DYNA Robotics의 새 로봇 모델 Dyna-2는 WAM(World Action Model, 미래 영상을 상상하며 행동을 뽑는 로봇 모델)이다. 사람 1인칭 영상 100만 시간(사람으로 환산하면 170년)만 사전학습하고 로봇 데이터는 한 번도 학습하지 않은 채 로봇 태스크를 제로샷으로 통과시켰다는 스케일링 법칙(scaling law, 데이터를 늘릴 때 성능이 어떻게 좋아지는지의 규칙성)을 내세운다. 진행자들은 이 「170년」이 같은 채널이 다룬 Rhoda AI의 「웹 비디오 300년」과 다른 것을 센 숫자라는 점부터 짚는다.

핵심 포인트

• 사람 손목을 6DOF(6 Degrees of Freedom, XYZ 위치와 요·피치·롤 회전을 더한 여섯 자유도) 그리퍼로 좌표화한다. 1인칭 영상에서 손목 위치와 엄지·검지 사이 거리를 뽑아 좌표와 쥠 여부로 바꾼다. 머리 카메라가 흔들려도 손목 좌표가 유지되도록 중력 방향까지 따로 보정한다.
• 로봇 데이터를 한 번도 안 보고도 제로샷이 됐다. 사람 데이터 검증 → 로봇 제로샷 평가 → 로봇 파인튜닝 순으로 검증했고, 로봇 학습 없이도 제로샷 오프라인 평가가 됐다는 것이 이 편의 핵심 주장이다.

• 파인튜닝 성공률이 20%에서 53%로 올랐다. 사람 데이터 스케일을 늘릴수록 실제 로봇 파인튜닝 성공률이 20%, 28%, 45%, 53%로 올랐다. 진행자들은 53%가 아직 배포 가능한 수준은 아니라고 선을 긋는다.
• 액션만 쓰면 오히려 나빠진다. 로봇 데이터의 액션만 학습하면 데이터가 늘어도 성능이 떨어지는 구간이 있었고, 로봇 비디오까지 예측(조인트)해도 별 차이가 없었다. 사람 영상을 코트레이닝해야 가장 좋았다.
• 170년과 300년은 같은 자가 아니다. Dyna-2의 100만 시간은 과제를 하는 사람 1인칭 영상을 벤더가 직접 촬영해 손목 좌표까지 뽑아낸 데이터다. 같은 채널이 다룬 Rhoda AI의 웹 비디오 300년치는 로봇 손이 나오지 않는 일반 인터넷 영상이다. 진행자들도 「170년」의 다음 자릿수(1700년)를 "1700명이 1년 동안 일하는 데이터"라며 스스로 깎아내린다.
• 인퍼런스 지연 시간은 공개하지 않았다. 원스텝 디스틸레이션(디노이징을 여러 단계 거치지 않고 한 번에 영상을 만드는 방식)으로 영상 생성을 90~300ms까지 줄였다고 주장하지만, Dyna-2 자체의 전체 지연 시간(액션이 나오기까지)은 공개하지 않았다.
• DYNA-1(VLA)을 이긴 수치도 초기 버전 기준이다. 100만 시간 코퍼스가 모이기 전 초기 WAM이 DYNA-1 VLA(Vision-Language-Action, 시각·언어·행동 통합 모델)를 1.5배, 코트레이닝 버전이 1.12배 앞섰다는 수치로, 완전히 동일한 조건 비교는 아니다.
• 실제 고객 현장에서는 품질·속도·신뢰성으로 갈렸다. 사내에서는 DYNA-1 VLA도 태스크 완료율이 높았지만, 고객이 요구하는 품질·처리 속도·신뢰성에서는 Dyna-2(WAM)가 나았다고 회사는 밝힌다.

주요 숫자

1700년 별거 아니잖아요. 1700명이 1년 동안 일하는 데이터잖아요.