Dyna Robotics 週一發表了 DYNA-2，一款該公司聲稱以超過一百萬小時人類影片訓練、未使用任何機器人資料的新型機器人基礎模型。這家總部位於美國的公司相信，此方法能解決限制通用型機器人發展的成本與擴展性挑戰——這一道障礙使得實體 AI 落後於其他已透過大規模資料預訓練實現快速能力提升的領域。

機器人領域的訓練資料瓶頸

開發通用型機器人長期面臨的一項障礙，是取得足夠的訓練資料。現今大多數機器人透過遠端操作學習，即由人類操作員耗費數小時手動引導機器完成任務。此方法速度慢、成本高且難以擴展，最終限制了這些系統的能力上限。此問題在業界已廣受認知，Google DeepMind、Tesla 和 Physical Intelligence 等廠商均在為各自的機器人基礎模型大量投資替代資料策略。

DYNA-2 採取了不同的路徑，在訓練階段完全排除機器人資料。相反地，該模型僅以自我中心視角的人類影片進行訓練——即從人類視角拍攝、記錄人與物體及環境互動過程的影像。根據該公司，此資料集相當於約 170 年的連續經驗。

Today we are introducing Dyna-2, a world-action model pre-trained on one million hours of human video. At this scale, for the first time, we discovered several new scaling laws:

• world-action models exhibit scaling law on human data across four orders of magnitude, from 1000… pic.twitter.com/wZamR0axzS — Dyna Robotics (@DynaRobotics) August 10, 2026

共同創辦人 Jason Ma 解釋了其中的理由：「行動資料很稀缺，但影片無處不在。」他主張，物理直覺「可以直接從人類影片中學習」，而不需要在機器手臂上耗費數百萬小時收集資料。

在高精度製造任務上，DYNA-2 將成功率從 20% 提升至 80% 至 90% 之間。Dyna 將此改善歸功於影片預訓練的龐大規模。在 15 項基準任務中，以更多人類影片訓練的模型始終優於以較少影片訓練的模型。這一發現呼應了改變自然語言處理領域的縮放定律——在該領域中，模型性能隨訓練資料和運算量的增加而可預測地提升——不過，這些原則能否完全適用於實體世界任務，目前仍是未解之問。

DYNA-2 的架構有何不同

Dyna 以新穎的架構脫穎而出。與其依賴視覺語言模型——即 Google RT-2 等系統所採用的方法——DYNA-2 是一款基於影片生成的 World-Action Model（世界-行動模型）。在預訓練期間，模型同時預測下一個影格和下一個行動。Dyna 表示，此雙重目標使模型具備對接觸物理和空間推理的內在理解。

該公司預期，從人類影片中轉移的知識將能泛化至不同的機器人平台——包括固定式機械手臂、人形原型機和靈巧手——即使這些裝置均未參與預訓練。據報導，將 DYNA-2 適應至新平台僅需數小時的微調，而非數週的新資料收集。例如，Dyna 報告指出，僅 13 分鐘的微調資料就讓機器人手學會了擰開瓶蓋。如果這種跨平台轉移能力能通過獨立驗證，將大幅降低在各種硬體配置上部署高性能機器人的門檻。

實際部署與未來計畫

Dyna 已在商業環境中運作機器人，此一事實使其有別於機器人領域的許多同行。據報導，該公司的 DYNA-1 機器人目前已部署於飯店、餐廳、自助洗衣店和健身房。這些營運經驗為 Dyna 提供了許多專注研究的機器人公司所缺乏的部署回饋。

Dyna 由 Lindon Gao、York Yang 和 Jason Ma 創立，他們先前曾在 DeepMind 工作。該公司公布的發展藍圖是將相同的訓練方法擴展至一千萬小時的影片，並將此定位為資料收集挑戰，而非機隊建設問題。隨著業界密切關注基於影片的預訓練能否兌現其承諾，關鍵問題包括 DYNA-2 所展現的成果能否從基準任務泛化至不可預測的真實世界環境，以及採用替代架構的競爭對手能多快縮小差距。