Dyna Robotics、世界行動モデル「DYNA-2」発表 100万時間の人間ビデオで事前学習

何が起きたか

Dyna Roboticsは2026年8月10日、旗艦モデル「DYNA-2」を発表した。DYNA-2は100万時間（約170年分の連続覚醒体験に相当）の人間の一人称ビデオで事前学習した初のロボット基盤モデルとされる。同社は、ロボットの性能が人間データの追加時間に応じて滑らかに予測可能に向上する「人間からロボットへのスケーリング則」を実証したと主張する。高精度製造タスクでは、事前学習の規模拡大のみで成功率を20%から80〜90%に向上させた。

詳細

DYNA-2は、従来のVision-Language-Action（VLA）モデルから、ビデオ生成に基づくネイティブなWorld-Action Model（WAM）へとアーキテクチャを転換した。デュアルの次フレーム予測と次アクション予測のワールドモデリングアーキテクチャを用い、事前学習ではロボットデータを一切使用せずに、人間の動作から物理的直観と空間推論をロボットハードウェアに転移させる。15のベンチマークタスクで、より多くの人間データで事前学習したポリシーが一貫して高い性能を示した。13分のデータで5本指ロボットハンドのペアがボトルキャップをねじ開けることを実証した。実世界評価では、DYNA-1と比較して顧客品質合格率が1.55倍（DYNA-1は46%に対しDYNA-2は87%のゼロショット顧客展開で達成）。ビデオ共学習アルゴリズムにより、指示追従タスクのスコアが133%向上した。DYNA-2は、食材を切る、ワークスペースを片付けるなどの器用な操作タスクで、人間の介入なしに物理的乱れから回復できるとされる。

Key Facts

本紙の見方

今回の発表の核心は、ロボット基盤モデルの学習データを「アクションデータ」から「ビデオデータ」へと軸足を移した点にある。従来のVLAモデルは、ロボットの動作データ（テレオペレーションなどで収集）に依存しており、その収集コストと希少性が汎用ロボットのスケーリングを阻む最大のボトルネックとされてきた。DYNA-2は、人間の一人称ビデオのみで事前学習し、ロボットデータを一切使わずに物理的直観をロボットに転移させる「クロスエンボディメント転移」を実証した。これにより、データ収集の壁を回避し、100万時間から1000万時間へのスケーリング経路を切り開いたと主張する。 本紙の過去報道（2025年9月16日付）では、Dyna Roboticsが1.2億ドルのシリーズAを調達し、次世代基盤モデルの開発を加速すると報じた。今回のDYNA-2は、その資金調達後の具体的な成果物であり、同社がVLAからWAMへのアーキテクチャ転換を実行に移したことを示す。また、創業者がCaper AIを3.5億ドルで売却した経歴を持つことから、商業化への強い志向がうかがえる。DYNA-2は、ホテル、レストラン、ランドリーなどで既に生産稼働しているDYNA-1搭載ロボットの後継モデルとして、ゼロショットでの生産水準の性能を実現し、商業展開を加速させる狙いがある。 業界構造への含意として、DYNA-2のアプローチは、ロボット基盤モデルの競争軸を「アクションデータの量」から「ビデオデータの量」へとシフトさせる可能性がある。ビデオデータはインターネット上に豊富に存在するため、データ収集の参入障壁が低下し、新規参入者がスケーリング競争に加わりやすくなる。一方で、DYNA-2の性能は「人間のビデオデータ」に依存しており、その質と多様性がモデルの性能を左右する。同社は、人間データの追加時間に応じて性能が予測可能に向上するスケーリング則を実証したと主張するが、これは同社の実験結果に基づくものであり、業界全体で普遍的に成立するかは未確認である。 未確定の論点として、DYNA-2の実運用での成功率や品質合格率は、特定のタスクと環境での評価に基づくものであり、多様な実環境での汎用性はまだ検証途上である。また、1000万時間のトレーニングデータへのスケーリングが実際に性能向上につながるかは、今後のデータ収集とモデル更新の結果を待つ必要がある。さらに、DYNA-2のビデオ生成アーキテクチャが、複雑な物理的相互作用を伴うタスクでどこまで一般化できるかは、追加の評価が求められる。

なぜ重要か

DYNA-2は、ロボット基盤モデルの学習データを「アクションデータ」から「ビデオデータ」へと転換し、データ収集のボトルネックを解消する可能性を示した。これにより、ロボットの汎用化と商業化のペースが加速する可能性がある。また、ビデオデータを活用したスケーリング則の実証は、業界全体の研究開発の方向性に影響を与える可能性がある。