人間動画100万時間で学習したロボットAI「Dyna-2」発表

Dyna Roboticsは、ロボット操作のためのworld-action modelであるDyna-2をリリースしました。これは、100万時間以上の人間視点（egocentric human video）の動画で事前学習されました。これは、おおよそ170年間の連続した覚醒体験に相当します。ロボット学習は、テレポート操作によって意図的に生成されなければならない、アクションラベル付きデータによってボトルネックとなっていました。Dyna-2は、通常の人間動画がその代わりになるかを検証します。研究チームは1,000時間から1,000,000時間までのデータラダーを訓練し、何がスケールするかを測定しました。その結果、人間データに関するスケーリング法則、その法則を未見のロボットデータに初めて転移させたこと、そして動画予測が転移を促進するという証拠という3つの成果が得られました。 展開可能か？はい、ただしダウンロード可能な重みとしてではなく、ベンダーが運用するシステムとしてです。Dyna Roboticsは、Dyna-2の公開チェックポイント、API、またはライセンスを発表していません。今日の展開は、モデルを自己ホストするのではなく、Dynaロボットセルを購入することを意味します。 どの企業向けか：Dyna-1ロボットは、同社の2026年8月10日の発表によると、すでにホテル、レストラン、コインランドリーで稼働しています。これは、反復的で静止した操作作業を行う中規模市場のサービス事業者や複数拠点を持つ企業を対象としています。個人開発者やローカル推論を望む研究室には適していません。 産業：ホスピタリティ、商業用ランドリー、フードサービス、軽度の組み立てとキット化、および施設清掃。 アプリケーション：14の学習後タスクは、ゴミトレイの片付け、応急処護キットの準備、トートバッグの組み立て、食品のすくい上げ、ロープ結び、ハンガーの準備、冷蔵庫からの特定の飲み物の取り出しなど、実際の作業に明確に対応しています。 Dyna-2とは？Dyna-2はworld-action model (WAM)です。これは、ビデオ拡散バックボーン上で、将来の動画と将来のアクションチャンクを共同または個別にノイズ除去する1つの生成モデルです。これは、100万時間以上の人間視点（egocentric human video）の動画で事前学習されました。これは、おおよそ170年間の連続した覚醒体験に相当します。アーキテクチャ的には、transformersの混合です。動画とアクションは別々にトークン化され、それぞれ異なるDiTレイヤースタックを持ちます。