Dyna Roboticsは100万時間分の人間動画でロボットをトレーニングし、タスク成功率90%を達成

Dyna Roboticsは月曜日、100万時間以上の人間動画でトレーニングされ、ロボットデータを使用していない新しいロボット基盤モデルDYNA-2を発表した。 

米国の同社は、このアプローチが汎用ロボットの普及を制限してきたコスト問題を解決するのに役立つと信じている。

なぜロボット開発者はトレーニングデータを使い果たし続けるのか

DYNA-2は、汎用ロボット構築における一般的な問題、つまり十分なデータを入手することに取り組むことを目的としている。ほとんどのロボットは、人が数時間かけて機械をタスクに誘導するテレオペレーションを通じて学習する。 

ここで問題なのは、この方法は遅く、コストがかかり、スケーリングが難しいため、これらのシステムがどれほど高度になるかが制限されることである。

本日、100万時間分の人間動画で事前トレーニングされたワールドアクションモデルDyna-2を発表します。この規模で、私たちは初めていくつかの新しいスケーリング法則を発見しました：

• ワールドアクションモデルは、1000…の4桁にわたる人間データに対してスケーリング法則を示す pic.twitter.com/wZamR0axzS

— Dyna Robotics (@DynaRobotics) 8月10日、2026年

Dynaの解決策は、トレーニング中にロボットを除外することである。DYNA-2は、自己中心の人間動画のみでトレーニングされた。これは、人物が物体と相互作用する視点からの映像である。

同社は、これが合計で約170年分の継続的な経験に相当すると述べている。共同創業者のJason Maは、「アクションデータは希少だが、動画はどこにでも存在する」と述べ、物理的な直感は数百万時間ものロボットアームを使用するのではなく、「人間の動画から直接学ぶことができる」と主張した。

高精度の製造タスクでは、成功率が20%から80〜90%に上昇した。Dynaはこの改善を事前トレーニングの規模に起因させている。 

15のベンチマークタスク全体で、より多くの人間動画でトレーニングされたモデルは、少ない動画でトレーニングされたモデルを一貫して上回った。

Dynaのワールドアクションモデルが異なる点

Dynaは独自のアーキテクチャで際立っている。ビジョン言語モデルを使用するのではなく、DYNA-2は動画生成に基づくワールドアクションモデルである。 

事前トレーニング中、それは次の動画フレームと次のアクションの両方を同時に予測する。

Dynaによると、この二重の目標により、モデルは接触物理学と空間推論の内部的な感覚を得る。同社は、これらのデバイスが事前トレーニングで使用されていなくても、人間の動画からの知識が、据え付け型アーム、ヒューマノイドプロトタイプ、器用な手など、異なるロボットに転移することを期待している。

新しいプラットフォームへの適応には、新しいデータの収集に数週間かけるのではなく、数時間のファインチューニングで済む。例えば、Dynaによると、13分間のデータだけで、ロボットの手がボトルのキャップをねじ開ける方法を学んだ。

Dynaはアプローチを10百万時間まで拡張する

Dynaはすでに現実の世界の環境にロボットを持っており、他のロボット企業と差別化されている。 

DYNA-1ロボットは、ホテル、レストラン、コインランドリー、ジムを含む施設で使用されていると報告されている。

同社は、Lindon Gao、York Yang、Jason Maによって設立され、彼らは以前DeepMindで働いていた。 

Dynaの表明された計画は、同じアプローチを1,000万時間分の動画に押し広げることであり、これは艦隊の構築というよりも収集の問題として位置づけられている。