В Dyna Robotics модель DYNA-2 относят к классу World-Action Model (WAM) — она напрямую связывает визуальное восприятие с физическими действиями робота. На этапе предварительного обучения система анализировала исключительно видеозаписи с людьми и не использовала кадры с участием роботов.

Суть подхода проста: видео с действиями людей можно легко найти, в отличие от данных телеуправления роботами. Алгоритм сначала учится понимать физику среды и человеческие действия по обычным роликам, после чего этот фундамент легко подстраивается под задачи конкретного робота с помощью небольшого массива специальных данных.

В реальных условиях DYNA-2 оказалась в 1,55 раза эффективнее своей предшественницы DYNA-1, а в одном из пилотных проектов заказчика показала 87% успешных выполнений против 46% у предшественницы.

Эти результаты пока не проверены независимыми экспертами — Dyna Robotics проводила и оценивала испытания самостоятельно. К тому же, высокий процент успешных тестов еще не гарантирует коммерческую выгоду при внедрении. На практике для бизнеса решающими факторами становятся скорость, стабильность работы, расходы на обслуживание и объем ручной настройки под новые задачи. Тем не менее, опыт применения технологий у компании уже есть — прошлую модель DYNA-1 успели протестировать в отелях, ресторанах и прачечных.

Dyna Robotics основали в 2024 году Линдон Гао, Йорк Янг и Джейсон Ма. Гао и Янг ранее создали Caper AI — компанию, которая разрабатывала технологии для «умных» продуктовых тележек и автоматизации розничной торговли. В 2021 году ее приобрела Instacart за $350 млн. Ма ранее работал в Google DeepMind и NVIDIA AI, где занимался базовыми моделями для робототехники. Компания уже привлекла не менее $143,5 млн, которые пойдут на приобретение вычислительных мощностей, обработку данных, аппаратное обеспечение и развертывание в полевых условиях.

Другие компании, например, Physical Intelligence, Skild AI и Google DeepMind также создают универсальные модели для управления роботами. Однако Dyna Robotics делает ставку именно на человеческие видео как источник данных для обучения. Если сторонние испытания подтвердят заявленные результаты, такой подход может сократить стоимость адаптации роботов к новым рабочим процессам и уменьшить зависимость отрасли от дорогостоящего сбора данных с помощью телеуправления.