超 100 万小时人类视频训练，任务成功率可达 90%

具身智能公司Dyna Robotics近日发布机器人基础模型DYNA-2，该模型基于超过100万小时的第一人称人类视频训练，在多项任务中成功率高达90%。据官方介绍，DYNA-2被定位为“世界动作模型”，旨在通过观察人类活动，学习动作如何改变物理世界。

长期以来，通用机器人受限于数据瓶颈，人工采集物理遥操作数据难以扩展到通用智能。Dyna Robotics联合创始人Jason Ma表示，DYNA-2通过观察人类活动来学习动作如何改变物理世界，从而突破这一限制。该模型的预训练完全依赖人类视频数据，规模超过100万小时，相当于170年的人类经验。

DYNA-2的核心特点在于采取动作前先预测物理世界如何运动。这一机制为机器人补足了传统视觉语言模型所缺少的空间推理和接触物理能力。模型通过预测下一帧视频画面内容以及应采取的动作两项训练目标，获取空间关系、运动方式以及物体受接触后的响应信息。

Dyna Robotics公布的结果显示，随着预训练阶段加入更多人类视频数据，机器人在15项基准任务中的表现持续提升。该公司将这一现象称为“人到机器人的缩放规律”，即性能随训练数据规模扩大而以可预测方式增长。在一项实验中，仅13分钟机器人专用数据便让两只五指机器人手学会拧开瓶盖。

在制造任务中，后训练数据集保持不变的情况下，随着预训练规模增加，任务成功率从约20%提升至80%到90%。此外，在一次客户部署中，DYNA-2的质量通过率达到87%，而上一代Dyna-1仅为46%。在需要根据用户指令执行不同动作的任务中，视频协同训练让得分提升133%。

DYNA-2的发布展示了人类视频数据在机器人学习中的巨大潜力。通过规模化利用人类经验，机器人有望在复杂物理操作任务中实现更高水平的泛化能力。未来，随着此类模型的持续迭代，具身智能或将在制造、服务等领域获得更广泛应用。