Dyna Robotics ha publicado Dyna-2, un modelo de acción y mundo entrenado con más de un millón de horas de vídeo humano grabado en primera persona. En instalaciones reales de clientes pasa del 46% de tasa de aprobación de su modelo anterior al 87%, en las mismas condiciones.
Puntos clave
- Más de un millón de horas de vídeo egocéntrico, lo que la empresa calcula en unos 170 años de vigilia continua: cocinar, ordenar, doblar, montar.
- La supervisión sale de convertir el seguimiento de la pose 3D de las manos en pseudoacciones. No hay etiquetado manual de acciones.
- La ley de escala se mantiene de 1.000 a 1.000.000 de horas en las cuatro métricas medidas.
- En 39 tareas de robot evaluadas a cero disparos, sin ningún dato de robot en el preentrenamiento, el rendimiento mejora de forma predecible según crece el vídeo humano.
- En 14 pruebas de post-entrenamiento, el rendimiento medio normalizado va de 20% a 28%, 45% y 53% conforme se sube de escalón.
- Desenroscar un tapón de botella: con 10 minutos de datos de robot y preentrenamiento grande, entre 40% y 50% de acierto.
Por qué el vídeo humano cambia la cuenta
El problema de la robótica siempre ha sido el mismo: los datos. Enseñar a un robot a hacer algo requiere que un robot lo haga muchas veces, y eso cuesta tiempo, hardware y gente teleoperando.
Dyna le da la vuelta. Coge vídeo de personas haciendo cosas con las manos, grabado desde la cabeza, y saca la señal de acción del movimiento de las manos en 3D. El vídeo humano ya existe y se puede acumular a un ritmo que el dato de robot no alcanza.
Lo que hasta ahora nadie había demostrado limpiamente es que esa señal transfiera. El resultado que la empresa presenta como novedad es exactamente ese: una ley de escala de humano a robot. Metes más horas de humano y el robot mejora en tareas que nunca vio, sin datos de robot en el preentrenamiento.
El salto del 46% al 87% es el número que hay que mirar
Los benchmarks de laboratorio en robótica envejecen mal. La cifra que cuenta es la de instalaciones de cliente, en producción, con las mismas condiciones que el modelo anterior.
Dyna-1 aprobaba el 46% de las veces. Dyna-2 aprueba el 87%. Es la diferencia entre una demo que impresiona en vídeo y una máquina que puedes dejar sola un turno.
El dato del tapón de botella apunta a lo mismo desde el otro lado. Diez minutos de datos de robot para una tarea nueva es una tarde de trabajo, no un proyecto. Si el preentrenamiento es lo bastante grande, la especialización sale barata.
Cómo está montado
Es un modelo de mundo y acción con mezcla de transformers y emparejamiento de flujo. Durante el entrenamiento predice vídeo y acción a la vez. En despliegue actúa de forma reactiva, sin generar el vídeo.
Esa doble cabeza es lo que le permite aprender de vídeo sin acciones etiquetadas: el modelo tiene que entender qué va a pasar en la escena, y de ahí sale una representación que sirve para decidir qué hacer.
Por qué importa
La robótica lleva una década siendo la promesa que no llega a la nave de nadie que no sea Amazon. Lo que cambia aquí es el coste de enseñar una tarea nueva.
Si adaptar un robot a un proceso concreto baja de meses de integración a minutos de demostración, el cálculo cambia para cualquier empresa con almacén, taller o línea de montaje. Deja de ser una inversión de capital con retorno a cinco años y se parece más a contratar.
Todavía no está ahí. Un 87% de aprobación significa que una de cada ocho veces alguien tiene que ir a mirar. Pero la pendiente de las cuatro métricas es la que da la pista de cuándo estará: si la ley de escala se sostiene por encima del millón de horas, el siguiente salto ya está comprado.
Relacionado
