¿Qué ocurrió?

Dyna Robotics ha publicado Dyna-2, un modelo de mundo y acción para la manipulación robótica. Se preentrenó con más de un millón de horas de vídeo humano en primera persona (egocéntrico), lo que equivale a unos 170 años de experiencia continua en vigilia.

La pregunta es clara: el aprendizaje robótico lleva tiempo limitado por los datos etiquetados con acciones, y esos datos solo pueden producirse mediante teleoperación, es decir, generándolos a propósito. Dyna-2 pone a prueba si el vídeo humano corriente puede sustituirlos.

Qué se midió

El equipo entrenó una escalera de datos que va de 1.000 a 1.000.000 de horas y midió qué escala. Se comunican tres resultados:

  • Ley de escalado: se observó una ley de escalado en los datos humanos.
  • Transferencia: se demostró la primera transferencia de esa ley a datos robóticos no vistos.
  • Mecanismo: se aportaron indicios de que la predicción de vídeo impulsa esa transferencia.

Arquitectura

Dyna-2 es un modelo de mundo y acción: un único modelo generativo que elimina ruido del vídeo futuro y de un bloque de acciones futuras, de forma conjunta o separada, sobre una columna de difusión de vídeo.

Arquitectónicamente es una mezcla de transformadores. El vídeo y la acción se tokenizan por separado y reciben pilas de capas DiT distintas que se atienden entre sí. La propiocepción alimenta directamente al transformador de acción. Los tokens de vídeo usan enmascarado causal; los de acción usan autoatención bidireccional y atienden a los tokens de vídeo de contexto. Los tokens de vídeo atienden de forma cruzada al texto, pero el texto no influye directamente en la acción.

Cómo se usa

El modelo se ofrece como un sistema operado por el proveedor y no con pesos descargables. Dyna Robotics no ha anunciado ningún checkpoint público, API ni licencia; usarlo hoy significa comprar una celda robótica Dyna, no alojar el modelo por cuenta propia.

Según el anuncio de la compañía del 10 de agosto de 2026, los robots Dyna-1 ya funcionan en producción en hoteles, restaurantes y lavanderías. Eso señala el mercado objetivo: operadores de servicios de tamaño medio y empresas multisede con trabajo de manipulación repetitivo y en un punto fijo. No encaja con desarrolladores independientes ni con laboratorios que quieran inferencia local.

Qué trabajos

Las 14 tareas de la fase posterior al entrenamiento se corresponden con trabajos reales: retirar bandejas de basura, preparar botiquines, montar cajas, servir comida, atar cuerdas, preparar perchas y sacar una bebida concreta de una nevera. Los sectores citados son hostelería, lavandería comercial, servicio de comidas, montaje ligero y preparación de kits, y limpieza de instalaciones.

Por qué importa la pregunta

El insumo más caro del aprendizaje robótico es la recogida de datos. Enseñar una tarea a un robot exige que una persona lo maneje por control remoto muchas veces, con cada intento grabado y etiquetado. El proceso se mide en horas y escalarlo depende directamente del trabajo humano.

El vídeo humano, en cambio, ya existe. Un millón de horas de grabación en primera persona puede reunirse sin que nadie lo haya filmado para entrenar a un robot. Ese es el peso económico de la pregunta: si el vídeo corriente puede sustituir a los datos etiquetados con acciones, la curva de coste del aprendizaje robótico cambia por completo.

Qué no está cerrado

Los hallazgos sobre la ley de escalado y la transferencia se apoyan en el trabajo de la propia empresa; como los pesos no pueden descargarse, la verificación independiente no es posible por ahora. Esa es la diferencia básica con los modelos publicados con pesos abiertos en el mismo periodo: las cifras no son reproducibles.