为什么机器人学新任务只要45分钟演示，而传统方法得花几个月

Dyna最近公布的Dyna-2模型，核心卖点是预训练时吃掉了超过一百万小时的人类视频。这个数字值得停下来想一想——不是机器人自己走出来的轨迹，是人拍的日常：第一人称视角的做饭、走路、搬东西、整理桌面。他们管这叫世界动作模型，和常见的视觉语言动作模型走的是两条路。
视觉语言动作模型偏向“看图说话再动手”，世界动作模型的思路更直接：先预测下一帧画面长什么样，再根据预测去生成动作。Dyna-2用的架构是扩散变换器加流匹配，这块技术本身不新鲜，新鲜的是把它用在机器人控制上，而且要求实时跑。实时意味着模型得在机器人本体上做推理，不能把数据传回云端等结果，所以他们自己造硬件，不买现成人形机，原因就在这里——市面产品算力不够，延迟扛不住。
有个细节挺有意思。Dyna在餐厅里让机器人折餐巾，连续跑了24小时，成功率99.4%。中间机器人还把一整摞餐巾弄倒了，自己捡起来继续折。这个场景与其说是技术演示，不如说是压力测试：真实环境里总有意外，机器人不能一出错就停机等人工。
那么问题来了，为什么学新任务只需要45分钟演示？传统机器人编程要针对每个场景写规则、调参数，换个桌子高度就得重新来。Dyna的做法是把通用物理常识塞进模型——看过百万小时人类视频之后，它已经知道物体大概会怎么运动、手伸过去大概会碰到什么、东西倒了大概是什么样。所以当人类示范一段新动作，模型不是从零学，是在已有的物理直觉基础上做少量微调。这跟大模型学代码是一个逻辑：基础能力在预训练阶段就完成了，下游只需要少量样本。
但数据规模化依然是机器人领域最大的坎。互联网有文本、图片、视频，机器人没有对应的“机器人互联网”。每一家公司的机器人手长不一样、传感器配置不一样、任务场景不一样，数据没法直接复用。Dyna的解法是自建硬件、自建数据 pipeline、自己在 Din Tai Fung 这类真实客户场景里跑部署，用实际订单养模型。这种模式的好处是数据质量高、场景真实，坏处是扩张慢，每一家店都得落地、调试、维护。
还有一个容易被忽略的点：灵巧手。Dyna公开承认这东西还过热，撑不住长时间连续操作。现在他们的机器人是轮式半人形，不是双足，一部分原因就是双足的能耗和控制复杂度太高，商业上不划算。这说明他们并不追求技术表演，而是先解决能跑、能用、客户愿意付钱的问题。
对比一下世界动作模型和视觉语言动作模型，前者更依赖视频预测的准确性，后者更依赖语义理解。Dyna的选择说明他们赌的是“物理世界可以被预测”这个前提——只要预测足够准，动作就可以从预测里推导出来，不需要显式教语言标签。这个路线能不能走通，还得看真实环境里的长周期表现，但至少在折餐巾这件事上，它已经跑通了。
关于GPT-6和编码智能体在机器人里的应用，播客里提了一嘴，但没展开。目前能确定的是，Dyna内部在用编码智能体生成仿真环境、合成训练数据，这部分是公开信息。至于GPT-6，官方没发布，任何声称已知细节的说法都不可信。
Jason Ma的背景也值得留意：AlphaGo团队出身，后来在NVIDIA、Google DeepMind都待过，宾大博士期间做的是大规模强化学习。这种履历的人出来创业，不太可能去追 demos，更可能做的是把研究、硬件、部署串成一条线。Dyna现在在酒店、餐厅、物流、数据中心都有部署，Din Tai Fung把他们的机器人扩展到全部门店和中央厨房，这已经不是试点，是规模化商用了。
所以整体判断：Dyna-2不是又一个刷榜模型，它解决的是机器人落地最头疼的两个问题——通用任务学习能力和长时间可靠运行。百万小时人类视频是壁垒，自建硬件是壁垒，真实客户场景产生的数据飞轮也是壁垒。剩下的风险在灵巧手和能耗上，这属于硬件瓶颈，不是算法能单方面解决的。
如果你对具体技术细节感兴趣，Jason Ma的个人主页上有几篇公开演讲资料可以看看，尤其是九月那场关于高性能机器人 scaling 的 talk。不过那个页面从2026年起就不再维护了，新内容得关注他们的官方渠道。