Dyna 把机器人研究的目标，从完成一个动作推进到连续处理一套工作流程。Dyna-2 使用超过 100 万小时人类第一视角视频训练，Dyna-2.1 再把世界动作模型、半人形硬件和任务编排系统接到一起。
100万+
人类视频小时。
45分钟
新任务示范口径。
小时级
目标工作流时长。
一台机器人能不能把杯子递到桌上，已经不是最难描述的问题。真实工作通常包含连续动作、等待、切换和异常恢复。洗衣机运行时，机器人可以先去处理别的事情，设备结束后再回来取出衣物。餐厅里，它还要在重复操作中保持节奏，遇到一摞餐巾被碰倒后恢复现场。Dyna 的新发布把问题推进到了这一层。
模型先预测世界，再决定动作。
Dyna-2 被定义为世界动作模型（World-Action Model）。它接收摄像头画面、机器人自身的关节信息和语言指令，输出机器人可以执行的动作，同时预测接下来可能出现的视频或世界状态。Dyna 联合创始人兼首席科学家 Jason Ma 在访谈中说，模型会先估计世界怎样变化，再据此生成控制动作。这一步相当于在视觉和物理空间里做中间推演。
这套结构与只看图像、直接给出动作的系统有一个明确差别。机器人需要处理接触、遮挡、物体移动和动作后果，预测未来状态可以为这些判断提供中间层。Dyna 官方技术报告称，Dyna-2 在超过 100 万小时的人类第一视角视频上预训练。报告还称，人类数据规模扩大与机器人数据表现存在关联。这个结论来自 Dyna 的实验与报告，尚不等同于所有机器人系统都能照搬。
100 万小时解决的是先验，机器人数据解决的是落地。
人类视频的优势在于数量和任务范围。做饭、整理、折叠、装配等动作已经大量存在于第一视角记录中。模型可以从这些画面中学习物体如何移动、手如何接触物体，以及一个动作怎样改变场景。Dyna 把这类数据视为通用基础。
这里存在一个形态差异：人的手臂、视角和身体形态与机器人不同。人类视频让模型积累广泛的物理经验，机器人数据仍要负责把这些经验转换成特定硬件上的动作。Dyna 在访谈中称，新任务有时只需要约 45 分钟示范数据即可适配；这一数字属于公司公开口径，实际效果仍取决于任务、设备和训练条件。
Dyna-2.1 把模型放进一套系统。
小时级任务不能只依靠一个持续输出动作的低层模型。系统要知道任务由哪些步骤组成，也要判断当前步骤是否完成。等待期间，它还要安排其他动作，并在环境变化后重新规划。Dyna 把这一层称为 agentic harness，可以理解为围绕机器人模型工作的任务编排层。
在洗衣流程的例子里，机器人需要识别洗衣机正在运行，先去做另一项工作；程序结束后，再回来把衣物转移到烘干机。单个抓取动作并没有消失，但它被放进了更长的状态管理和决策链中。Dyna-2.1 的发布信息把这套软件系统与新的半人形硬件结合起来。公司的目标是执行持续更久、人工干预更少的现实任务。
商业部署会把硬件边界暴露出来。
Dyna 没有把路线押在标准双足人形机器人上，而是选择轮式半人形方案，并自行设计硬件。访谈给出的理由包括实时推理、设备供应链、机身形态和任务场景的匹配。轮式底盘可以减少移动控制的复杂度，把更多资源留给上肢操作和任务执行。
灵巧手仍是明显瓶颈。手部需要持续处理抓取、接触和姿态变化，也会受到发热、传感器缺失和耐久性的限制。Dyna 提到其机器人已经在酒店和餐饮场景进行部署，并称餐巾折叠任务曾连续运行 24 小时、成功率达到 99.4%。这些结果属于公司自述，公开材料没有给出完整测试协议、任务分布和独立复测结果。
真正的验收单位变成了工作流。
Dyna 这次展示的核心变化，可以拆成三个层次。世界动作模型负责从视频和机器人状态中形成预测；硬件负责把预测转成稳定、及时的物理动作；agentic harness 负责把动作组合成连续任务，并管理等待、切换和恢复。
因此，机器人是否进入真实生产环境，验收对象也会随之变化。看一次成功抓取，只能看到单个动作；观察它能否连续工作数小时、在异常后恢复、在不同任务之间切换，才接近客户真正购买的能力。Dyna-2.1 把这条路线明确摆到了台面上。机器人产品的竞争，会同时发生在模型、数据、硬件和任务编排四个层面。
SOURCES。
Latent Space：Dyna-2 访谈与完整文字稿。
Dyna Robotics：Dyna-2 技术报告与公司公开信息。