# Dyna-2：100万時間の人間動画で学ぶワールドアクションモデルと、1時間自律で動く汎用ロボット — Jason Ma（Dyna Robotics）

- 番組: [Latent Space: The AI Engineer Podcast](https://ai-curator.jp/podcasts/shows/cmv3z5bz700015o10zwiyz4qc)（Latent.Space）
- 元のタイトル: Dyna-2: General Purpose Physical Agents with Hour-Long Autonomy — Jason Ma, Dyna Robotics
- 配信日: 2026年10月14日
- 長さ: 1時間11分
- 要約作成日: 2026年10月14日
- トピック: [#ワールドアクションモデル](https://ai-curator.jp/topics/%E3%83%AF%E3%83%BC%E3%83%AB%E3%83%89%E3%82%A2%E3%82%AF%E3%82%B7%E3%83%A7%E3%83%B3%E3%83%A2%E3%83%87%E3%83%AB) [#ロボティクス](https://ai-curator.jp/topics/%E3%83%AD%E3%83%9C%E3%83%86%E3%82%A3%E3%82%AF%E3%82%B9) [#拡散モデル](https://ai-curator.jp/topics/%E6%8B%A1%E6%95%A3%E3%83%A2%E3%83%87%E3%83%AB) [#Flow Matching](https://ai-curator.jp/topics/Flow%20Matching) [#合成データ](https://ai-curator.jp/topics/%E5%90%88%E6%88%90%E3%83%87%E3%83%BC%E3%82%BF) [#VLA](https://ai-curator.jp/topics/VLA) [#エージェント](https://ai-curator.jp/topics/%E3%82%A8%E3%83%BC%E3%82%B8%E3%82%A7%E3%83%B3%E3%83%88)
- URL: https://ai-curator.jp/podcasts/cmv7aupqx00006y0zgxr8vnm4

## 要約

Dyna Robotics 共同創業者でチーフサイエンティストの Jason Ma が、100万時間超の人間動画で学習したワールドアクションモデル「Dyna-2」の仕組みを語った。未来の映像と行動を同時に予測する設計、少量のデモで新タスクを覚える方法、データ不足という課題、自社ハードウェアを作る理由を説明。Din Tai Fung でのナプキン折りなど実運用の事例や、エージェント的ハーネスによる長時間作業、VLA との違いも議論された。

## ポイント

- Dyna-2 は映像と関節角度、言語指示を入力に、未来の映像を予測しつつロボットの行動を出力するワールドアクションモデルで、拡散トランスフォーマーを基盤とする。
- ロボットにはインターネットに相当するデータがなく、人間の一人称視点データで事前学習し、少量のロボット自身のデータで適応させる方針をとる。新タスクは数十分〜数時間のデータで学習できると述べている。
- 推論遅延が許されないためオンデバイスで動かす必要があり、大きなモデルを学習してから蒸留する考え方を示した。推論スタックも自社で構築している。
- ハードウェアは自社設計の車輪付き「セミヒューマノイド」。人間の体型に合わせ、人間データからの転移を狙う。一方、ロボットハンドの過熱や触覚などのセンサー不足が大きな制約だという。
- Din Tai Fung では1日に数千枚のナプキンを折り、複数店舗に展開している。Jason はこれを、パイロットで終わらない本格導入の例として挙げた。
- エージェント的ハーネスで階層的に判断を行い、洗濯ワークフロー全体のような1時間規模の自律作業を実現している。
- VLA（視覚言語行動モデル）に対し、人間の偏りを避けて生の映像を予測すべきだと主張。ただし触覚など視覚以外のモダリティが有効なら自分たちが誤る可能性にも言及した。

## 章立て

- [00:00] **ワールドアクションモデルとは** — Dyna-2 の入力・出力と、未来の映像予測で行動を導く発想を説明する。
- [03:03] **拡散トランスフォーマーと汎用モデル** — 拡散と Flow Matching の役割、汎用の基盤モデルを少量のデモで微調整するアプローチを語る。
- [08:08] **データ不足と合成データ** — ロボットにインターネットがない問題、人間データとロボットデータの組み合わせ、シミュレーションと自己生成データの可能性を議論する。
- [16:33] **オンデバイス推論と自社ハードウェア** — 低遅延の必要性、蒸留、推論スタック、アクチュエータやサプライチェーン、車輪式セミヒューマノイドの設計を説明する。
- [29:03] **評価・タスク学習とボトルネック** — 新タスクの学習と評価の流れ、1時間規模のタスク、ハンドの過熱やセンサー不足といった制約を述べる。
- [36:13] **顧客事例とロボティクスのBitter Lesson** — Best Western や Din Tai Fung での導入と、特化型ではなく汎用モデルをスケールさせる考え方を語る。
- [46:33] **エージェントハーネスと VLA との違い** — 長時間作業のための階層的な仕組み、コーディングエージェントの活用、ワールドアクションモデルと VLA の比較を行う。
- [59:54] **経歴・組織文化・ビジョン** — AlphaGo から Eureka、創業までの経緯、製品志向の文化、社名の由来、数百〜数百万台への展望を語る。

## 解説記事

Latent Space の収録で、Dyna Robotics 共同創業者でチーフサイエンティストの Jason Ma が、同社の最新モデル「Dyna-2」と、実運用を重視するロボット開発の考え方を語った。100万時間超の人間動画で学習したワールドアクションモデルが中心の話題で、データ、ハードウェア、実導入まで幅広く議論されている。

#### 未来を予測して行動するワールドアクションモデル

Dyna-2 は、未来の映像（世界の状態）を予測しつつ、ロボットが実行する行動も出力するモデルだ。入力は過去数秒の映像、関節角度、言語指示である。Jason は、人間が行動の結果として世界がどう変化するかを頭の中で想像していることになぞらえ、視覚・物理の空間で推論してから行動を出す設計だと説明した。これにより、動きが器用で頑健になり、未知の環境にも一般化しやすくなると述べている。

基盤は拡散トランスフォーマーである。拡散モデルはノイズから精緻な出力を段階的に作る手法で、画像の鮮明さと同様に、ロボットの行動にも滑らかさと精密さが求められるという。Flow Matching は拡散の特殊で調整しやすい変種だと位置づけた。行動空間は連続の約100次元で、毎秒10〜20回の予測を行い、直近の文脈も参照している。

#### データが最大の課題

Jason は、ロボット工学にはインターネットに相当するものがなく、データが最重要の課題だと強調する。自社収集だけでは不十分で、データの購入や既存データの活用が必要になる。そこで人間の一人称視点の映像で幅広い物理的な事前知識を学ばせ、人間とロボットの動作差は少量のロボットデータで埋めるという方針をとる。新タスクは数十分から数時間のデモで学習でき、試験運用で性能が7〜8割程度なら追加データで改善する。これをロボット版の人間フィードバック強化学習のようなものだと述べた。

次のスケーリングの軸として期待するのが合成データだ。博士課程で GPT-4 に報酬関数を書かせた Eureka を例に、当時は限界があったが、現在のフロンティアモデルは3D再構成などの視覚能力が高く、転換点にあると見ている。自社のワールドアクションモデルが自ら学習データを生成する循環も構想している。

#### 自社ハードウェアとオンデバイス推論

ロボットは数秒の遅延も許されないため、モデルはオンデバイスで動かす必要がある。大きなモデルを学習して蒸留する流れが収束先だとし、推論スタックも自社で構築している。ハードウェアも、LiDAR のように成熟した部品は購入し、性能に直結するアクチュエータなどは自社で作る方針だ。体型は人間の比率に合わせて測定されており、人間データからの転移を意識している。

形状は上半身がヒューマノイド、下半身が車輪の「セミヒューマノイド」。脚式は消費エネルギー、不安定さ、安全性の保証が難しいと説明した。腰の自由度を持たせたのも、人間が無意識に胴体を使うためだ。希土類磁石など供給網の長さにも触れ、ハードウェアの難しさは過小評価されていると述べた。

#### 実導入とBitter Lesson

最大の顧客事例が Din Tai Fung で、複数拠点で1日に数千枚のナプキンを折っている。Jason は、パイロットを行う企業は多いが、顧客が価値を認め複数拠点に展開する段階に進むのは難しく、自社はそこに到達していると主張する。布のような変形物は構成が無限にあり、専用機より汎用モデルの適応のほうが早く品質に達するという。全ロボットへ重みを一括更新できるため、拠点間の品質のばらつきも抑えられる。

ロボット版 Bitter Lesson として、特殊な事前知識を組み込むより、単純なアルゴリズムで適切なデータをスケールさせるべきだと述べた。難しいのは、どのセンサーでどのデータを取るかを決めることだとする。

#### 長時間自律とVLAとの違い

洗濯ワークフロー全体は約1時間で、洗濯機が回っている間に別作業を行うなど高レベルの判断が必要になる。これを低レベルのモデルだけで学ぶのは非効率なため、ワールドアクションモデルの周りにエージェント的ハーネスを置く階層構造で対応している。価値は1分程度のタスクではなく、数時間監督なしで続く業務にあると述べた。

VLA との違いについては、抽象的な表現を予測すると人間のバイアスが入るため、カメラ入力に近い生の表現を予測するほうがよいという立場を示した。ただし、触覚など映像以外のモダリティのほうがデータ効率が高い可能性があり、そこが自分たちの誤りうる点だとも認めている。当面のボトルネックは、耐久性のあるロボットハンドと、視覚以外のデータの欠如だという。

#### まとめ

本エピソードは、ロボット基盤モデルをデモで終わらせず、ハードウェアから顧客導入までを一体で回す企業の視点を示している。日本の読者にとって注目点は三つある。人間の一人称動画をロボット学習に活かす発想、少量のデモで適応する汎用モデルという製品戦略、そして実導入で見える真のボトルネック（ハンドの耐久性、触覚データ）だ。来年は数百台規模への展開を目指すとのことで、実運用の成果が今後の指標になるだろう。

> この要約・解説記事は、元の音声の文字起こしをもとに AI（Claude）が日本語で作成したものです。出典: Latent Space: The AI Engineer Podcast「Dyna-2: General Purpose Physical Agents with Hour-Long Autonomy — Jason Ma, Dyna Robotics」