Roboty sa začínajú učiť bez toho, aby ich človek viedol za ruku. Dyna-2 môže výrazne urýchliť ich osamostatnenie

Roboty sa môžu naučiť manipulovať s predmetmi bez toho, aby im človek musel ručne naprogramovať každý jeden pohyb. Dyna Robotics teraz predstavila model Dyna-2, ktorý chce tento proces posunúť ešte ďalej. Namiesto toho, aby mu vývojári poskytli obrovské množstvo záznamov priamo z robotov, využili viac než milión hodín videí ľudí pri každodenných činnostiach.

Výskumníci tvrdia, že práve takéto videá môžu obsahovať obrovské množstvo informácií potrebných na učenie robotov. Človek na nich varí, upratuje, skladá oblečenie, manipuluje s predmetmi alebo vykonáva rôzne manuálne úlohy. Dyna-2 sa z týchto záznamov učí, ako sa mení prostredie, ako predmety reagujú na dotyk a akým spôsobom človek používa ruky pri manipulácii.

Odoberaj Vosveteit.sk cez Telegram a prihlás sa k odberu správ

Viac než milión hodín ľudského života

Dyna-2 patrí medzi takzvané world-action models, teda modely, ktoré nespracúvajú iba text alebo obrázky, ale snažia sa pochopiť svet a následne predpovedať ďalšie akcie. Firma model natrénovala na viac než jednom milióne hodín videí z pohľadu človeka. Pre predstavu, ide približne o 170 rokov nepretržitého bdelého života.

Väčšina záznamov zachytáva manipuláciu s predmetmi z perspektívy človeka. Vo videách sa objavujú činnosti ako varenie, upratovanie, skladanie oblečenia, montovanie alebo ďalšie bežné úlohy. Výskumníci zároveň dáta čistili, kontrolovali a získavali z nich informácie o polohe ľudských rúk.

Ak má robot jedného dňa zvládnuť široké spektrum úloh, potreboval by obrovské množstvo príkladov. Získanie miliónov hodín kvalitných robotických záznamov by však predstavovalo náročnú a drahú úlohu. Ľudia už pritom podobné činnosti vykonali nespočetnekrát a veľká časť ich správania sa dá zachytiť videom.

Neprehliadni

VIDEO: Takýto zápas neuvidíš ani v Mortal Kombat. Robot odkopol súperovi hlavu, ten bojoval ďalej

Dyna Robotics preto stavila na myšlienku, že video môže predstavovať nový spôsob, ako škálovať učenie robotov.

„Správnym zdrojom dát pre predtréning by preto mali byť videá ľudí vykonávajúcich práve tie úlohy, ktoré dnes robia ľudia,“ uvádzajú výskumníci.

Dyna-2 nemusí tieto videá vidieť ako človek

Dyna-2 nefunguje ako obyčajný prehrávač videa. Model dostáva obrazové dáta, informácie o pohybe a ďalšie vstupy, ktoré spracuje pomocou špeciálnej architektúry.

Výskumníci vytvorili model, ktorý dokáže spoločne pracovať s budúcim videom a budúcimi akciami. Jednoducho povedané, nejde iba o otázku „čo vidím?“, ale aj „čo sa stane ďalej a aký pohyb by mal nasledovať?“.

Super excited to share Dyna-2, the first robot foundation model trained on over 1 million hours of human data. At this scale, we saw the emergence of a cross-embodiment transfer scaling law: training on increasing amount of human data not only improves model prediction on… pic.twitter.com/ZroqHr1rW8

— Jason Ma (@JasonMa2020) August 10, 2026

Model preto môže napríklad dostať informáciu, že má zdvihnúť konkrétny predmet, a následne vypočítať vhodnú postupnosť pohybov. Dôležitá je pritom schopnosť modelu vytvoriť si určitú predstavu o tom, ako sa svet zmení po vykonaní akcie. Ak robot uchopí fľašu, jej poloha sa zmení. Ak otvorí zásuvku, zmení sa dostupnosť predmetov v nej. V prípade zdvihnutia kusu oblečenia, sa jeho tvar môže úplne zmeniť. Práve takéto vzťahy medzi pohybom a následkom chce Dyna-2 zachytiť.

Najzaujímavejšie je prenesenie znalostí na roboty

Výskumníci potom urobili experiment, ktorý môže byť ešte dôležitejší než samotný počet hodín videa. Dyna-2 dostal počas predtréningu iba ľudské dáta, robotické záznamy do tejto časti učenia nezahrnuli. Následne model otestovali na robotických úlohách, ktoré počas predtréningu vôbec nevidel.

Výsledky podľa Dyna Robotics ukázali, že väčšie množstvo ľudských dát viedlo k lepším výsledkom aj pri robotických dátach, ktoré model predtým nepoznal. Firma tento jav označuje ako human-to-robot transfer scaling law, teda pravidlo škálovania prenosu znalostí z človeka na robota.

Test obsahoval 39 úloh na dvoch rôznych robotických platformách. Roboty museli zvládnuť napríklad manipuláciu s látkami, viazanie uzlov, balenie, čistenie, prípravu jedla či montáž. Výskumníci pritom sledovali modely natrénované na rôznom množstve ľudských dát, od 1 000 až po 1 milión hodín. Výkon pri robotických testoch následne rástol spolu s množstvom použitých ľudských dát.

To je podstatné, pretože medzi človekom a robotom existuje veľký rozdiel. Človek má päťprstové ruky, iný rozsah pohybu a úplne inú stavbu tela. Robot môže mať dve ramená, robotické chápadlá alebo úplne odlišnú konštrukciu. Dyna-2 však podľa výsledkov dokáže časť znalostí preniesť aj cez tento rozdiel.

Na naučenie niektorých úloh stačili minúty

Výskumníci uvádzajú, že v jednom experimente stačilo iba 10 minút teleoperačných dát na doladenie Dyna-2 pre úlohu otvorenia uzáveru fľaše pomocou dvoch robotických päťprstových rúk. Teleoperácia znamená, že človek robot ovláda na diaľku a robot zaznamenáva jeho pohyby. Takéto dáta potom môžu poslúžiť na ďalšie učenie. Ak model už predtým získal široké znalosti z ľudských videí, nemusí podľa tejto predstavy dostať stovky hodín nových robotických ukážok. Niekoľko hodín alebo pri konkrétnej úlohe dokonca iba krátky záznam môže stačiť na jeho prispôsobenie.

Výskumníci zároveň otestovali Dyna-2 na 14 rôznych úlohách po krátkom dodatočnom trénovaní. Roboty dostali úlohy ako presné uchopenie a presúvanie predmetov, viazanie lana, otáčanie kľúčom, naberanie jedla, manipuláciu s oblečením či vyzdvihnutie konkrétneho nápoja podľa textového pokynu.

Dyna-2 dokáže aj predpovedať video

Model však nemá iba ovládať robotické ruky. Dyna Robotics ukázala aj schopnosť generovať budúce video na základe zadania. Ak model dostane informáciu o požadovanej činnosti, dokáže vytvoriť predstavu o tom, ako by mohla ďalšia sekvencia vyzerať.

Firma zároveň vyvinula spôsob, ktorý výrazne zrýchlil samotné generovanie. Pri jednom teste skrátili čas potrebný na vytvorenie trojsekundového manipulačného videa z približne 10 sekúnd na približne 0,11 sekundy na jednom čipe H100. To predstavuje približne 93-násobné zrýchlenie. Takáto rýchlosť je pri robotike dôležitá. Robot totiž nemôže čakať dlhé sekundy na každý ďalší výpočet, ak má pracovať v reálnom čase.

Dyna-2 sa snaží spojiť viacero schopností do jedného systému. Model má spracovať obraz, pochopiť zadanie, predpovedať vývoj situácie a následne navrhnúť konkrétne pohyby.

Najväčšiu pozornosť však púta samotný spôsob učenia. Dyna Robotics tvrdí, že video predstavuje nový spôsob škálovania robotickej inteligencie. Čím viac relevantných ľudských skúseností model dostane, tým lepšie výsledky môže dosiahnuť aj pri úlohách, ktoré priamo počas predtréningu nevidel.

Výskum pritom neznamená, že roboty sa teraz automaticky naučia vykonávať akúkoľvek ľudskú prácu. Stále potrebujú vhodný hardvér, dodatočné trénovanie a testovanie v reálnom prostredí. Rozdiel medzi videom a skutočným svetom navyše zostáva významnou prekážkou.

Dyna-2 však naznačuje zaujímavú cestu: namiesto toho, aby robot získal všetky skúsenosti iba priamo zo svojich vlastných pohybov, môže veľkú časť základných znalostí získať sledovaním ľudí. A práve pri ďalšom zväčšovaní množstva takýchto dát môže byť zaujímavé sledovať, kam až sa tento prístup posunie.