Dyna Robotics发布Dyna-2基础模型

Dyna Robotics为DYNA-2构建的预训练语料库包含四个嵌套子集——1,000、10,000、100,000和1,000,000小时的第一人称人类视频——专门用于测试机器人学习是否遵循与语言模型类似的扩展曲线。该公司将结果描述为首个完全基于人类数据训练的机器人扩展规律^[1]。在DYNA-2自身针对14项任务的机器人后训练基准测试中，随着预训练数据从1,000小时扩展到1,000,000小时，平均归一化性能从20%稳步提升至53%，零样本机器人动作误差持续下降（均方误差从0.195降至0.117），精度则上升（Accuracy@0.5从0.060升至0.159）^[2]。

值得注意的是曲线的形态而不仅是终点：报道指出，性能在数据量跨越四个数量级的过程中平滑上升且未出现平台期。在一项具体的工业测试中，仅通过扩大预训练数据，高精度制造任务成功率就从约20%提升至80%-90%^[3]。如果该曲线能在外部复现中成立，它将重新定义机器人学习为一个数据扩展问题，而非硬件或算法问题。

最引人注目的可靠性指标是零样本部署质量通过率从DYNA-1的46%跃升至DYNA-2的87%^[3]。在现实世界中的直接对比评估中，DYNA-2完成的任务数量是其前身的1.55倍^[4]，而视频联合训练使指令遵循得分提升了133%^[3]。

更惊人的主张在于达到这些性能所需机器人特定数据之少。由于模型的物理直觉几乎完全来自观察人类，Dyna表示，同一基础模型仅需数小时——在某一案例中甚至仅13分钟——的本地微调数据，即可迁移至固定机械臂、人形原型机和五指灵巧手，足以教会五指手拧开瓶盖^[5]。这仅是历史上阻碍新机器人部署的遥操作数据采集的一小部分^[1]。

从架构上看，DYNA-2是一种基于混合Transformer的视频扩散模型：视频、动作和本体感受各自拥有独立的标记化和DiT层，通过跨模态注意力连接，使网络能够从共享主干联合预测下一视频帧和下一动作，而非将动作预测作为附加功能嫁接在视频模型之上^[2]。Dyna还报告了一种单步视频生成变体，其运行速度比完整扩散教师模型快90倍，这使得基于视频规模主干的实时动作预测成为可能^[2]。

DYNA-2并非独立运行——Dyna Robotics将其定位为四层架构中的中层‘系统1’任务执行层：DYNA-VLM负责高层推理（‘系统2’），DYNA-System0负责底层身体控制，DYNA-SAUR融合视觉、触觉和本体感受传感^[6]。这种分层设计使得单一放大的视频-动作模型无需为每个机器人重新设计整个控制回路即可适配不同机器人身体。

Dyna Robotics由Lindon Gao和York Yang于2024年联合创立，二人此前曾创建自动化收银初创公司Caper AI，并于2021年以3.5亿美元出售给Instacart；另一位联合创始人Jason Ma曾任DeepMind研究科学家^[7]。该公司于2025年3月完成2350万美元种子轮融资，并于次月推出DYNA-1，号称首个商用就绪的机器人基础模型；目前该模型已在酒店、餐厅和洗衣店运行，自主任务成功率高达99.4%，处理效率约为人类的60%^[8]。

这一商业记录帮助Dyna于2025年9月完成1.2亿美元A轮融资，由CRV、First Round Capital和Robostrategy领投，Nvidia的NVentures、亚马逊工业创新基金、Salesforce Ventures、三星Next及LG Technology Ventures战略跟投，公司估值突破6亿美元^[9]。DYNA-2在不到一年后发布，标志着该公司试图将其商业立足点扩展为更广泛的‘物理AGI’平台。

DYNA-2的部分反响需置于AI研究领域长期存在的争论背景中：LLM式的扩展规律——更多数据和算力可靠地带来更强能力——能否适用于具身的物理智能体？围绕此次发布的评论将Dyna平滑且无平台期的人类数据扩展曲线，视为对Yann LeCun等人怀疑语言模型式扩展无法迁移到机器人领域的反驳^[10]。

更具体的批评来自一个较窄的技术角度。一位评论者指出，带动作标注的数据与无标注视频在提升机器人性能方面作用于不同维度，而未能通过手部姿态标注标准的视频仍可能对世界模型训练有价值——这意味着大多数机器人数据管道仅运行单一验证器，从未设计用于区分‘可标注’视频与‘仅对世界模型有用’的视频，因此可能丢弃了DYNA-2方法所证明具有真实训练价值的视频。这提醒人们，头条所称的扩展规律描述的是Dyna自身管道的成功，并非必然适用于全行业的通用配方。