Dyna Robotics发布学习百万小时人类视频的机器人模型

吞下百万小时人类视频的机器人

机器人初创公司Dyna Robotics发布了新的机器人基础模型"DYNA-2"。核心在于训练数据的规模。据悉，该模型基于超过100万小时的人类视频进行预训练，这相当于一个人不眠不休连续清醒170年才能积累的经验量。不过据称公司方面表示，这一庞大数据集的规模本身并非真正的突破所在。目前尚不清楚具体演示了哪些内容。

机器人通过观察人手来学习

机器人基础模型是指用单一神经网络训练而成、能够广泛执行各种物体操作任务的通用模型。问题在于数据。机器人亲自抓取、搬运物体的演示数据需要人工逐一操作机械臂来生成，采集速度慢、成本也高。相比之下，人类抓取、组装、整理物品的视频早已在YouTube等互联网平台上大量积累。近来，机器人行业竞相尝试利用这些人类视频，先让模型掌握广泛的"动作直觉"，再用少量真实机器人数据进行微调。

这一趋势在最近几周变得愈发明显。谷歌DeepMind于7月30日发布了"Gemini Robotics 2"，该模型用单一模型控制机器人从腿部到五指的全身动作，并同时公布了成功率数据：货架取物76.3%、地面取物45.7%、拧灯泡36%。NVIDIA也在8月初推出了结合视觉推理、世界生成与动作预测的开放权重模型"Cosmos 3"，并针对自动驾驶推出了参数规模达340亿的"Alpamayo 2 Super"。DYNA-2是加入这场竞争的又一尝试，不同之处在于它将对人类视频的依赖程度提升到了极致。