行動の前に結果を予測する「WAM」アーキテクチャ：Dynaが示すロボットAIの新スケーリング則
2026年8月13日 00:31
Dyna Roboticsは、100万時間の人間の一人称視点ビデオで訓練されたロボット基盤モデル「DYNA-2」を発表した。同社は、従来のVLAアーキテクチャに代わる「World-Action Model（WAM）」を採用し、4桁の規模にわたるスケーリング則を実証したと主張している。この自社報告の成果が第三者によって検証されれば、ロボット基盤モデルの設計前提を覆す可能性がある。
■VLAからWAMへ：行動の前に結果を予測するアーキテクチャ
Dyna Roboticsは、100万時間の人間の一人称視点ビデオで訓練されたロボット基盤モデル「DYNA-2」を発表し、4桁の規模にわたる人間からロボットへのスケーリング則を実証したとする研究を公開した。この主張が第三者の検証に耐えうるものであれば、直接の競合他社だけでなく、現在本番環境で稼働しているすべての主要なロボット基盤モデルの根底にあるアーキテクチャの前提に挑戦することになる。
ここで最も重要な発見は、データの量ではなくアーキテクチャにある。DYNA-2は、Physical Intelligence、NVIDIA、Skild AIなどが製品の基盤としているVision-Language-Action（VLA）アプローチではなく、World-Action Model（WAM）に基づいて構築されている。VLAモデルは、カメラの映像と言語による指示を受け取り、直接モーターコマンドを出力する。一方、WAMは同じ入力を受け取り、行動を起こす前に、その行動によって物理世界がどうなるかの予測をまず生成し、その上で行動を決定する。同じ表現から次のビデオフレームと次のモーターコマンドを共同で予測する設計だ。
Dynaによれば、その結果として、動く前に結果を推論するロボットが実現したという。自社のVLAベースの前身モデルであるDYNA-1との直接比較テストにおいて、同一の訓練条件下でDYNA-2は1.55倍の頻度でタスクを完了した。同社の基礎研究は、ロボット工学コミュニティが検証できるよう公開されている。
実際の導入環境における差は、この全体的な数値よりもさらに顕著だ。ある顧客の導入サイトでは、同じタスクを実行した際、DYNA-1の合格率がわずか46%だったのに対し、DYNA-2は87%を達成した。これらの数値はいずれも同社が報告したものであり、顧客サイトの名前は明かされていない。この結果が決定的なものとして受け入れられるには、ロボット工学の研究コミュニティによる独立した再現テストが必要となる。
■VLAの限界と、50倍のデータ規模でのスケーリング則
Dynaの主張の重要性を理解するには、彼らが何に対抗しているのかを知る必要がある。VLAモデルは、2023年頃にロボット基盤モデルの主要なアーキテクチャとして台頭した。GoogleのRT-2が、単一のニューラルネットワークでカメラ映像と言語指示を共同処理し、認識、計画、制御のパイプラインを分けることなくモーターコマンドを出力できることを実証したのが契機だ。2024年にはPhysical Intelligenceのπ0モデルがこのアプローチを世に知らしめた。2026年4月にリリースされたNVIDIAのGR00T N1.7は、20,854時間の人間の一人称視点ビデオによるEgoScaleの事前学習をVLAアーキテクチャに直接組み込み、データが1,000時間から20,000時間にスケールするにつれてタスク完了率が倍増するという「ロボットの器用さに関する史上初のスケーリング則」を文書化した。
DYNA-2は、これと同じ実験を50倍の規模（20,854時間に対して100万時間）で、根本的に異なるアーキテクチャを用いて実行したと主張している。NVIDIAのEgoScaleの結果がVLAモデルで達成されたのに対し、Dynaのスケーリング曲線はWAMによって生み出された。同社によれば、テストされた4桁の規模（1,000時間から1,000,000時間）すべてにわたって、他のスケーリング実験で見られたような停滞（プラトー）に陥ることなく、スムーズな改善が続いたという。Dynaは単にデータが多いと言っているのではなく、アーキテクチャ自体が異なるスケーリングを示すと主張しているのだ。2026年2月に発表されたNVIDIAのEgoScaleの論文は、Dynaが基盤とし、拡張している直接の先行研究である。
2つのアーキテクチャの違いは基本原理に及ぶ。VLAでは、モデルの役割は「見ているものと要求されたことに基づいて、どのようなモーターコマンドを出すべきか」である。一方、WAMでは「見ているものと要求されたことに基づいて、次の瞬間に世界はどうなるか。そしてその予測に基づいて、どのようなモーターコマンドを出すべきか」となる。後者の定式化は、触れられたときに物体がどう振る舞うか、接触中にシーンがどう変化するかといった、環境の暗黙の物理モデルを構築することをモデルに強制する。前者の定式化には、これを開発する直接的なインセンティブがない。Dynaの共同創業者であるジェイソン・マーは、「行動を起こす前に物理世界がどう動くかを想像するWorld-Action Modelを構築することで、従来のビジョン言語モデルには欠けている空間推論と接触物理学をロボットに与えることができる」と述べている。
WAMのアプローチはDynaの発明ではない。MotuBrainのWAM論文（2026年）やBeing-H0.7の潜在WAM論文（2026年）の背後にある学術グループも、ビデオとアクションの共同予測アーキテクチャを並行して開発してきた。Dynaが主張しているのは、商業展開の結果を伴う100万時間規模でこれを最初に検証したということだ。
■映像学習からロボットアームへの転移メカニズム
エンボディメント（身体性）のギャップは、人間からロボットへの学習における中心的なエンジニアリングの課題である。人間の手とロボットのグリッパーは、見た目も重さも感触も異なる。では、人間の手がタスクを実行しているビデオが、なぜロボットアームに有用なことを教えられるのだろうか。
DYNA-2の基礎研究によれば、転移するのは手の形状ではなく、物理的な直感である。物理的なシーンにおける物体同士の関係性の根底にある構造、物理的行動の結果のシーケンス（この物体をあの端に向かって押せば落ちる）、そしてどのアプローチが成功しそうかを決定する空間推論などだ。これらは物理世界の特性であり、行動を実行する特定のエンドエフェクター（手やグリッパー）の特性ではない。次のフレームで世界がどうなるかを予測するように訓練されたWAMは、動いている手足が人間の手であろうとロボットアームであろうと、あらゆる一人称視点ビデオからこれらの特性を直接学習する。
この主張の学術的基盤は、NVIDIAの2026年2月の論文であるEgoScaleに遡る。この論文は、20,854時間の人間の一人称視点ビデオで対数線形のスケーリング則を確立し、学習された表現が最小限のファインチューニングで22自由度のロボットハンドに効果的に転移することを示した。EgoScaleは、事前学習なしのベースラインと比較して平均成功率を54%向上させ、大規模な人間の動きが「再利用可能でエンボディメントに依存しない運動の事前知識」を提供することを実証した。
DYNA-2は、クロスエンボディメント（異なる身体への）転移という特定の方向でさらに踏み込んでいる。同じ事前学習済みのDYNA-2モデルのバックボーンは、据え置き型のロボットアームだけでなく、ヒューマノイドロボットのプロトタイプや器用な多指ロボットハンドでもテストされた。Dynaによれば、それぞれが最小限のファインチューニングで転移したという。最も印象的なデモンストレーションでは、5本指のロボットハンドのペアが、その特定のタスクに関するわずか13分間のローカルなファインチューニングデータで、ペットボトルのキャップをひねって開けることができた。比較として、遠隔操作パラダイムに基づいて構築されたエンタープライズロボットのパイロット版では、タスクが確実になるまでに通常300〜1,200回の個別のデモンストレーションが必要となる。シリコンバレーロボティクスセンターが2026年3月時点で算出したデータコストは1時間あたり118ドル（約1万8000円、1ドル=159円換算）であり、この基準に照らすと、13分間のファインチューニングデータのコストは約25ドル（約4000円）となる。
■DYNA-2のテスト結果とスケーリング則の意義
企業がアーキテクチャのパラダイムを打ち破ったと主張する場合、正確さが重要になるため、DYNA-2の発表における主要なパフォーマンスの主張は正確に述べる価値がある。
高い精度が要求される製造タスクにおいて、DYNA-2は事前学習の規模拡大のみによって、成功率を20%から80〜90%に引き上げた。これは、学習後のデータやファインチューニングのパイプラインを変更することなく達成された。この向上は、プレスリリースでは完全には定義されていない特定のクラスのタスクに関するものだ。ロボットが音声コマンドに基づいて異なる物理的動作を実行しなければならない指示追従タスクでは、DYNA-2のビデオ共同訓練アルゴリズムにより、スコアがベースラインから133%向上した。DYNA-1との直接比較において、DYNA-2は特定の定性的な優位性も示した。VLAのベースラインが単一のループで失敗し手動でのリセットを必要としたのに対し、DYNA-2はタスクの途中で物理的な妨害を受けても人間の介入なしに回復した。これらの数値はすべて同社が報告したものであり、ロボット工学コミュニティは今後、独立した再現という標準的なテストを適用することになる。
現在、ロボット工学の議論において「スケーリング則」という正確なフレーズが重要な役割を果たしており、それが何を意味し、どのような先行する主張と対立するのかを正確に把握しておく必要がある。
言語モデルの文献において、スケーリング則とは、モデルのパフォーマンス（予測タスクにおける損失として測定）と、モデルのパラメータ数、データセットのサイズ、または訓練計算量のいずれかとの間のべき乗則の関係を指す。予測はスムーズかつ単調であり（データを2倍にすると損失が予測可能な量だけ減少する）、多くの桁数にわたって成り立つ。スケーリング則の価値は予測可能性にある。つまり、計算リソースを費やして訓練する前に、より大きなモデルがどう機能するかを推測できるのだ。Kaplanら（2020年）によるニューラル言語モデルのスケーリング則に関する基礎論文は、その後分野全体が構築される基盤を確立した。
2026年2月に発表されたNVIDIAのEgoScale論文は、人間のデータ規模とロボットのポリシーパフォーマンス（検証損失で測定）の間の対数線形関係が、実際の下流タスクの成功と相関することを査読付きで実証した最初のものだった。Bessemer Venture Partnersは2026年4月の評価で、これを「この分野が新たな能力の段階に入った」瞬間だと特徴づけたが、同時に、実験室での結果と本番環境での展開に求められる99.9%の信頼性の閾値との間にはギャップがあることも強調した。
DYNA-2は、より限定的だが、ある意味ではより強力な主張をしている。検証損失に関する対数線形則ではなく、VLAではなくWAMを使用し、プラトーなしで4桁の規模にわたり、15の実際のベンチマークタスクにおけるタスク成功率の単調な向上を示したというものだ。ベンチマークタスクはプレスリリースでは特定されていない。この主張が重要なのは、EgoScaleの発見を（a）斬新なアーキテクチャ、（b）50倍のデータ規模、（c）代用としての検証損失ではなく直接的なタスク成功の測定、へと拡張しているからだ。
Dynaがまだ確立しておらず、この分野が求めているのは、共有ベンチマークでの独立した再現である。ロボット工学の研究コミュニティは、チームが通常独自のハードウェアで独自のタスクを評価するため、研究室間で基盤モデルを比較することは極めて困難であると指摘している。
■商業的実績と推論コストの課題
ロボット工学の発表では、研究用ハードウェアでの野心的な機能が語られることが多い。DYNA-2が珍しいのは、すでに商業展開で稼働している前身モデルの上に構築されている点だ。DynaのDYNA-1ロボットは、ホテル、レストラン、コインランドリー、ジムで稼働しており、同社は本番環境での展開と24時間以上の連続自律稼働において99.4%のタスク成功率を報告している。DYNA-1の数値は同社が報告したものだが、The AI Economyは独自にその導入を裏付けている。
この商業的な実績は、DYNA-2の87%とDYNA-1の46%という比較を解釈する上で重要である。DYNA-1の46%という数字は、Dynaが他で報告している99.4%の本番成功率よりも大幅に低いが、これらは異なるものを測定している。99.4%という数字は、訓練済みの導入環境における継続的なタスクパフォーマンスに適用される。一方、46%という数字は、同一の訓練条件下で、名前の明かされていない新しい顧客サイトにおけるDYNA-1の合格率であり、モデルは特別に最適化されていないタスクでテストされていた。同じ条件下でのDYNA-2の87%という数字は、追加のファインチューニングによるものではなく、WAMアーキテクチャの汎化能力による改善を表している。
同社は2024年にリンドン・ガオとヨーク・ヤンによって設立された。彼らは、2021年にInstacartが3億5000万ドル（約556億円）で買収した自動レジ決済企業Caper AIを構築したチームである。そこに、大規模言語モデルのフィードバックを用いてロボットに器用な操作を訓練する画期的な論文「Eureka」の筆頭著者であり、元DeepMindの主任研究員であるジェイソン・マーが加わった。
2025年9月に完了したDynaの1億2000万ドル（約191億円）のシリーズAラウンドには、NvidiaとAmazonのベンチャー部門が、Salesforce Ventures、Samsung Next、LG Technology Venturesとともに参加した。このシンジケートは、Dynaのロボットが稼働する計算インフラ（Nvidia）と商業サービス環境（Amazon、Salesforce）の両方に対応している。総資金調達額は約1億4350万ドル（約228億円）に達する。
WAMのアプローチに関する中心的な未解決の疑問は、将来のビデオフレームを共同で予測することが新しいタスクでのサンプル効率を向上させるのか、それとも対応する利益なしに計算のオーバーヘッドを追加するだけなのかということだ。これはDYNA-2の発表当日にロボット工学の研究者たちによって明確に提起された。
WAMは推論時にビデオ予測を生成する必要があり、これはモーターコマンドのベクトルのみを生成するVLAモデルよりも計算コストが高い。展開規模では、各ロボットに数ミリ秒ごとに更新される専用の推論パイプラインが必要となるため、VLAパラダイムの下でもロボットあたりの推論コストはすでに高い。推論コストを倍増させるWAMが大規模に経済的に成り立つためには、ファインチューニングのデータ要件をそれに応じて削減するか、タスクのパフォーマンスをそれに応じて向上させる必要がある。Dynaの13分間のファインチューニングという主張が独立して検証されれば、まさにこのトレードオフに関する強力な論拠となるだろう。
より広範な物理AI分野も、DYNA-2のクロスエンボディメント転移が、新しいロボットハードウェア市場に参入する際のエンジニアリングコストを実際に削減するかどうかに注目している。Dealroomによれば、ヒューマノイドロボットは2026年半ばまでに世界で558億ドル（約8兆8700億円）以上のベンチャー投資を集めており、物理AI企業が最大のシェアを占めている。しかし、ほとんどの基盤モデル企業は独自の身体を中心に訓練パイプラインを構築してきた。最小限のファインチューニングで異なる身体に転移する事前学習済みモデルは、新しいハードウェアに展開する障壁を下げ、ハードウェアのスタートアップが競争上の堀として扱っている制御スタック層をコモディティ化する可能性がある。
■注目ポイントQ&A
●World-Action Modelとは何ですか。Vision-Language-Actionモデルとはどう違うのですか。
Vision-Language-Action（VLA）モデルは、カメラ映像と言語指示を入力として受け取り、モーターコマンドを出力として予測します。これらはすべて1回のフォワードパスで行われます。World-Action Model（WAM）はこれを拡張し、行動を起こした後に物理世界がどうなるかも予測します。モデルは将来のビデオフレームとモーターコマンドを共同で生成するため、物体がどう振る舞うか、接触中にシーンがどう変化するか、行動の結果がどうなる可能性が高いかという、暗黙の物理モデルの構築を強制されます。Dynaは、VLAモデルには物理的な結果を予測することを報酬とする直接的な訓練目標がないため、WAMはVLAモデルに欠けている空間推論と接触物理学の直感を生み出すと主張しています。
●DYNA-2は実際にスケーリング則を証明しているのですか、それともマーケティング用語ですか。
この主張は、一般的な「スケーリング則」というマーケティングフレーズよりも具体的なものです。Dynaによれば、15のベンチマークタスクにおいて、訓練データが1,000時間から1,000,000時間の人間の一人称視点ビデオへとスケールするにつれて、DYNA-2のタスク成功率はプラトー（停滞）なしに単調に向上しました。これは、20,854時間におけるデータ規模と検証損失の間の対数線形関係を示したNVIDIAのEgoScaleの発見（2026年2月）と類似しています。DYNA-2の結果が、例えば1000万時間での将来のパフォーマンスを予測するような、正式な意味での真のべき乗則のスケーリング則を構成するかどうかは、共有ベンチマークでの独立した再現を待つ必要があります。この主張は重要であり、正当な研究結果に基づいたものですが、同社による報告であり、まだ査読は受けていません。
●同じ事前学習済みのDYNA-2モデルを、ヒューマノイドロボットと据え置き型アームの両方で実際に動かすことができるのですか。
Dynaは可能だとしており、これこそがNVIDIAのEgoScale（異なるアーム構成間での転移は実証したが、ヒューマノイドのフォームファクターへの転移は実証していない）に対して主張している特有の新規性です。そのメカニズムは、人間の一人称視点ビデオでのWAMの事前学習が、特定のエンドエフェクターではなく物理世界の特性という、エンボディメントに依存しない物理的表現を学習するというものです。わずかなファインチューニング段階のみで、それらの表現を特定のハードウェアに適応させます。器用な5本指ハンドのための13分間のファインチューニングデータによるペットボトルのキャップ開けの結果は、この主張の最も印象的な例です。これが無関係なタスクやヒューマノイドの身体全体に広く当てはまるかどうかは、独立したテストによって決定されるでしょう。
●DYNA-2を開発したのは誰ですか。また、Dyna Roboticsの商業的な実績はどうなっていますか。
Dyna Roboticsは2024年にカリフォルニア州レッドウッドシティで設立されました。創業者は、2021年に自動レジ企業Caper AIを3億5000万ドルでInstacartに売却したリンドン・ガオとヨーク・ヤン、そして元Google DeepMindの研究員でロボットの器用さに関する論文「Eureka」の筆頭著者であるジェイソン・マーです。前身モデルであるDYNA-1は現在、ホテル、レストラン、コインランドリーなどの商業施設に導入されており、Dynaは99.4%のタスク成功率を報告しています。同社は、主要なVCに加えてNvidia、Amazon、Salesforce、Samsung、LGが支援した2025年9月の1億2000万ドルのシリーズAを含め、総額約1億4350万ドルを調達しています。
元記事: Dyna Unveils Robot Foundation Model That Adapts to New Tasks in 13 Minutes