Dyna Robotics apresenta Dyna-2, modelo de IA treinado com mais de um milhão de horas de vídeo humano para controlar robôs
A Dyna Robotics anunciou o Dyna-2, um modelo de inteligência artificial batizado de world-action model (WAM), voltado para a manipulação robótica. A principal inovação está no processo de pré-treinamento: o sistema foi alimentado com mais de um milhão de horas de vídeo egocêntrico humano, o equivalente a aproximadamente 170 anos de experiência contínua de uma pessoa acordada. A proposta da empresa é investigar se vídeos comuns de seres humanos podem substituir, ao menos em parte, os dados rotulados de ações que tradicionalmente travam o avanço do aprendizado de robôs.
O gargalo da robótica moderna sempre esteve ligado à necessidade de dados de teleoperação, registros produzidos quando operadores humanos controlam remotamente braços mecânicos para ensinar cada tarefa. Esse processo é caro, lento e difícil de escalar. O Dyna-2 parte de uma hipótese diferente: vídeos em primeira pessoa, captados do ponto de vista do próprio executor, podem oferecer ao modelo uma compreensão intuitiva de como o mundo físico se transforma em resposta a uma ação. A Dyna Robotics, sediada em Redwood City, na Califórnia, construiu então uma escada de dados com 1.000, 10.000, 100.000 e 1.000.000 de horas, mantendo proporções idênticas entre as fontes para isolar o efeito do volume.
Do ponto de vista arquitetônico, o Dyna-2 é uma mistura de transformadores. Tokens de vídeo e de ação são processados separadamente por pilhas distintas de camadas DiT, mas trocam informações entre si. A propriocepção, ou seja, a percepção que o robô tem da posição de seu próprio corpo, alimenta diretamente o transformador de ações. O treinamento adota a técnica de flow matching, que combina uma perda de vídeo e uma perda de ação em um tronco compartilhado, tratadas como dois campos de velocidade marginais. Durante a inferência, a rede de ação nunca recebe o ruído do vídeo latente como argumento, o que mantém a política reativa e em tempo real.
Os resultados publicados revelam três descobertas centrais. A primeira é a confirmação de uma lei de escala sobre dados humanos: as métricas melhoram monotonicamente ao longo das quatro ordens de grandeza e obedecem a leis de potência. O erro quadrático médio em dados humanos segue a relação 0,0691 vezes D elevado a menos 0,0184, com R² de 0,919, enquanto a acurácia no limiar 0,5 segue 0,357 vezes D elevado a 0,0203, com R² de 0,865. A acurácia no limiar mais restrito, 0,1, subiu 51% ao longo da escada, contra 12% do erro médio, indicando que a precisão fina dos movimentos é onde o ganho de escala mais se manifesta.
A segunda descoberta é inédita: a mesma lei de escala se transfere para dados de robôs nunca vistos durante o pré-treinamento. Os mesmos pontos de verificação foram avaliados, sem qualquer ajuste, em 39 tarefas em duas plataformas bimanuais estacionárias, sendo 12 internas e 27 do conjunto xdof ABC. O erro quadrático médio de ação em zero-shot segue 0,306 vezes D elevado a menos 0,0713, com R² de 0,884. A equipe relata uma inflexão clara entre 10 mil e 100 mil horas. Em todas as escalas, a denoising conjunta de vídeo e ação superou o treinamento apenas com ações em 39 das 39 tarefas avaliadas.
A terceira conclusão aponta o vídeo como eixo independente da generalização entre diferentes corpos físicos. Mantendo os dados de ação fixos em 50 mil horas e adicionando apenas horas de vídeo sem rótulos de ação, o erro zero-shot em robôs caiu de 0,340 para 0,120. Curiosamente, o erro em dados humanos não melhorou nesse experimento, o que indica que o ganho do vídeo é específico da capacidade de transpor o aprendizado para plataformas robóticas distintas.
Nos testes com robôs reais, cada ponto da escada foi pós-treinado em 14 tarefas, com no máximo dez horas de dados de robô por tarefa, em três tipos de plataforma: braços YAM de seis graus de liberdade com garras paralelas, os mesmos braços equipados com mãos hábeis WUJI-2 de vinte graus de liberdade e um protótipo semi-humanoide. O pós-treinamento utilizou exclusivamente dados de robôs, sem qualquer alinhamento com dados humanos. A pontuação média normalizada subiu de 20% para 28%, 45% e 53% ao longo da escada, com o melhor resultado em nove das 14 tarefas no patamar de um milhão de horas. A tarefa de girar a chave de um cofre permaneceu em 0% até 100 mil horas e saltou para 90% no topo da escada, enquanto a tarefa de desenroscar a tampa de uma garrafa, pós-treinada com apenas dez minutos de demonstrações, alcançou 50%.
A comparação direta com o Dyna-1, modelo de produção anterior da empresa inicializado a partir do Qwen3-VL-4B, mostra que uma versão preliminar do Dyna-2 atingiu 1,55 vez a taxa de sucesso e 1,12 vez a nota média do antecessor, em sete tarefas e três pontos de verificação. Em sites reais de clientes ainda não vistos, o Dyna-2 atingiu 87% de aprovação nos critérios de produção, contra 46% do Dyna-1, embora ambos cheguem perto de 100% em ambiente interno controlado. Por fim, um pipeline de destilação reduziu o tempo de amostragem de vídeo de 10.203 milissegundos para 110 milissegundos em uma única GPU H100, uma aceleração de cerca de 90 vezes para um vídeo de manipulação de três segundos e três vistas.
A Dyna Robotics afirma que o Dyna-2 já opera em produção em hotéis, restaurantes e lavanderias por meio de células robóticas gerenciadas pela própria empresa, voltadas a operadores de hospitalidade, lavanderia comercial, alimentação, montagem leve e limpeza de instalações. Não há checkpoint público, API nem licença disponível, e o acesso hoje depende da aquisição de uma célula robótica da própria companhia. As tarefas pós-treinadas mapeiam aplicações concretas, como limpeza de bandejas de lixo, montagem de kits de primeiros socorros, construção de caixas, porcionamento de alimentos, amarração de cordas, preparação de cabides e retirada direcionada de bebidas em refrigeradores, evidências de que o modelo mundo-ação começa a traduzir anos de observação humana em trabalho físico automatizado.
