Dyna: robots que pliegan servilletas 24h con 99,4% de éxito

Dyna-2: el modelo que predice el futuro antes de mover un brazo

Dyna Robotics presentó Dyna-2, un world-action model (WAM) entrenado con más de un millón de horas de video humano egocéntrico, el equivalente a unos 170 años de experiencia despierta continua, según el comunicado de anuncio de la compañía recogido por PR Newswire en agosto de 2026. En lugar de aprender de datos de teleoperación, el modelo aprende de video de personas haciendo cosas.

¿Qué es un world-action model? Jason Ma, cofundador y chief scientist de Dyna, lo explica en el podcast de Latent Space: es un modelo que predice el estado futuro del mundo en video y usa esa predicción para generar las acciones que el robot ejecuta. "Es análogo a un chain of thought, pero en el espacio visual y físico", plantea.

Bajo el capó hay un diffusion transformer con arquitectura encoder-only y flow matching, la variante de difusión que reduce los pasos de generación y simplifica el ajuste. La razón es concreta: las acciones de un robot necesitan la misma precisión y suavidad que un borde nítido en una imagen generada.

El resultado que la compañía destaca es una ley de escalado humano-a-robot: el desempeño mejora de forma predecible con cada hora de video humano añadida, sin mesetas, a lo largo de cuatro órdenes de magnitud. En tareas de manufactura de alta precisión, Dyna reporta que Dyna-2 subió la tasa de éxito del 20% al 80-90% solo por escala de preentrenamiento, sin tocar los datos de post-entrenamiento.

De 45 minutos de demostración a un turno completo

El segundo anuncio es Dyna-2.1, el agente físico que corre sobre ese modelo. La cifra que mejor lo resume: 99,4% de éxito plegando servilletas de restaurante durante 24 horas seguidas, incluyendo la recuperación cuando el robot tiró toda la pila al suelo.

En clientes como Din Tai Fung los robots pliegan miles de servilletas al día, y Best Western aparece entre los entornos donde la compañía ya opera. La diferencia entre un piloto y un despliegue real, según Ma, es exactamente esa: la capacidad de sostener la tarea durante horas sin supervisión.

Para aprender una tarea nueva, el modelo necesita tan solo 45 minutos de demostraciones. La lógica es la de un humano: una base general fuerte y luego un ajuste fino mínimo para dominar la tarea específica.

El habilitador técnico son los agentic harnesses: capas de orquestación que permiten al robot encadenar pasos y ejecutar flujos de trabajo de una hora de duración, no solo una acción aislada. El episodio también aborda la comparación entre world-action models y los modelos visión-lenguaje-acción (VLA), y por qué la visión por sí sola no alcanza.

El cuello de botella que la IA generativa no tiene: los datos

"En robótica no existe internet", resume Ma. Cada empresa que construye modelos y hardware tiene que resolver su propia estrategia de datos, y ninguna puede recolectar sola lo suficiente. Su comparación: es como intentar construir internet teniendo solo Reddit.

La receta de Dyna combina dos capas: video egocéntrico humano para dar al modelo un prior amplio sobre cómo evoluciona el mundo físico, y datos del propio robot para la destreza de bajo nivel. El problema es que los datos de robot son mucho más caros y lentos de recolectar.

Por eso la compañía apunta a una tercera fuente: entornos sintéticos generados por modelos frontera. Ma investigó simulación durante su doctorado y firmó Eureka, el paper que usó GPT-4 para autogenerar funciones de recompensa y entornos de entrenamiento por refuerzo. En ese momento la tecnología no estaba lista; hoy, con la capacidad visual y de reconstrucción 3D de los modelos actuales, dice que está en un punto de inflexión.

Hay además un flywheel: el propio world-action model puede generar video y usarlo como datos de entrenamiento propios. El comunicado de Dyna menciona una ruta explícita hacia los 10 millones de horas de datos de entrenamiento.

En el plano de la inferencia, la restricción es la latencia. Un agente de código puede tardar dos segundos en responder; un robot que sostiene un cuchillo, no. Por eso Dyna sirve el modelo en el dispositivo, con su propio stack de inferencia, y entrena modelos grandes para luego destilarlos a tamaños desplegables.

Hardware: por qué Dyna no construye un humanoide bípedo

Dyna fabrica su propio hardware, pero no todo. La regla que usa Ma: si el componente tiene una solución madura, se compra. Los LiDAR y algunas cámaras vienen de terceros. Los actuadores, en cambio, los desarrollan internamente, porque de su calidad depende que el robot se pueda modelar bien en simulación.

El robot es un semi-humanoide con ruedas, no un bípedo, y sus proporciones están medidas contra personas reales. La razón es directa: si el preentrenamiento viene de video humano, el cuerpo debe parecerse lo suficiente para que la transferencia funcione.

Los límites que quedan son físicos. Las manos diestras se sobrecalientan, y Ma señala que faltan datos sensoriales. También pesa la cadena de suministro: los imanes de tierras raras, insumo crítico de los actuadores, se producen en muy pocos países, y según el propio Ma ninguna empresa en Estados Unidos construye hoy todo desde cero.

¿Qué significa esto para tu startup?

Tres lecturas accionables:

• El dato es el activo, no el modelo. Si tu negocio toca hardware o procesos físicos, empieza a capturar video de cómo trabajan las personas hoy. Es la materia prima que escasea y que se puede comprar o generar: Dyna publicó incluso un correo para que proveedores de datos le envíen material.
• Diseña para la latencia desde el día uno. Si tu producto depende de inferencia en tiempo real, asume que el modelo final correrá en el dispositivo y planifica destilación y stack propio. No es un detalle de optimización tardía, es una decisión de arquitectura.
• Separa el piloto del despliegue. La métrica que importa no es la demo que funciona una vez, sino la tasa de éxito sostenida durante un turno completo. Define esa métrica antes de firmar con un cliente.

El contexto de mercado acompaña. Nvidia describió su negocio de physical AI como generador de casi US$10.000 millones en ingresos anuales durante una aparición en el podcast All-In en marzo de 2026, según Ars Technica, y ya invirtió en startups como Agility Robotics, Figure AI y Unitree. En septiembre de 2025, Figure cerró una Serie C de más de US$1.000 millones con una valoración post-money de US$39.000 millones, según eWeek.

Dyna, por su parte, cerró una Serie A de US$120 millones en septiembre de 2025 liderada por Robostrategy, CRV y First Round Capital, con participación de Salesforce Ventures, NVentures (el brazo de venture de NVIDIA), el Amazon Industrial Innovation Fund, Samsung Next y LG Technology Ventures, tras una ronda semilla de US$23,5 millones en marzo de 2025, según el comunicado de la compañía. Sus fundadores ya habían construido Caper AI, vendida en 2021 por US$350 millones.

Conclusión

Dyna-2 no es interesante porque un robot pliegue servilletas. Es interesante porque propone una vía para escalar robótica sin depender del dato más caro que existe: la teleoperación. Cambiar ese insumo por video humano abre una curva de escalado donde antes había un techo.

Para un founder, la lección trasciende la robótica. Cuando el insumo crítico de tu industria es escaso y caro, la ventaja competitiva no está en optimizar su consumo, sino en encontrar una fuente alternativa que nadie más está usando. Dyna lo hizo con video egocéntrico. La pregunta para tu negocio es cuál es tu equivalente.

Fuentes

• Latent Space: Dyna-2, General Purpose Physical Agents with Hour-Long Autonomy (fuente original)
• PR Newswire: Dyna Robotics unveils DYNA-2 World-Action Model
• PR Newswire: Dyna Robotics Raises $120 Million
• Ars Technica: Nvidia's big bet on physical AI
• eWeek: Nvidia Reportedly Eyes Another $1B Investment in Figure AI