吃下百萬小時影片、進駐鼎泰豐！Dyna-2 物理 AI 怎麼殺進真實生產線

標題

從百萬小時人類影片到鼎泰豐生產線：Dyna-2 怎麼把物理 AI 帶進真實部署

正文（已通順正確，請做編輯優化）

重點摘要

• 2026 年 10 月，Dyna-2.1 在鼎泰豐以 99.4% 成功率連續折疊餐巾 24 小時，包含整疊被推倒後的自主恢復（Dyna 內部數據，未經獨立驗證）
• Dyna-2 是以超過 100 萬小時人類影片預訓練的世界行動模型（world-action model），結合未來影片預測與機器人動作輸出，宣稱跨越四個數量級的人類資料 scaling laws
• 機器人可在 45 分鐘示範內學會新任務；Dyna 自建硬體 Taku 而非使用現成人形機器人，靈巧手與感官資料缺口是當前主要瓶頸

2026 年 10 月 13 日，Dyna Robotics 共同創辦人兼首席科學家 Jason Ma 在 AIE NYC 的現場演講中，展示了 Dyna-2.1：一台名為 Taku 的機器人，在鼎泰豐的實際生產環境裡連續折疊餐巾 24 小時，成功率達 99.4%，過程中整疊餐巾被推倒也能自行恢復繼續作業。Dyna 說機器人目前每天在餐廳折疊數千條餐巾，不是在受控場地跑 demo。Jason Ma 的研究背景橫跨 AlphaGo 專案、NVIDIA 與 Google DeepMind，他在演講裡著重說明了一件事：機器人業界真正的挑戰不是做出令人眼睛一亮的展示，而是在真實環境中長時程、可靠地自主執行。這也是為什麼 Dyna 寧可把 Taku 送進餐廳生產線，也不想讓它繼續待在實驗室跑 demo。

Dyna-2 透過百萬小時影片預訓練與自研硬體，證明了物理 AI 的競爭核心已從單純展示能力，轉向真實生產環境下的長時程可靠部署。

世界行動模型是什麼，它和 VLA 有哪裡不同？

機器人控制領域目前有兩條主流路線，差異在預測目標。Vision-Language-Action model（視覺語言行動模型，VLA）以大型語言模型為核心，讓它理解指令、分析場景，再輸出機器人動作，模型學習的對象本質上是語言 token。Dyna 走的是另一條路：world-action model（世界行動模型）的預測目標是物理世界接下來的影片幀，模型同時輸出對應的機器人動作，兩個任務共享底層表徵。

這套設計的工程邏輯很直覺：預測影片幀會逼著模型去學物體如何在空間移動、材質怎麼形變，而不是只背「哪個動作 token 對應哪種場景」。Dyna-2 用 diffusion transformer（擴散轉換器）與 flow matching 技術同時處理影片預測和動作生成。對於折餐巾這類需要即時理解布料動態的任務，這個表徵學習方式看起來有結構性的優勢；但這類任務遷移到其他物理場景的泛化能力，還有待更廣泛的外部測試才能評估。

為什麼要用 100 萬小時人類影片預訓練？

機器人操作資料的稀缺是整個業界的結構性問題。採集機器人示範需要硬體、場地和人力，成本高、速度慢，根本比不上語言模型靠爬網路文字就能積累的資料規模。人類影片的情況截然不同：幾十年的烹飪、手工、製造、組裝影片，本質上是龐大的物理操作示範庫，只是執行者是人手、不是機器手臂。

Dyna 的做法是先用超過 100 萬小時人類影片做預訓練，讓模型吸收物理世界的運動先驗，再做 human-to-robot transfer（人類到機器人的遷移）。他們宣稱在這個資料集上， scaling laws 跨越四個數量級：資料量從小到大增加時，模型能力的提升呈現可預測的規律曲線，而非隨機改善。這組數據目前是 Dyna 內部宣稱，尚無獨立驗證，解讀需保留。

預訓練策略的直覺說得通：若模型在預訓練階段已見過人類如何捏、推、折、轉各種物體，針對特定任務微調時就有物理互動的基礎，不用從零建立。這和語言模型的邏輯是對應的，大量文字訓練出語言結構的理解，再微調到特定領域。45 分鐘示範就能學會新任務，這個數字如果成立，就是遷移效率最直接的體現。不過這個數字同樣只有 Dyna 提供，任務難度範圍和泛化條件沒有詳細公開，不宜直接推算到新場景。

99.4% 是怎麼做到的，可靠性門檻為什麼才是真正的關鍵？

大部分機器人系統在受控環境下能跑出亮眼數據，但把時間拉長、環境條件變複雜，可靠性就開始下滑，這是業界老問題。鼎泰豐的條件設定不容易糊弄：24 小時連續作業、數千次重複、包含堆疊被推倒後的異常情況。Dyna 說 Taku 在失敗後能自行恢復、不需要人工介入，這個「自我恢復」能力對生產部署的意義，比成功率數據本身更大。每一次需要人工干預的失敗，在實際餐廳環境裡都是真實的運營成本：暫停服務、找員工過來處理、恢復作業，這些全部累積在帳上。

Dyna 實現小時級自主的方式是用「agentic harness」（代理框架），把整個工作流拆成可靠執行的長序列，而不是讓模型在單步預測上逼精度。這個思路和語言模型領域的 agentic workflow 有直接的結構呼應：先把任務拆解，再讓每個子任務有合理的錯誤恢復機制，整體可靠性才能撐過長時程。對工程師來說，Dyna 賣的不只是一個精準的感知模型，更是把任務規劃與異常處理包進去的完整部署架構。這個架構設計決定了系統能不能在真實客戶環境裡持續工作，而不是只在 demo 的那幾分鐘內表現良好。

自建硬體的理由，以及靈巧手還缺什麼？

常見問題是：為什麼不直接用現成人形機器人？Jason Ma 的說法是，現成人形機器人的硬體以通用性為目標，沒有針對特定任務的精度和可靠性優化。Dyna 自建了 Taku，在感測器配置和末端執行器設計上做針對性取捨，換取任務層面的機械設計主控權。代價是硬體研發週期更長、資本投入更高。這個策略背後隱含一個判斷：在特定任務部署上，客製硬體帶來的可靠性提升，超過使用通用人形平台的靈活性。能不能在多個不同任務上複製鼎泰豐的結果，才是驗證這個判斷的試金石。

但自建硬體解決不了靈巧手的根本問題。人手能處理布料、抓取不規則形狀、在接觸點感受細微壓力變化，現有機器手在這些能力上仍有明顯差距。折餐巾需要即時感知布料張力和摺疊角度，這類資訊在現有感測器配置下很難完整擷取。Jason Ma 把「缺失的感官資料」列為主要瓶頸之一，意思是：即使模型的學習能力夠強，輸入的感測器資料若本來就不完整，上限就到那裡。感知缺口直接限制了模型能從示範資料中學到多精細的操作。

Dyna 指向的解法方向是合成環境（synthetic environments）與模型自生成的訓練資料：讓模型在模擬器裡大量自動生成操作場景，再用來補充真實資料的不足。這個思路在語言模型領域用 synthetic data 提升推理能力已有先例。但物理模擬有一個語言模擬沒有的問題：模擬器的仿真度（fidelity）直接影響遷移效果，也就是說模擬器和真實物理世界差多少，模型從模擬中學到的技能就會差多少。sim-to-real gap 能縮到多小，是 Dyna 下一階段需要公開驗證的問題，也是外部觀察者判斷這條路線能走多遠的重要指標。

物理 AI 從「驗證概念」走向「落地生產」的轉折點上，Dyna-2.1 在鼎泰豐的部署提供了可參照的實戰範本。工程師與創業者現在該問的，其實是「哪些操作任務的可靠性已經過關、能直接上線」，以及靈巧手與感應器補齊後，什麼時間點能解鎖先前做不到的新場景。

常見問題

Dyna-2 和 VLA 的根本差異是什麼？
VLA 以大型語言模型為核心，動作是語言推理的輸出；Dyna-2 的核心任務是預測物理世界接下來的影片幀，動作和影片預測共享同一個模型表徵。兩者都使用視覺輸入，但學習目標不同，Dyna-2 對物理動態有更直接的建模方式。

45 分鐘學會新任務，這個數字有多可信？
這是 Dyna 對外宣稱的數字，前提是模型有超過 100 萬小時人類影片的預訓練基礎。目前沒有獨立第三方驗證，任務難度範圍和泛化條件也沒有詳細公開，應視為 Dyna 的內部宣稱而非普遍結論，不宜直接換算到其他任務場景。

Dyna 為什麼不用現成人形機器人？
Jason Ma 的說法是，通用人形平台沒有針對特定任務的精度優化，在感測器配置和末端執行器設計上的限制會影響可靠性。Dyna 自建 Taku 是為了取得針對任務需求的設計主控權，代價是更長的硬體研發週期與資本投入。