DYNA-2 โมเดล AI หุ่นยนต์ที่เรียนรู้จากการดูวิดีโอคนกว่า 1 ล้านชั่วโมง ค้นพบกฎ Scaling Law ตัวแรกของแวดวงหุ่นยนต์

DYNA-2 ถูกเทรนมาอย่างไร?

ขนาดและแหล่งที่มาของข้อมูล

ชุดข้อมูลที่ใช้เทรนประกอบด้วย วิดีโอแบบมุมมองบุคคลที่หนึ่ง (Egocentric Video) ของมนุษย์มากกว่า 1,000,000 ชั่วโมง ซึ่งเทียบเท่ากับประสบการณ์การตื่นอยู่ต่อเนื่องประมาณ 170 ปี วิดีโอเหล่านี้บันทึกกิจวัตรประจำวัน เช่น การทำอาหาร การพับผ้า การประกอบสิ่งของ และการทำความสะอาด ไม่มีข้อมูลการเคลื่อนไหวของหุ่นยนต์ (Robot Action Data) ถูกใช้ในช่วง Pre-training เลย ข้อมูลหุ่นยนต์จะถูกนำเข้ามาใช้เฉพาะในช่วง Post-training หรือ Fine-tuning ขนาดเล็กเท่านั้น ซึ่งปกติแล้วใช้เวลาไม่เกิน 10 ชั่วโมงต่อหนึ่งงาน

วัตถุประสงค์ในการเทรน

ในช่วง Pre-training DYNA-2 ใช้ วัตถุประสงค์การทำนายวิดีโอ (Video Prediction Objective) คือการเรียนรู้ที่จะทำนายเฟรมวิดีโอในอนาคตจากเฟรมในอดีต ผสานกับ อัลกอริทึม Video Co-training ที่เรียนรู้ทั้งการแสดงผลทางภาพและการทำนายการกระทำไปพร้อมกัน วิธีการนี้แตกต่างจากสถาปัตยกรรม VLA ของ DYNA-1 โดยสิ้นเชิง

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 ที่ขนาด 1M ชั่วโมง DYNA-2 ทำผลงานในโลกจริงได้ดีที่สุดใน 9 จาก 14 งาน การปรับปรุงในแต่ละงานที่สำคัญได้แก่:

• 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" โดยมีลักษณะสำคัญดังนี้:

• 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

บริษัทระบุอย่างชัดเจนว่านี่คือการสาธิต "เป็นครั้งแรก" ที่การขยายขนาดข้อมูลการสังเกตของมนุษย์ ไม่ใช่ข้อมูลการกระทำของหุ่นยนต์ สามารถเป็นแกนหลักที่เชื่อถือได้ในการพัฒนาความฉลาดทางกายภาพของหุ่นยนต์

ทำไมเรื่องนี้ถึงสำคัญ?

หากการอ้างสิทธิ์เหล่านี้ผ่านการตรวจสอบโดยอิสระ Dyna Robotics ได้แสดงให้เห็นถึงหนทางปฏิบัติจริงในการขยายขนาดความฉลาดของหุ่นยนต์ โดยไม่ต้องเจอปัญหาคอขวดจากการเก็บข้อมูลการกระทำของหุ่นยนต์ที่มีราคาแพงและหายาก วิดีโอของมนุษย์นั้นมีอยู่ในปริมาณที่ไร้ขีดจำกัดในทางปฏิบัติ บริษัทกล่าวว่ากำลังทำงานเพื่อไปสู่ข้อมูลเทรน 10 ล้านชั่วโมง ซึ่งจะทำให้หุ่นยนต์สามารถเรียนรู้งานทางกายภาพใหม่ๆ ได้ด้วยการ Fine-tuning ในพื้นที่เพียงไม่กี่ชั่วโมง