Dyna Robotics présente Dyna-2, un modèle monde-action entraîné sur 1 million d'heures de vidéos humaines
Dyna Robotics a présenté Dyna-2, un nouveau modèle "monde-action" destiné à la manipulation robotique, entraîné sur plus d'un million d'heures de vidéos humaines filmées à la première personne, soit l'équivalent d'environ 170 années d'expérience humaine continue à l'état éveillé. L'entreprise a annoncé le 10 août 2026 que ses robots de première génération, Dyna-1, fonctionnent déjà en production dans des hôtels, des restaurants et des laveries automatiques. Pour construire Dyna-2, l'équipe a testé une échelle de données allant de 1 000 à 1 000 000 d'heures, en conservant des proportions identiques entre les sources, afin d'isoler l'effet du volume de données sur les performances. Le modèle repose sur une architecture mixte de transformeurs adossée à un système de diffusion vidéo, où les flux vidéo et action sont traités séparément mais s'attendent mutuellement, avec un apprentissage par "flow matching". Contrairement à Dyna-1, aucun poids téléchargeable, API publique ou licence n'a été annoncé pour Dyna-2 : le déploiement passe uniquement par l'achat d'une cellule robotique Dyna, pas par un hébergement local.
Résumé et traduction réalisés par Le Fil IA à partir de MarkTechPost. Lire l'article original →
Cette annonce s'attaque à un verrou central de l'apprentissage robotique : la rareté des données étiquetées en actions, qui nécessitent une téléopération coûteuse à produire. En démontrant qu'une vidéo humaine ordinaire, non annotée, peut faire progresser les performances d'un robot sur des tâches qu'il n'a jamais vues, Dyna Robotics ouvre une voie de contournement à ce goulot d'étranglement. Concrètement, l'entreprise vise des opérateurs de services de taille moyenne et des entreprises multi-sites avec des tâches de manipulation répétitives et stationnaires, comme le débarrassage de plateaux, le tri de kits de premiers secours, la construction de sacs de linge, le service de nourriture à la louche, le nouage de cordes ou la récupération ciblée de boissons dans un réfrigérateur. Les secteurs visés sont l'hôtellerie, la blanchisserie commerciale, la restauration, l'assemblage léger et le nettoyage de locaux. Ce n'est en revanche pas une solution pour les développeurs individuels ou les laboratoires de recherche cherchant une inférence locale.
Les résultats chiffrés étayent la thèse d'un effet d'échelle : l'erreur quadratique moyenne sur données humaines suit une loi de puissance (R²=0,919), et cette loi se transfère aux données robotiques inédites, testées en zéro apprentissage sur 39 tâches réparties sur deux plateformes bimanuelles stationnaires YAM, avec une inflexion des performances observée entre 10 000 et 100 000 heures de données. Autre enseignement clé : le débruitage vidéo conjoint bat systématiquement l'apprentissage centré uniquement sur l'action, sur les 39 tâches testées, et l'ajout de vidéos sans étiquette d'action, à volume d'actions fixe, fait chuter l'erreur de 0,340 à 0,120. Ces résultats renforcent l'idée que la vidéo humaine à grande échelle pourrait devenir un levier majeur pour la généralisation des robots à de nouveaux environnements, un enjeu suivi de près par l'ensemble de l'industrie de la robotique appliquée.
Pas d'impact direct sur la France/UE