百万小时人类视频训练，机器人实现连续工作自主能力

Dyna Robotics 联合创始人兼首席科学家 Jason Ma 在 Latent Space 播客中系统阐述了 Dyna-2 的核心架构理念。世界动作模型的关键创新在于将未来视频预测与机器人动作生成融为一体：模型不仅能预判物理世界在不同操作下的演变状态，还能据此输出具体的控制指令。Jason 将这一机制类比于人类大脑在行动前对环境变化的隐式推演，认为这是实现通用机器人能力的关键路径。

在数据规模方面，Dyna-2 的训练数据超过一百万小时人类视频，涵盖以自我为中心的第一人称视角素材，并验证了人类数据到机器人能力迁移的跨四个数量级的扩展规律。Jason 指出，机器人领域目前缺乏类似互联网的大规模数据基础设施，数据获取依然是制约行业发展的最大瓶颈。为此，Dyna 正在探索合成环境与模型自生成训练数据的路径，以期突破数据壁垒。

在商业落地层面，Dyna-2.1 已在鼎泰丰餐厅实现规模化部署，机器人每日稳定折叠数千条餐巾，连续运行 24 小时的任务成功率高达 99.4%，即便在整摞餐巾被意外推倒后也能自主恢复作业。此外，Dyna 还在 Best Western 酒店开展了相关试点项目。Jason 强调，从演示性 Demo 到真正的商业部署之间存在巨大鸿沟，而 Dyna 的目标正是跨越这道门槛。

为支持长时间复杂任务，Dyna 构建了 Agentic 执行框架，使机器人能够将多步骤工作流分解并持续执行长达一小时。在硬件选型上，Dyna 放弃了传统双足人形机器人方案，转而自研半人形轮式平台，以在灵活性与稳定性之间取得更优平衡。Jason 同时坦承，灵巧手的散热问题与部分感知数据的缺失仍是当前硬件层面的主要瓶颈。

在技术路线的深层逻辑上，Jason 援引机器学习领域的苦涩教训，主张机器人行业应优先通过扩大数据规模来提升能力，而非依赖针对特定场景的工程化定制方案。他还探讨了扩散变换器与流匹配技术在实时机器人控制中的应用，以及 GPT-6 等大模型与编程智能体如何加速机器人仿真环境的自动生成。Jason 的职业轨迹横跨 AlphaGo 项目、NVIDIA 及 Google DeepMind，这些经历深刻塑造了 Dyna 以部署为先、研究与产品并重的企业文化。

要点

• Dyna-2 将未来视频预测与动作生成融合为统一架构，使机器人在泛化能力和鲁棒性上优于传统视觉-语言-动作模型
• 基于超过一百万小时人类视频的预训练验证了跨四个数量级的扩展规律，但数据获取仍是机器人领域最大瓶颈
• Dyna-2.1 在鼎泰丰实现 24 小时连续作业、99.4% 成功率的商业部署，标志着物理 AI 从演示走向规模化落地
• 机器人仅需约 45 分钟示范即可学习新任务，Agentic 框架支持长达一小时的复杂多步骤工作流
• 灵巧手散热与感知数据缺失是当前硬件层面的核心瓶颈，Dyna 选择自研半人形轮式平台以规避传统双足方案的局限