Dyna-2：用世界动作模型推动机器人长时自主作业
机器人完成一次漂亮的演示，与在真实环境中连续工作数小时，是两类不同的挑战。Dyna Robotics 联合创始人、首席科学家 Jason Ma 将后者视为机器人落地的核心问题：不仅要完成动作，还要在多步骤任务中保持可靠，并能从意外中恢复。
围绕这一目标，Dyna 推出了世界动作模型 Dyna-2，并进一步介绍了以该模型为核心的实体机器人智能体 Dyna-2.1。
世界动作模型：预测未来，也生成动作
按照 Jason Ma 的解释，世界动作模型不只是生成视频，而是把对未来物理状态的预测与机器人控制结合起来。
其基本输入包括：
- 视觉信息：机器人摄像头拍摄的图像，以及过去数秒的视频；
- 自身状态：关节角度等硬件状态信息；
- 语言指令：用户希望机器人完成的任务。
输出则不仅包含硬件可以执行的动作，还可以包含未来视频或其内部表示，用来引导动作生成。
Jason 将这一过程类比为视觉与物理空间中的“思维链”：模型先预测世界可能如何变化，再据此生成动作。他认为，这种架构有助于改善操作灵巧性、鲁棒性，以及面对陌生环境时的泛化能力。这是团队对技术路线的判断，不应直接视为已经覆盖所有场景的验证结论。
百万小时人类视频，试图缓解机器人数据瓶颈
Dyna 表示，Dyna-2 使用超过 100 万小时的人类视频进行预训练。团队还声称，在跨越四个数量级的人类数据规模实验中，观察到了相关扩展规律。
这一路线试图回答一个关键问题：机器人能否从大量人类活动视频中学习物理世界的变化，再将这些知识迁移到自身动作控制上？
不过，人类视频与机器人操作数据并不等价。视频提供视觉线索，而机器人控制还需要结合关节状态、执行器能力和具体硬件。Dyna 的模型输入设计也体现了这种差别：视觉之外，机器人必须理解并利用自身状态。
访谈还涉及第一视角视频、机器人示范、跨形态迁移、仿真环境和合成数据，但现有文字未提供足够的实验细节，无法据此比较各类数据的实际贡献。
从单次操作走向小时级工作流
Dyna 对 Dyna-2.1 的定位，是将新型半人形硬件与围绕 Dyna-2 构建的智能体系统结合，用于执行长时间、多步骤的现实任务。
这里需要区分两个层次：
- 动作能力：能否完成抓取、折叠等具体操作；
- 工作流能力：能否持续执行一系列任务，并在出错后恢复。
作为可靠性案例，团队介绍了连续 24 小时折叠餐厅餐巾、成功率达 99.4% 的表现，其中包括拉倒整叠餐巾后恢复工作的情况。
这一数字应限定在所描述的任务与测试条件内。现有文字没有交代成功率的具体统计口径、人工介入次数或完整评估协议，因此不能将它等同于通用机器人在任意环境中的可靠性。
商业部署与硬件约束同样重要
Dyna 介绍了机器人在鼎泰丰执行餐巾折叠工作的部署情况，并称其每天处理数千张餐巾。Jason 也谈到，在部分新任务中，机器人可以通过少至 45 分钟的示范进行学习；这一表述并不意味着所有任务都只需相同训练量。
硬件方面，Dyna 选择自研轮式半人形机器人，而非直接采用现成的双足平台。团队讨论的工程问题还包括端侧推理、模型蒸馏、实时控制，以及灵巧手发热和感知信息不足等限制。
这些内容说明，Dyna 的路线并不只是一项模型架构选择，也涉及硬件、控制系统和实际部署的协同。
如何判断这条路线的进展
Dyna-2 值得关注的技术主张，是把未来状态预测纳入动作生成；Dyna-2.1 则进一步把评估重点推向长时间自主工作。
阅读这类机器人进展时，需要把模型能力、特定任务成绩和商业部署规模分开看。连续折叠餐巾是具体场景中的能力展示，而更广泛的通用性，还需要跨任务、跨环境的评估，以及更透明的人工介入和故障恢复记录来判断。