Dyna Robotics、DYNA-2を100万時間以上の人間の映像で訓練

Why it matters

Dyna Robotics is trying to reduce reliance on costly task-specific robot demonstrations by pretraining on abundant human video. If Dyna Robotics' reported results hold up under independent testing, robotics teams could adapt machines to new work with less local data.

Dyna Robotics founders Lindon Gao, York Yang and Jason Ma DYNA-2を発表したのは2026年8月10日で、一人称視点の人間のビデオを100万時間以上用いて学習されたロボットのファンデーションモデルを提案した。

The three founders came to that bet from different sides of physical AI. Gao and Yang previously built Caper AI, which put cameras, sensors and checkout software into grocery carts. Instacart acquired Caper AI for $350 million in October 2021. Ma completed a PhD at the University of Pennsylvania's GRASP robotics lab and worked on robot foundation models and reinforcement learning after research stints at Google DeepMind, NVIDIA AI and Meta AI.

That mix explains Dyna Robotics' approach: build a research model around data that can scale, while testing it on mundane commercial work where failures are measurable. Dyna Robotics says systems powered by its earlier DYNA-1 model have worked in hotels, restaurants and laundromats.

「trained on video」が意味すること

Dyna RoboticsはDYNA-2をWorld-Action Model、略してWAMと呼んでいる。Dyna Roboticsの発表は、将来のフレームとロボットの行動を予測するビデオベースのシステムを説明しており、事前学習の信号として人間のビデオを用いると述べている。

Maは発表でその考えを次のように要約した。「Action data is scarce, but video is everywhere.」

Dyna Roboticsによれば、DYNA-2は事前学習でロボットのフレームを見ずに100万時間を超える一人称視点の人間のビデオで事前学習されたという。Dyna Roboticsはまた、人間のビデオによる事前学習量が増えるにつれて15のベンチマークタスクで改善が報告されたと述べている。

Dyna Roboticsは、その結果が人間からロボットへのスケーリングの関係を示していると主張している。

スケーリングの主張から物理的なタスクへ

Dyna Roboticsは、事前学習量の増加に伴い、事後学習データを変更せずに高精度な製造タスクの成功率が20%から80%〜90%に上昇したと報告している。これらはDyna Roboticsの内部結果である。

実地のマッチド評価では、Dyna RoboticsはDYNA-2がDYNA-1より1.55倍多くタスクを完了したと報告している。DYNA-1はDyna Roboticsの以前のビジョン-言語-行動モデルだ。ある顧客向け導入では、Dyna RoboticsはDYNA-2の合格率を87%、DYNA-1を46%と報告した。

Dyna Roboticsの導入数値はより厳密な商用試験を提示するが、いずれも社内報告のままである。ロボットが評価を完了しても、実際の有償作業には遅すぎたり、一貫性がなかったり、高コストだったりする可能性がある。合格率が顧客やハードウェア全体でどう変換されるかを評価するには、独立したテストとより完全な導入データが必要となるだろう。

2回目の創業者の賭けに$143.5 millionの支援

DYNA-2はDyna Roboticsが2024年に創業してから約2年で到来した。Gaoのロボティクスへの道は金融と小売向けの物理的技術への繰り返しの試みを経ている。Stuyvesant Alumni Associationのプロフィールによれば、彼はNYU Sternでビジネスを学び、Goldman Sachsで投資銀行業務に従事し、QueueHopという防盗用の衣料タグ事業を立ち上げてY Combinatorの2016年冬バッチに採択され、その後Caper AIを開発した。

YangはCaper AIのCTOを務め、その後Instacartでprincipal research engineerとして働いた。MaはDeepMindの元研究科学者としてロボティクスのファンデーションモデルに取り組んだ経験を持つ。DYNA-2は、これら創業者の小売ハードウェアとロボティクスのバックグラウンドをDyna Roboticsの中核製品戦略に組み込んでいる。

投資家はこの取り組みに多額の資金を投じてきた。Dyna Roboticsは2025年3月にCRVとFirst Round Capitalが共同リードした2350万ドルのシードラウンドを調達した。続いて2025年に1.2億ドルのシリーズAが行われ、RoboStrategy、CRV、First Round Capitalが主導した。Salesforce Venturesも参加を表明した。

これにより、Dyna Roboticsは開示された資金調達だけで少なくとも$143.5 millionを確保している。その資本は、DYNA-2の性能が100万時間を超えても改善を続けるかを検証するために必要な計算資源、データ運用、ハードウェア作業、現地導入を賄う。

競合他社もタスクや機体を横断して機能することを意図したモデルを開発している。Physical Intelligenceはopenpiを、pi0というビジョン-言語-行動モデルを含むロボティクス用モデルとパッケージのオープンソースコレクションとして説明している。Skild AIはそのSkild Brainを異なるロボット種とタスクを制御するための共有インテリジェンスとして説明している。Google DeepMindはGemini Robotics On-Deviceをローカルで低遅延の推論に最適化され、ファインチューニングで新しいタスクに適応可能であると述べている。Dyna Roboticsはより具体的な賭けをしている：人間の活動のビデオは、ロボットのテレオペレーションデータへの依存を減らしつつ、器用な操作に対して複利的な入力になり得るというものだ。

顧客の経済性がその技術的優位性が持続するかどうかを決めるだろう。Dyna Roboticsの現場での合格率比較は社内にとって励みになる証拠だ。フリート規模、導入時間、メンテナンス負担、そして各新しいワークフローに必要なエンジニアリング量が、DYNA-2が再現可能な製品となるか、高価な研究的優位に留まるかを左右するだろう。