[Latent Space] Dyna-2：能自主干一小时的通用物理智能体

🦾 机器人的问题，从来不是「下一步手该往哪动」。

Dyna Robotics 首席科学家 Jason Ma（前 DeepMind、前 NVIDIA，Eureka 论文作者）扔出一个数字：一百万小时人类第一视角视频，预训练一个机器人基座；然后机器人连着干一小时的活——不是一分钟的 demo。

「机器人只是世界的一部分。所以最彻底的做法，是把你能预测的世界尽可能全部预测掉，而不是只预测机器人自己那部分。」

这是一个近乎形而上的立场切换。不预测动作，预测未来：模型先想象接下来几秒世界会变成什么样，再从这团想象里长出动作。Jason 管它叫 world action model——相当于思维链，只是推理不发生在语言里，发生在视觉和物理里。人本来就是这么行动的，只是我们从不自知。

🧊 而苦涩教训在机器人身上有个残酷的变体：机器人没有互联网。「这就像你想造一个互联网，手上只有 Reddit。」人类数据给你世界如何运转的上层认知，机器人数据给你反射级的灵巧度，两者缺一不可。更要紧的是——今天的数据几乎全是视觉的。我们听得到、摸得到，并下意识地用这些完成每一次操作。如果这些维度今天没人在采，那么 scale 到几百万小时，有些任务你可能永远解不掉。

🔧 于是硬件回到故事中央：自研作动器（因为它决定你能否把自己建模清楚）、照真人比例量出的身体、一个从「拉伤肌肉那几天」里想出来的前倾自由度。Jason 说硬件有多难，是被严重低估的。

🥟 最后，这一切落在 鼎泰丰 的餐巾上——美国多家门店，每天几千张，第二道折痕要压在筷子口袋下面几厘米。不是试点，是客户自己验证过价值后愿意铺开的规模。

一个敢说自己可能错的人最动人：「如果明天有人做出视觉加触觉的世界模型，数据效率高一百倍，那我就错了。」

一百万小时，只是开始。

原文链接：www.latent.space

发布时间：2026-10-13