Dyna-2的百万小时视频路线：具身Scaling Law，还是一场昂贵的假说？- 大数跨境

首页

Dyna-2的百万小时视频路线：具身Scaling Law，还是一场昂贵的假说？

机器人产业应用

2026-10-02

导读：未来机器人还需要多少真实的自我试错？

作者：韩亦鸣

2026年8月，硅谷具身智能初创Dyna Robotics（达纳灵动）发布新一代基座模型Dyna‑2，在行业投下一枚重磅技术炸弹。该模型完成超过100万小时人类第一视角（egocentric）视频预训练，折算相当于170年人类连续清醒操作经验；一个关键设定是：预训练阶段完全不输入任何机器人真机动作轨迹数据，只在各个任务后训练阶段，投入不超过10小时的机器人真机数据做对齐微调。

根据企业公开披露，Dyna‑2得出两大核心论断：第一，观测到横跨1000小时到100万小时、四个数量级区间的性能缩放（scaling）现象，各项评测指标随人类视频数据量单调提升；第二，同一预训练权重checkpoint，可以零样本迁移到从未见过的双臂硬件，完成39项操作任务。

高精度制造任务成功率由Dyna‑1的20%提升至80‑90%；陌生客户真实现场通过率达到87%，前代仅有46%；锁箱钥匙转动这类高难度任务，在百万小时数据量级下，任务成功率从0%跃升至90%。

这套成果被不少行业观察者解读为具身版LLM缩放定律。长久以来，具身智能最大枷锁在于真机遥操作数据：数据质量高，但采集成本昂贵、扩产速度慢，很难复刻大语言模型的海量数据规模。

Dyna‑2试图回答一个尖锐问题：我们能不能不去海量采集机器人自己干活的数据，转而利用普通人头戴摄像头产生的海量人类操作视频，完成模型预训练，再用极少量真机数据完成本体适配？

但一个无法回避的客观事实是：上述全部benchmark、性能指标、scaling现象，全部来自Dyna内部自设任务、自测硬件、自行打分，至今没有第三方机构在独立硬件、独立任务集上完成复现。海外行业媒体AI Insiders直接给出定性：这是一份重要的hypothesis（待验证假设），而不是settled formula（已成定论的行业公式）。

由此引出全文核心追问：百万小时人类第一视角视频，究竟是打开了具身数据全新矿藏，还仅仅是实验室条件下的美好假说？如果“观察视频预训练+少量真机后训练”路线成立，会怎样改写整个具身行业的数据竞争逻辑？同时VLA向WAM世界‑动作模型的架构切换，又将把具身基座路线之争引向何方。

两种数据资产对撞：真机遥操作工厂 VS 人类第一视角观察

具身智能赛道已经分化出两套完全不同的数据资产建设范式，二者数据来源、成本结构、能力边界、适配场景截然不同。

传统范式以智元AgiBot World、Physical Intelligence π系列为代表，属于真机遥操作示范数据工厂。整套数据的核心是成对样本：机器人本体执行任务，同步记录视觉画面+机器人关节电机动作。

数据的优势是本体动力学完全匹配机器人，力控、精密装配任务表现扎实；短板同样突出：每一小时有效数据，都要消耗真机硬件、操作员人力、场景场地，采集成本居高不下，数据扩张速度受限于机器人台数与遥操作团队规模，很难做到百万小时量级的快速积累。

而Dyna‑2代表的是第二条范式：人类egocentric第一视角观察视频。数据集全部来自人类头戴式摄像头录制的烹饪、折叠衣物、组装、清洁等日常操作。它只有人类视角的视觉流画面，完全不附带机器人本体的关节动作标签。

整套逻辑链条是：用海量人类操作视频，让模型学习物理世界交互常识、物体运动推演逻辑；之后再投入少量机器人真机数据做后训练，完成“人类世界认知”向机器人本体动作空间的对齐映射。

MCAP 共享块读取模式与主题分组分块读取模式对比示意图

这里需要厘清：Dyna‑2的成果边界在哪里——它确认了什么，又尚未确认什么。它在企业内部实验条件下观测到：海量人类第一视角视频可以作为有效的预训练底座，配合极少量真机后训练，能够实现跨双臂本体迁移，任务指标随视频规模出现单调提升。

但它并未证明三件事：第一，该缩放假说可以无限制外推到任意机器人硬件；第二，人类观察视频可以完全替代真机遥操作数据；第三，这套缩放效应可以直接复用到重载、高精密力控的工业级任务。

如果未来这条路线经过外部复现得到确认，整个行业的数据壁垒定义会发生潜移默化的改变。当下很多团队比拼的指标，是“我拥有多少小时真机遥操作数据”；而新范式下竞争会变成三块：高质量人类观察视频库、强大的跨本体迁移算法、支撑百万级数据训练的整套工程基建。

但这不代表重金建设遥操作数据工厂的团队会被彻底淘汰。更大概率是数据组合逻辑重构：人类视频承担大规模预训练底座，真机遥操作数据收缩，专门用来做本体对齐、闭环微调、高力控任务专项训练，二者形成互补而不是简单替代。

美丽数字背后的边界：一条scaling假说，还差哪些外部验证

Dyna‑2给出的各项亮眼指标，引发行业热烈讨论，但“自设、自测、自评”的评测模式，是悬在这份成果之上最大的问号。全部测试任务、机器人硬件、打分评判标准均由Dyna内部定义、内部运行。在这样的条件下，即便观察到“随数据规模上涨的scaling现象”，它也只能称之为实验室内部观测到的假说，不能直接升格为全行业通用规律。

一条假说想要真正升级成为行业公认的具身scaling law，至少要跨过三道外部验证门槛：第一，第三方独立机构，使用Dyna从未接触过的全新机器人硬件，完成复现；第二，采用一套完全由第三方设计、Dyna没有参与优化的独立任务集合开展测试；第三，完整做控制变量消融实验：区分性能提升来自视频数据规模扩大，还是来自模型参数量提升、后训练真机数据增加等混淆变量。

数据生命周期流程图

现实中自设benchmark天然自带三类风险：任务集合偏向适配自家模型擅长的能力；主观评判打分带来偏差；变量没有严格隔离，把多因素共同带来的增益全部归给视频数据规模。这也是AI Insiders专门提示的风险点。

“视频免费”是误区：百万小时规模，成本转移到工程基建

很多人会形成一个直观印象：互联网到处都有人类操作视频，第一视角数据唾手可得，是不是意味着具身训练数据从此“免费”？ Dyna官方技术博客《Training Dyna‑2 at million‑hour scale, repeatably》明确提出一句警示：十万小时可以跑通的系统，放大到一百万小时，几乎所有组件都会失效。

视频采集环节成本的确低廉，但百万小时量级下，真正的成本已经从“采集人力与真机硬件”，大规模转移到数据清洗策展、存储IO、分布式训练调度、容错整套工程基础设施。

为支撑百万小时视频的可重复训练，Dyna几乎整套重写流水线：摄取吞吐能力，每周episode‑hours从1.4万提升到44万，吞吐实现31倍增长；存储层面切换MCAP+H.264混合压缩方案，整体存储开销节省约68%； IO层在GPU节点部署本地NVMe缓存，单节点读取带宽达到约2GB/s；通过热启动、作业容错调度优化，把多节点GPU利用率拉高至98%；配套完整的视频过滤、样本策展、时间对齐、训练清单生成全链路工具链。

这就引出一个关键判断：百万小时可稳定复现的整套训练基建，本身的护城河，甚至高于数据集本身。普通实验室可以公开渠道下载海量人类视频，但很难复刻一整套高吞吐、高GPU利用率、高容错的大规模训练流水线。

同时Dyna还拥有第二条外部数据飞轮：面向洗衣厂、酒店、餐厅服务业部署双臂机器人，RaaS商业化落地的同时，持续回流真实世界现场操作数据，形成“部署越多，回流真实数据越多，模型迭代越强”的正向循环。但监管的闸门正在落下。

2026年8月11日，美国加州圣马特奥县（San Mateo County）监事会一致通过监事Ray Mueller提出的决议，指示县域法务起草全美首份商业人形机器人许可条例；9月15日，县监事会又以4比0通过配套许可制度，待最终采纳后30天生效。

条例草案明确四项核心要求：机器人须“由一名受过训练的现场人员在全部时间内监督”；须配备急停开关、通过制造商安全记录审核；企业须提交经济影响评估，并为被替代员工提供同薪转岗、遣散或缴纳自动化影响费；针对锂离子电池热失控风险，企业须缴纳费用支持消防专业设备与培训。

其中“全程现场监督”一条，对以“机器人替代人力”为底层逻辑的RaaS商业模式冲击最大——省下的劳动力成本，又以现场监督人员的形式还了回去，部署成本被显著抬高，这个商业模式的经济性可能因此受到影响。

当然也要看到边界：无论人类第一视角视频规模扩张到多大，人类动力学与机器人本体之间的鸿沟客观存在，本体对齐环节，依旧离不开真实机器人真机后训练数据，这部分成本无法被视频彻底消灭。

企业战略选择：避开人形红海，团队资本与VLA/WAM技术路线抉择

Dyna Robotics（达纳灵动）由三位华人核心算法人员、拥有3.5亿美金项目退出记录的商业合伙人、顶尖具身科学家联合组建，投资方名单以英伟达、亚马逊、三星、LG等产业资本为主，并非纯财务VC。

资本选择背后，和黄仁勋提出的“Physical AI物理AI”叙事高度契合：产业资本更看重模型能够落地服务业硬件生态，追求技术可以转化为真实商业部署，而不只是追求学术论文指标。

在产品战略上，Dyna做出一个很有差异化的取舍：刻意暂时避开竞争白热化的人形机器人赛道，优先发力服务业固定基座双臂机器人，落地餐巾折叠、衣物整理、洗衣厂、酒店餐饮等场景。

背后商业逻辑十分清晰：人形本体自由度繁多，不同厂商硬件差异巨大，跨本体迁移难度呈指数级上升；固定双臂本体硬件相对标准化，更容易跑通RaaS（机器人即服务）商业模式。

RaaS模式拥有双重价值：一方面产生业务收入，实现商业闭环；另一方面，真实客户现场源源不断回流现实世界数据，反哺模型迭代，构建业务‑数据的外部飞轮。当然这条路线也存在局限：如果未来公司拓展人形本体，跨本体迁移难度将会显著抬升。

在模型架构层面，Dyna完成了一次关键迭代：从Dyna‑1的VLA（视觉‑语言‑动作），升级到Dyna‑2的WAM世界‑动作模型（World‑Action Model）。

· VLA反应式路线：输入画面+语言指令，直接输出下一步机器人动作，擅长语义理解、任务接地，Physical Intelligence π系列、英伟达GR00T、Google Gemini Robotics均主要采用VLA作为基础骨架。

· WAM预测式路线：建立统一表征空间，动手之前先在模型内部想象推演世界的未来状态，同时预测未来视觉画面与机器人电机动作，强化物理世界推演能力。

但行业普遍观点认为，VLA与WAM并不是非黑即白的对抗关系。VLA强在指令理解、任务落地；WAM强在物理推演、未来状态想象，中长期两条路线更大概率走向融合，部分团队已经采用“VLA负责高层指令，WAM负责底层物理推演”的混合架构。Dyna‑2，算是世界动作模型（WAM）方向上一份分量很重的工程实践样本。

产业启示：不是路线取代路线，混合多源数据时代正在到来

Dyna‑2抛出的百万小时scaling假说，带给行业最大启发，并不是“人类视频可以彻底干掉真机遥操作数据”。而是打开了一条新思路：机器人学习物理世界常识，未必全部依靠机器人在现实世界一遍一遍试错撞出来；海量人类日常交互的第一视角视频，可以作为强大的预训练底座。

同时我们也要清醒看到多重现实约束：第一，这套缩放效应目前仅来自企业内部实验，还需要第三方硬件、独立任务集完成复现检验；第二，人类视频学到的物理常识，向重载、高力控精密装配任务迁移效果，目前依旧是巨大未知；第三，即便预训练底座依靠人类视频，本体对齐、闭环优化依旧无法绕开真机数据；第四，RaaS部署的数据飞轮，高度依赖商业落地规模，如果业务拓展不及预期，外部数据循环就会减弱。

放眼国内赛道，智元等团队同时推进多条数据路线：真机遥操作数据工厂、egocentric第一视角视频、仿真数据同步建设。越来越多从业者形成共识：未来具身基座，更可能是真机示范数据 + 人类第一视角观察视频 + 仿真生成数据三者融合的混合数据范式，不会出现单一路线通吃全部场景的局面。

结语

Dyna‑2所代表的百万小时人类第一视角视频预训练探索，是2026年具身智能领域最具备冲击力的一次工程试探。它向全行业抛出一个极具思辨价值的命题：如果机器人可以通过“观看亿万人类操作视频”学习物理世界，那未来机器人到底还需要多少真实的自我试错？

但我们依旧需要保持审慎：这份成果目前只能看作一个含金量很高的待验证假说，距离成为全行业公认的scaling定律，还需要跨过第三方硬件、独立任务集的复现大考。

具身智能赛道不会出现某一条数据范式一统天下的结局。未来的竞争，不在于“只用哪一类数据”，而在于谁能够高效融合多源数据，并且真正解决“人类观察认知”映射到机器人本体动作的本体鸿沟。无论是真机遥操作、人类egocentric视频，还是仿真合成数据，都将是构建通用具身模型的重要拼图。

连界创新

推荐阅读

产业应用场景

·出海！中国具身智能企业在全球市场大“杀”四方！

·比人形更快进入家庭？具身智能宠物机器人迎爆发！

·文娱巨星！人形机器人“表演大乱斗”，谁赢了？

·商业导览成具身智能商业化破局点？

·巡检机器人之困，场景刚需，但这一问题亟待解决

机器人本体企业

·仿生机器人=伴侣机器人？一文为仿生机器人正名！

·乐聚Taskor，为人形机器人规模化进厂按下“快进键”

·具身智能争霸赛打响！四大核心区都有哪些“扛把子”？

·CES 2026｜星动纪元携人形机器人家族亮相

·智元CES放大招！开源Genie Sim 3.0强的可怕！

供应链动态

·零部件企业跨界突围！这些企业上大分！

·夺取物理世界的入场券：具身智能操作系统拆解

·人形机器人关节生死局：执行器路线之争与技术博弈

·灵巧手赛道“激战”，新老玩家各执什么王牌？

·开源数据集图鉴！这份具身智能“军火库”请查收

【声明】内容源于网络

机器人产业应用

由连界创新具身智能中心发起，以场景应用为导向，专注具身领域科技与产业的链接。我们将围绕投资+服务双轮驱动，为科技增长赋能。业务涵盖垂直行业峰会/沙龙、私董会、标杆走访，具身智能行业研究报告与咨询，产业生态系统搭建等。

内容 579

粉丝 0

机器人产业应用由连界创新具身智能中心发起，以场景应用为导向，专注具身领域科技与产业的链接。我们将围绕投资+服务双轮驱动，为科技增长赋能。业务涵盖垂直行业峰会/沙龙、私董会、标杆走访，具身智能行业研究报告与咨询，产业生态系统搭建等。

总阅读5.8k

粉丝0

内容579