Dyna Robotics 发布 DYNA-2：不用机器人数据预训练，看 100 万小时人类视频学会干活

过去教机器人干活，最折磨人的环节就是采数据。工程师要么戴着 VR 头显远程遥控机械臂，要么推着笨重的示教设备一遍遍摆弄，费时费力还很难规模化。

总部位于加州红木城的 Dyna Robotics 决定换个思路：让人类替机器人打工。8 月 10 日，他们推出了机器人基础模型 DYNA-2。这个模型在预训练阶段完全不碰任何机器人数据，全靠看人类干活的视频自学。

像人类幼崽一样看视频学物理

DYNA-2 是一个世界动作模型（World-Action Model）。它的预训练数据是超过 100 万小时的人类第一人称视频，相当于一个人连续生活 170 年所积累的视觉经验。

这些视频记录了各种日常动作，比如折衣服、做饭、打扫卫生、组装家具。系统结合了下一帧预测架构，不仅记住了东西长什么样，更理解了手和物体互动时世界会发生怎样的物理变化。

最让业内惊喜的是他们验证了一条缩放定律。随着人类视频数据量的增加，模型在从未见过的机器人硬件上的理解力也会同步提升。到了真机部署阶段，只需要几个小时的少量数据微调，就能直接上岗。

根据 Dyna Robotics 的测试，这种视频协同训练方法让机器人在执行物理动作时的指令遵循表现提升了 133%。

叠衣服、炒菜、扫房间，直接进真实工位

光有大脑不够，还得看手上功夫。基于该模型驱动的 Dyna-2.1 实体 Agent，瞄准的是长流程、高灵活度的商业场景。

在仓储物流现场，机器人每小时能完成 200 件商品的抓取、质检、摆放与封箱，放置精度达到正负 2 毫米，就算遇到从未见过的商品品类也能准确识别标签朝向并装盒。

在酒店客房保洁中，一台机器人从退房到达到入住标准仅需 22 分钟，涵盖各种户型和乱糟糟的房间，首检合格率在 97% 以上；而在餐饮后厨，它能实现每小时 100 盘的分餐与出餐，平均不到 40 秒就能打好一份带配菜的标准餐盘。

更关键的是即时容错能力。传统工业臂一旦卡壳就只能停机报错，而 DYNA-2 支持实时纠错，打翻了东西或者抓偏了能当场调整并继续完成工作流程。

为什么重要

具身智能最大的堵点从来不是算法，而是昂贵且难以泛化的真机遥操作数据。如果每次造一台新形态的机械臂都要重新收集几万小时数据，通用机器人根本不可能普及。

我们认为 Dyna Robotics 走了一条非常聪明的捷径。它把预训练阶段的沉重负担卸载到了互联网上取之不尽的人类视频中，把机器人专用硬件的适配压缩成了几小时的轻量微调。这极大地降低了机器人进入工厂、酒店和后厨的门槛，也让硬件厂商摆脱了数据包袱。

不过挑战依然存在。纯视觉的人类视频能教会模型物体的运动规律和因果关系，但教不会机械臂精细的力控反馈与触觉直觉。从看得懂到抓得稳、捏不碎，真实物理交互的微调依然需要极其扎实的底层调优。但无论如何，用人类视角的常识来武装机器人大脑，这条路看起来已经走通了大半。