชั่วโมง ซึ่งจะทำให้หุ่นยนต์สามารถเรียนรู้งานทางกายภาพใหม่ๆ ได้ด้วยการ Fine-tuning ในพื้นที่เพียงไม่กี่ชั่วโมง
คาดการณ์เฟรมวิดีโอในอนาคตจากเฟรมในอดีต
DYNA-2 ถูกเทรนมาอย่างไร?
ขนาดและแหล่งที่มาของข้อมูล
วัตถุประสงค์ในการเทรน บริษัทแสดงให้เห็นถึงการขยายผล (Scaling) ในช่วง 4 ลำดับความสำคัญ (Four Orders of Magnitude) ตั้งแต่ 1,000 ชั่วโมง ไปจนถึง 1,000,000 ชั่วโมงของข้อมูล Pre-training
การปรับปรุงประสิทธิภาพเหนือ DYNA-1 บริษัทได้ทำการเปรียบเทียบแบบตัวต่อตัวระหว่าง DYNA-2 และ DYNA-1 ภายใต้เงื่อนไขการเทรนที่เหมือนกันและการใช้งานจริง
การทดสอบ Benchmark แบบตัวต่อตัว (7 งาน)
DYNA-2 ทำงานสำเร็จ บ่อยกว่า 1.55 เท่า เมื่อเทียบกับ DYNA-1 แบบ VLA
ในการเปรียบเทียบแบบคู่ DYNA-2 ชนะ 65% ของการทดลอง เทียบกับ DYNA-1 ที่ 29%
ผลลัพธ์ Benchmark รวม (14–15 งาน บนหุ่นยนต์ 3 รูปแบบ) ประสิทธิภาพโดยเฉลี่ยที่ถูกปรับให้เป็นมาตรฐาน (Normalized Performance) เพิ่มขึ้นอย่างต่อเนื่องตามขนาดของ Pre-training: 20% → 28% → 45% → 53% ของค่าสูงสุดที่เป็นไปได้ เมื่อข้อมูลเพิ่มขึ้นจาก 1k → 10k → 100k → 1M ชั่วโมง 9 จาก 14 งาน
การไขกุญแจล็อคบ็อกซ์: จากความสำเร็จ 0% (สูงสุดที่ 100k ชั่วโมง) กลายเป็น ความสำเร็จ 90% ที่ 1M ชั่วโมง การคลายเกลียวฝาขวด: จากความสำเร็จ 10% เป็น 40–50% ที่ 1M ชั่วโมง โดยใช้ข้อมูล Post-training ของหุ่นยนต์เพียง ~10 นาที การหยิบเครื่องดื่มตามคำสั่ง (Language Following): ปรับปรุงจาก 58% เป็น 83%
การใช้งานจริงในโรงงานและกับลูกค้า
งานผลิตที่มีความแม่นยำสูง: อัตราความสำเร็จพุ่งจาก ~20% เป็น 80–90% โดยการเพิ่มขนาด Pre-training เพียงอย่างเดียว โดยไม่มีการเปลี่ยนแปลงข้อมูล Post-training การติดตั้ง Zero-shot ที่ไซต์ลูกค้า: DYNA-2 มีอัตราผ่านเกณฑ์คุณภาพ 87% เทียบกับ 46% ของ DYNA-1 ซึ่งเป็นการพัฒนาขึ้น 41 จุด อัลกอริทึม Video Co-training ช่วยเพิ่มคะแนนการทำตามคำสั่งได้ 133% ในงานที่ต้องมีการเคลื่อนไหวเฉพาะตามคำสั่งผู้ใช้
กฎ Scaling Law ที่ Dyna Robotics ค้นพบ Dyna Robotics รายงานถึงสิ่งที่เรียกว่า "Scaling Law ที่แท้จริงครั้งแรกในวงการหุ่นยนต์ที่ขับเคลื่อนด้วยข้อมูลของมนุษย์ทั้งหมด"
Human-to-Robot Transfer Scaling Law: เมื่อปริมาณวิดีโอคนแบบ Egocentric เพิ่มขึ้นในช่วง 4 ลำดับความสำคัญ (1k → 1M ชั่วโมง) ประสิทธิภาพของหุ่นยนต์บนฮาร์ดแวร์หุ่นยนต์ที่ไม่เคยเห็นมาก่อนก็ดีขึ้น อย่างคาดเดาได้ ต่อเนื่อง และเป็นเส้นตรงตามล็อก (Log-linearly) ซึ่งเป็นรูปแบบที่บริษัทระบุว่าเป็น Scaling Law Cross-Embodiment Transfer: การขยายผลนี้เกิดขึ้นได้กับ หุ่นยนต์ 2 รูปแบบที่แตกต่างกัน (แขนกลสองข้างแบบอยู่กับที่ และต้นแบบกึ่ง Humanoid) ซึ่งโมเดลไม่เคยเห็นมาก่อนในช่วง Pre-training Zero-Shot Action Prediction: การเพิ่มขนาดข้อมูลวิดีโอคนยังช่วยปรับปรุงความสามารถของโมเดลในการทำนายการกระทำบน ข้อมูลวิดีโอหุ่นยนต์ที่ไม่เคยเห็น (Held-out Robot Video Data) มาก่อน
ทำไมเรื่องนี้ถึงสำคัญ? หากการอ้างสิทธิ์เหล่านี้ผ่านการตรวจสอบโดยอิสระ Dyna Robotics ได้แสดงให้เห็นถึงหนทางปฏิบัติจริงในการขยายขนาดความฉลาดของหุ่นยนต์ โดยไม่ต้องเจอปัญหาคอขวดจากการเก็บข้อมูลการกระทำของหุ่นยนต์ที่มีราคาแพงและหายาก วิดีโอของมนุษย์นั้นมีอยู่ในปริมาณที่ไร้ขีดจำกัดในทางปฏิบัติ บริษัทกล่าวว่ากำลังทำงานเพื่อไปสู่ข้อมูลเทรน 10 ล้านชั่วโมง ซึ่งจะทำให้หุ่นยนต์สามารถเรียนรู้งานทางกายภาพใหม่ๆ ได้ด้วยการ Fine-tuning ในพื้นที่เพียงไม่กี่ชั่วโมง
