DYNA-2: Robot 'học' từ 1 triệu giờ video người, lập định luật mở rộng quy mô đầu tiên trong ngành

Cách DYNA-2 được huấn luyện

Quy mô và nguồn dữ liệu

Tập dữ liệu huấn luyện bao gồm hơn 1.000.000 giờ video từ góc nhìn thứ nhất (egocentric) của con người – tương đương khoảng 170 năm kinh nghiệm sống liên tục . Các video này ghi lại các thao tác hàng ngày như nấu ăn, gấp quần áo, lắp ráp và lau dọn . Điểm mấu chốt là: Không có bất kỳ dữ liệu hành động robot nào được sử dụng trong quá trình tiền huấn luyện. Dữ liệu robot chỉ được đưa vào trong một giai đoạn 'hậu huấn luyện' hoặc tinh chỉnh rất nhỏ, thường là 10 giờ hoặc ít hơn cho mỗi nhiệm vụ .

Mục tiêu huấn luyện

Trong quá trình tiền huấn luyện, DYNA-2 sử dụng mục tiêu dự đoán video – học cách dự đoán các khung hình video tương lai từ các quan sát trong quá khứ – kết hợp với một thuật toán đồng huấn luyện video (video co-training algorithm) giúp học đồng thời các biểu diễn thị giác và dự đoán hành động . Cách tiếp cận này trái ngược với kiến trúc VLA của DYNA-1, vốn ánh xạ trực tiếp cảm nhận thành hành động robot mà không cần bước dự đoán video trung gian .

Công ty đã chứng minh khả năng mở rộng quy mô qua bốn bậc độ lớn, từ 1.000 giờ lên đến 1.000.000 giờ dữ liệu tiền huấn luyện .

Cải thiện hiệu suất so với DYNA-1

Công ty đã thực hiện các so sánh trực tiếp giữa DYNA-2 và DYNA-1 trong các điều kiện huấn luyện và triển khai thực tế tương đồng.

Kiểm tra đối đầu (7 nhiệm vụ)

• DYNA-2 hoàn thành nhiệm vụ nhiều hơn 1,55 lần so với DYNA-1 dựa trên VLA .
• Trong các so sánh cặp, DYNA-2 thắng 65% số lần thử so với 29% của DYNA-1 .

Kết quả tổng hợp (14–15 nhiệm vụ trên 3 kiểu robot khác nhau)

Hiệu suất chuẩn hóa trung bình tăng đều đặn theo quy mô tiền huấn luyện: 20% → 28% → 45% → 53% so với mức tối đa có thể đạt được khi dữ liệu tăng từ 1k → 10k → 100k → 1M giờ . Ở quy mô 1 triệu giờ, DYNA-2 đạt hiệu suất thực tế tốt nhất trên 9 trong số 14 nhiệm vụ . Một số cải thiện đáng chú ý bao gồm:

• Mở khóa két sắt (xoay chìa khóa): từ 0% thành công (lên đến 100k giờ) lên 90% thành công ở 1M giờ .
• Vặn nắp chai: từ 10% thành công lên 40–50% ở 1M giờ, chỉ sử dụng khoảng 10 phút dữ liệu robot hậu huấn luyện .
• Lấy đồ uống theo yêu cầu (làm theo lệnh): cải thiện từ 58% lên 83% .

Triển khai thực tế trong sản xuất và khách hàng

• Nhiệm vụ sản xuất chính xác cao: tỷ lệ thành công tăng vọt từ ~20% lên 80–90% chỉ nhờ tăng quy mô tiền huấn luyện, mà không cần thay đổi dữ liệu hậu huấn luyện .
• Triển khai không cần huấn luyện trước tại khách hàng (zero-shot): DYNA-2 ghi nhận tỷ lệ đạt chuẩn chất lượng 87% so với chỉ 46% của DYNA-1 – một sự cải thiện lên tới 41 điểm phần trăm .
• Thuật toán đồng huấn luyện video đã nâng điểm số thực hiện theo hướng dẫn lên 133% đối với các nhiệm vụ yêu cầu các chuyển động khác nhau để đáp ứng mệnh lệnh của người dùng .

Định luật mở rộng quy mô mà Dyna Robotics quan sát được

Dyna Robotics báo cáo cái mà họ gọi là "định luật mở rộng quy mô thực sự đầu tiên trong ngành robot được cung cấp hoàn toàn bằng dữ liệu con người" . Các đặc điểm chính:

• Định luật mở rộng quy mô chuyển giao từ người sang robot: Khi lượng video người (góc nhìn thứ nhất) tăng lên qua bốn bậc độ lớn (1k → 1M giờ), hiệu suất của robot trên các phần cứng robot chưa từng thấy trước đó cải thiện một cách dự đoán được, đều đặn và theo log-tuyến tính – một mô hình mà công ty xác định là định luật mở rộng quy mô .
• Chuyển giao đa hình thái: Sự mở rộng quy mô này diễn ra trên hai hình thái robot khác nhau (một nền tảng hai tay cố định và một nguyên mẫu bán hình người) mà mô hình chưa từng thấy trong quá trình tiền huấn luyện .
• Dự đoán hành động không cần dữ liệu trước (zero-shot): Việc mở rộng dữ liệu video người cũng cải thiện khả năng của mô hình trong việc dự đoán các hành động trên dữ liệu video robot chưa từng thấy mà chưa bao giờ được đưa vào huấn luyện .

Công ty tuyên bố rõ ràng rằng đây là một minh chứng "lần đầu tiên" cho thấy việc mở rộng dữ liệu quan sát của con người, chứ không phải dữ liệu hành động của robot, có thể là một trục đáng tin cậy để cải thiện trí thông minh vật lý của robot .

Tại sao điều này lại quan trọng?

Nếu những tuyên bố này được xác minh độc lập, Dyna Robotics đã chỉ ra một con đường thực tế để nhân rộng trí thông minh robot mà không gặp phải nút thắt về chi phí thu thập dữ liệu hành động robot đắt đỏ. Video về con người tồn tại với quy mô gần như vô hạn. Công ty cho biết họ đang hướng tới 10 triệu giờ dữ liệu huấn luyện, điều này sẽ cho phép robot làm chủ các nhiệm vụ vật lý mới chỉ với vài giờ tinh chỉnh cục bộ .