Ein Unternehmen namens Dyna Robotics präsentiert mit Dyna-2 ein Modell, das auf über einer Million Stunden menschlicher Videodaten trainiert wurde. Das könnte eine neue Ära des KI-gesteuerten Roboters einleiten. Bemerkenswert ist der Nachweis eines Skalierungsgesetzes für den Transfer von Mensch zu Roboter: Mehr Video bedeutet vorhersagbar bessere Leistung auf nie gesehener Roboterhardware.
Vision-Language-Action-Modelle (VLA) gelten derzeit als Standard in der lernenden Robotik. Dyna-2 setzt auf eine andere Architektur: ein sogenanntes Welt-Aktions-Modell (WAM), das nicht nur Handlungen vorhersagt, sondern auch zukünftige Videobilder erzeugt. Der Roboter lernt nicht nur, was zu tun ist, sondern auch, wie sich seine Umgebung dadurch verändert. Diese Fähigkeit entsteht allein durch die Menge an beobachtetem menschlichem Verhalten.
Was ist ein Welt-Aktions-Modell?
Ein Welt-Aktions-Modell ist eine KI, die zwei Dinge gleichzeitig kann: Sie versteht den aktuellen Zustand der Welt – etwa die Position eines Objekts auf dem Tisch – und sie sagt vorher, wie sich dieser Zustand durch eine bestimmte Aktion verändert. Klassische Sprachmodelle verarbeiten nur Texte, ein WAM lernt aus Bildern und Videos. Stell dir vor, du siehst einem Koch zu, wie er eine Zwiebel schneidet. Dein Gehirn speichert nicht nur die Bewegung des Messers, sondern auch das erwartete Ergebnis: die Zwiebel zerfällt in Würfel. Genau dieses Prinzip steckt in Dyna-2. Es beobachtet Millionen von Stunden menschlicher Manipulationsvideos und lernt daraus abstrakte Gesetzmäßigkeiten über Physik, Objekte und Handlungsfolgen.
Die technische Umsetzung basiert auf einem neuronalen Netzwerk, das mit „diffusion modeling“ trainiert wird. Vereinfacht: Das Modell lernt, aus verrauschten Daten wieder klare Bilder zu erzeugen. Dyna-2 wird nicht nur mit Aktionen trainiert, sondern auch mit der Vorhersage zukünftiger Videobilder. Diese Kombination unterscheidet es von den meisten anderen Robotermodellen. Ein VLA-Modell leitet aus einem Sprachbefehl direkt eine Aktion ab, das Welt-Aktions-Modell denkt erst einmal in Bildern. Es „stellt sich vor“, wie die Welt nach der Handlung aussieht, und steuert dann entsprechend. Diese Art des Denkens ist robuster, weil sie nicht an bestimmte Roboterarme oder Greifer gebunden ist.
Das Skalierungsgesetz: Mehr Video, bessere Roboter
Dyna Robotics hat etwas entdeckt, das in der KI-Forschung als „heiliger Gral“ gilt: ein vorhersagbares Muster, wie sich die Leistung mit mehr Daten verbessert. Werden die Datenmengen erhöht, steigt die Fähigkeit des Modells, Aufgaben auf ungesehenen Robotern zu lösen – ohne vorheriges Training an diesen Robotern. Das ist der erste Nachweis eines solchen Skalierungsgesetzes für den Transfer von menschlichem Verhalten auf Maschinen.
Die Forscher führten sorgfältig kontrollierte Experimente durch. Sie nahmen Videos von menschlichen Manipulationsaufgaben – etwa Greifen, Stapeln oder Schrauben – und teilten sie in Untergruppen von 1.000 bis zu einer Million Stunden. Bei jeder Stufe wurde ein separates Modell trainiert und anschließend auf 39 verschiedene Roboteraufgaben getestet. Das Ergebnis war klar: Mit zunehmender Datenmenge stieg die Erfolgsrate stetig an. Besonders interessant ist der Wendepunkt zwischen 10.000 und 100.000 Stunden – ab dieser Schwelle scheint das Modell übergreifende Gesetzmäßigkeiten über verschiedene Körper und Umgebungen zu erkennen. Das ähnelt dem Sprachenlernen: Zuerst brauchst du viele Vokabeln, aber ab einem bestimmten Punkt erkennst du grammatische Muster und kannst Sätze konstruieren, die du nie vorher gehört hast.
Dieses Skalierungsgesetz hat praktische Bedeutung. Unternehmen müssen nicht mehr selbst Tausende von Robotern mit Teleoperation steuern, um sie zu trainieren. Sie können auf das riesige, vorhandene Videoarchiv aus dem Internet zugreifen – von YouTube-Tutorials bis zu Social-Media-Clips. Je mehr menschliche Aktivität das Modell sieht, desto besser wird es darin, diese Aktivität auf Roboter zu übertragen. Das funktioniert nicht nur bei statischen Aufgaben, sondern auch in dynamischen Umgebungen, wie Deformationsobjekten oder sich bewegenden Gegenständen.
Warum Video-Co-Training der Schlüssel ist
Der entscheidende Durchbruch von Dyna-2 liegt in einer scheinbar kleinen technischen Entscheidung: das gleichzeitige Training auf Aktionen und Videobilder. Die Forscher nennen das „Video-Co-Training“ – das Modell muss vorhersagen, welche Aktion als Nächstes kommt, und wie das Bild in der Zukunft aussieht. Diese Doppelaufgabe erweist sich als Schlüssel, um die Lücke zwischen Mensch und Roboter zu schließen.
Im direkten Vergleich zum VLA-Modell Dyna-1, das nur auf Aktionen trainiert wurde, zeigte sich: Video-Co-Training übertrifft reines Aktionstraining auf allen 39 Aufgaben und bei jedem Skalierungsniveau. Warum? Stell dir vor, du lernst, ein Auto zu fahren. Wenn du nur die Lenkbewegungen auswendig lernst, bist du in unbekannten Situationen schnell überfordert. Wenn du auch verstehst, wie sich das Auto bei Kurven physikalisch verhält und wie die Straße vor dir aussieht, reagierst du intuitiver. Genau das passiert mit dem Modell: Durch die Vorhersage von Videobildern entwickelt es ein tiefes Verständnis für Kausalität und Abläufe.
Dyna Robotics etabliert Video als „neue Skalierungsachse“. Selbst wenn die Menge an Aktionsdaten begrenzt ist, kann das Modell durch weiteres unannotiertes Menschvideo besser generalisieren. Das hat weitreichende Konsequenzen: Unternehmen sind nicht mehr auf teure, handannotierte Datensätze angewiesen, sondern können einfach mehr YouTube-Videos einspeisen. Ähnliche Ansätze verfolgen auch andere Unternehmen wie 1X, die auf Weltmodelle setzen. Dyna-2 liefert jetzt die empirische Bestätigung, dass diese Strategie funktioniert.
Robuste Realität: Tests und Kundeneinsatz
Wie schlägt sich Dyna-2 in der echten Welt? Überraschend gut. Das Unternehmen testete das Modell unter extremen Bedingungen – bei flackernder Disco-Beleuchtung, in völliger Dunkelheit und sogar bei aktiver Störung durch Menschen, die die Arbeit des Roboters in Echtzeit wieder rückgängig machten. In allen Fällen behielt Dyna-2 die Kontrolle und erledigte die Aufgabe trotz widriger Umstände.
Diese Robustheit ist eine direkte Folge des Weltmodell-Designs. Weil das Modell vorhersagen kann, was als Nächstes passiert, kann es auch unerwartete Änderungen der Umgebung antizipieren und darauf reagieren. Ein VLA-Modell, das nur Aktionen ausführt, hat diese Perspektive nicht – es ist blind für die Konsequenzen seiner Bewegungen. Bei den Kunden vor Ort zeigte sich das in Zahlen: In Zero-Shot-Implementierungen erreichte Dyna-2 eine Produktions-Erfolgsrate von 87 Prozent, der Vorgänger Dyna-1 kam nur auf 46 Prozent. Das ist fast eine Verdopplung.
Besonders spannend ist die emergente Fähigkeit zur Sprachsteuerung. Obwohl Dyna-2 als kontinuierliches Aktionsmodell konzipiert ist – es arbeitet direkt auf numerischen Befehlen, nicht auf Text – zeigte es auf einmal, dass es gesprochene Befehle verstehen und umsetzen kann. Das Video-Co-Training verbesserte die Sprachbefehlserfolgsrate von 35 auf 67 Prozent, durch weitere Skalierung sogar auf 96 Prozent. Sprachverständnis stellt sich quasi automatisch ein, wenn das Modell genug menschliche Interaktion beobachtet hat.
Schneller Träumen: Die ein-Schritt-Generierung
Weltmodelle haben ein gravierendes Problem: ihre Langsamkeit. Um eine Aktion auszuführen, muss das Modell erst eine Reihe von Zukunftsszenarien durchsimulieren – das dauert oft Sekunden, für einen Roboter zu langsam. Dyna Robotics hat das mit einer neuartigen Destillationsmethode gelöst. Statt das Video Schritt für Schritt in vielen Schritten zu generieren, lernt ein Student-Modell, das Ergebnis in einem einzigen Schritt zu erzeugen. Die Technik heißt „one-step video generation distillation“ und funktioniert ähnlich wie das Abkürzen einer Kette von Denkschritten: Der Student wird trainiert, die Zielverteilung sofort zu treffen, ohne die Zwischenstufen zu durchlaufen.
Das Ergebnis ist beeindruckend. Die Latenzzeit für die Videogenerierung sank von 10.203 Millisekunden auf nur 110 Millisekunden – zwei Größenordnungen schneller. Damit kann das Modell blitzschnell „träumen“, was passiert, wenn der Greifer sich schließt, und dann sofort entsprechend handeln. Das ist entscheidend für den Einsatz in Echtzeit. Die Qualität der generierten Videos bleibt dabei erhalten, wie die Tests zeigen.
Damit hat Dyna Robotics die letzte Hürde für die praktische Nutzung von Weltmodellen in der Robotik aus dem Weg geräumt. Die Kombination aus schneller Vorhersage und robustem Verhalten macht Dyna-2 zu einem ernstzunehmenden Konkurrenten für etablierte VLA-Architekturen. Die Skalierungsgesetze zeigen, dass wir erst am Anfang stehen – eine Million Stunden ist laut dem Unternehmen nur der Beginn. In den kommenden Jahren könnten zehn Millionen, hundert Millionen Stunden folgen, und jede Verdopplung würde die Roboterfähigkeiten weiter verbessern.
Quelle: humanoidsdaily.com
