Dyna Robotics 釋出 DYNA-2：不用機器人資料預訓練，看 100 萬小時人類影片學會幹活

過去教機器人幹活，最折磨人的環節就是採資料。工程師要麼戴著 VR 頭顯遠端遙控機械臂，要麼推著笨重的示教裝置一遍遍擺弄，費時費力還很難規模化。

總部位於加州紅木城的 Dyna Robotics 決定換個思路：讓人類替機器人打工。8 月 10 日，他們推出了機器人基礎模型 DYNA-2。這個模型在預訓練階段完全不碰任何機器人資料，全靠看人類幹活的影片自學。

像人類幼崽一樣看影片學物理

DYNA-2 是一個世界動作模型（World-Action Model）。它的預訓練資料是超過 100 萬小時的人類第一人稱影片，相當於一個人連續生活 170 年所積累的視覺經驗。

這些影片記錄了各種日常動作，比如折衣服、做飯、打掃衛生、組裝傢俱。系統結合了下一幀預測架構，不僅記住了東西長什麼樣，更理解了手和物體互動時世界會發生怎樣的物理變化。

最讓業內驚喜的是他們驗證了一條縮放定律。隨著人類影片資料量的增加，模型在從未見過的機器人硬體上的理解力也會同步提升。到了真機部署階段，只需要幾個小時的少量資料微調，就能直接上崗。

根據 Dyna Robotics 的測試，這種影片協同訓練方法讓機器人在執行物理動作時的指令遵循表現提升了 133%。

疊衣服、炒菜、掃房間，直接進真實工位

光有大腦不夠，還得看手上功夫。基於該模型驅動的 Dyna-2.1 實體 Agent，瞄準的是長流程、高靈活度的商業場景。

在倉儲物流現場，機器人每小時能完成 200 件商品的抓取、質檢、擺放與封箱，放置精度達到正負 2 毫米，就算遇到從未見過的商品品類也能準確識別標籤朝向並裝盒。

在酒店客房保潔中，一臺機器人從退房到達到入住標準僅需 22 分鐘，涵蓋各種戶型和亂糟糟的房間，首檢合格率在 97% 以上；而在餐飲後廚，它能實現每小時 100 盤的分餐與出餐，平均不到 40 秒就能打好一份帶配菜的標準餐盤。

更關鍵的是即時容錯能力。傳統工業臂一旦卡殼就只能停機報錯，而 DYNA-2 支援即時糾錯，打翻了東西或者抓偏了能當場調整並繼續完成工作流程。

為什麼重要

具身智慧最大的堵點從來不是演算法，而是昂貴且難以泛化的真機遙運算元據。如果每次造一臺新形態的機械臂都要重新收集幾萬小時資料，通用機器人根本不可能普及。

我們認為 Dyna Robotics 走了一條非常聰明的捷徑。它把預訓練階段的沉重負擔解除安裝到了網際網路上取之不盡的人類影片中，把機器人專用硬體的適配壓縮成了幾小時的輕量微調。這極大地降低了機器人進入工廠、酒店和後廚的門檻，也讓硬體廠商擺脫了資料包袱。

不過挑戰依然存在。純視覺的人類影片能教會模型物體的運動規律和因果關係，但教不會機械臂精細的力控反饋與觸覺直覺。從看得懂到抓得穩、捏不碎，真實物理互動的微調依然需要極其紮實的底層調優。但無論如何，用人類視角的常識來武裝機器人大腦，這條路看起來已經走通了大半。