Podcast Interview · 逐期深读

Lindon Gao 谈 Dyna:从叠好一张餐巾,到独立交付一个完整工作流

本期背景与内容导览

本期是张小珺对 Dyna Robotics 创始人兼 CEO Lindon Gao 的长访谈。Lindon 先回顾从早期生意、无人零售创业到 Instacart 管理经历,再解释 Dyna 为什么试图用真实产品闭环连接通用智能研究和商业部署。对话的主线不是“叠餐巾是否酷”,而是一个机器人怎样从完成局部动作,走到独立交付完整劳动。 这条主线包含三次问题重定义。第一,团队从早期研究和落地的分歧出发,提出 Product Research:选择真实场景让研究接受产品和部署反馈,而不是只追求 demo。第二,折叠任务的 99% 成功率与 24 小时运行并没有自动带来可扩张的生意;五折只做四折、双抓异常、摆放、补料空窗和客户日产量揭示了单任务与完整工作流的差距。第三,团队把目标改成取料、执行、下料的完整循环,并继续追问预训练、后训练、语言跟随、移动底盘、监测和支持分别承担什么作用。 后半期把这套方法扩展到 System 2/1/0、数据规模与多样性、工作流泛化、中美团队和创始人的战略心态。本文保留 Lindon 对公司能力、客户与量产的自述归属,也保留他对数据和未来产品形态的预测属性。补源审读特别恢复了研究合伙人选拔、ROI/PMF、真实部署失败与 deployment 飞轮,避免只拿高成功率证明商业闭环已经成立。

张小珺Jùn|商业访谈录 · #154 · 2026-10-15 · 2:51:18

原对话:沿提问、回答和转折完整展开

下面先按节目顺序重建。主持人在追问什么,嘉宾如何以自己的经历、例子和推理作答,尽量保留在具体语境中;案例中的事实、数字和判断先归属于发言人。随后才进入本文的机制解释与独立判断。

00:00:00–01:10:00连续对话 1

00:00:00–00:03:09开场:中美机器人行业的“大脑派”与“身体派”之分

  • 你这次来上海有什么不一样的感受吗?你多久来中国一趟?
  • 硅谷的感觉有什么不一样吗?在Robotics这个行业上?
  • 你们属于大脑派还是身体派?

主持人张小珺开场介绍本期嘉宾——Dyna Robotics的创始人兼CEO Lindon Gao,并点明Dyna与之前节目嘉宾Pi(Physical Intelligence)的技术路线不同,Dyna采用“Product Research”的路线。节目预告提及了创业的艰辛(被拒几百次、团队自比“蟑螂”)、内部的战略分歧(落地与研究之争)以及Lindon对创业与赚钱的看法。

正式访谈开始,主持人询问Lindon此次来上海的感受。Lindon表示,他一年会来中国一两次,因为在上海有团队。他感觉中国机器人行业发展快、很“卷”。对比之下,他认为硅谷和中国机器人行业都有些浮躁,各家公司都在频繁发布新品、寻求融资。

然而,Lindon指出了一个本质差异:中美对机器人长期战略的认知不同。他将其概括为“大脑派”和“身体派”:

* 大脑派(美国):认为“大脑”(智能)是唯一的问题,一旦智能问题解决,“身体”(硬件)的问题会迎刃而解。

* 身体派(中国):认为“供应链”是唯一的问题,相信“大脑”的问题长期来看会自行解决。

Lindon观察到,尽管分野鲜明,中国近期也开始在模型层面进行布局。当被问及Dyna的派别时,他回答公司属于“全栈派”。

Product Research嘉宾Lindon提出的Dyna Robotics的技术路线。它区别于以通用智能为最终目标的纯研究路线。其核心是以一个清晰、长期的产品形态为终点,通过倒推的方式,来决定当前阶段研究(Research)的优先级和方向。所有研究都必须服务于最终产品的价值实现,而不是发散性地探索所有可能性。
大脑派 vs 身体派嘉宾Lindon用来概括中美机器人生态系统不同战略焦点的比喻。 “大脑派”主要指以美国为代表的路径,认为核心是解决智能(大脑)问题,硬件(身体)会随之解决。 “身体派”主要指以中国为代表的路径,认为核心是解决供应链和硬件制造(身体)问题,智能(大脑)长期会成熟。
Scalable Product Market Fit嘉宾Lindon提出的一个比Product-Market Fit (PMF) 更严苛的概念。它不仅指产品找到了愿意付费的客户,更强调这个产品解决方案是可规模化的,不需要大量的定制化或人工干预就能在更多客户那里成功部署和运行。在机器人领域,这意味着模型本身要足够智能和鲁棒,能够处理各种corner case,完成完整的工作流,而不是依赖工程巧计或“保姆”式的维护。
预训练 (Pre-training) vs 后训练 (Post-training)在机器学习,特别是大模型领域的术语。在本对话中,“预训练”指在一个非常庞大、通用的数据集上训练一个基础模型(Foundation Model),使其掌握广泛的知识和能力。Dyna自己进行预训练。“后训练”(也常被称为微调/Fine-tuning)指将预训练好的模型,在一个更小、更具针对性的任务数据集上进行额外训练,使其适应特定任务(如折叠衣物)。嘉宾认为,模型的鲁棒性主要来源于预训练,而非后训练。

话题推进:在定义了Dyna的“全栈派”定位后,主持人将话题转向Lindon个人的成长与创业经历,为后续深入探讨Dyna的战略选择铺垫背景。

00:03:09–00:08:40连续创业之路:从游戏交易到珠宝外贸

  • 要不我们在聊Dyna之前,我们还是先聊聊你作为一个连续创业者,你之前的一些创业经历,你的成长和创业。
  • 14岁是初中吗?还是高中?
  • 做什么平台?
  • 第一桶金赚了多少钱?
  • 这个怎么结束的?
  • 赚钱难吗对你来说?
  • 你从事课业怎么样?
  • 第二的创业怎么开始的呢?
  • 这个公司是出事了吗?
  • 那还在?
  • 所以它结束掉了。
  • 你是怎么接触到珠宝的呀?
  • 所以你是很顺理成章的去读了商学院是吗?
  • 你当时在选学校或者选专业的时候,有其他的选择吗?然后后来又去了投行。
  • 然后你为什么又上了投行的路线发展?
  • 你在投行几年?
  • 然后就开始创业了吗?
  • 你从投行出来到你现在这个创业中间,你还有什么经历吗?
  • 然后就做了机器人。

主持人引导Lindon分享Dyna之前的创业经历。Lindon自述11岁从中国到美国,成长环境充满创业氛围,身边人常做小生意。他将早期的商业尝试称为“hustle”(赚点小快钱),而非正式创业。

他的第一次生意始于14岁(初中),通过打游戏发现商机,于是搭建平台或利用论坛买卖游戏账号和装备,赚了上万美金。他回忆,当时成长氛围就是追逐潮流、学着赚钱,自己也因此学会了。对他而言,赚钱不难,他享受的并非钱本身,而是“做对了一件事情带来的reward”。他承认当时并未专注于学业。

第二次生意始于大学二年级,最初是将在各地发现的、本要被熔掉回收的珠宝库存放到eBay上卖。这个生意起初做得不错,后来演变成一个每周只需投入三四个小时、年入十几二十万美元的“self-managing business”,交由家人打理。这个生意持续了近十年,最终由他自己主动结束,因为觉得投入时间不再值得。

主持人追问他如何接触到珠宝行业。Lindon解释,通过家庭和朋友关系,他接触到中国的珠宝供应链和美国的珠宝需求。起初的to C模式(直接卖给消费者)因包装、客服等事务繁琐,与他的学业和实习冲突,于是他转型为to B的外贸生意:将中国供应链与美国众多需要小批量、高质量生产的珠宝设计师连接起来,为他们供货并从中提成。

随后,Lindon回顾了自己的教育和职业路径。他最初在纽约大学学医,是父母的意愿,但两年后他发现自己不想学了,便转去读金融。毕业后进入投行工作,他坦言当时并不了解投行,只是因为纽约大学商学院的同学都想去,他想和大家比一比。在投行工作两年多后,他直接离职,开始了第一次正式创业——Caper AI,一个“半个机器人”项目。

话题推进:在简述了早期的商业尝试和职业选择后,话题自然过渡到他的第一次正式创业——Kber项目,这为理解他后续的机器人创业提供了关键背景。

00:08:40–00:17:02第一次创业Kber:在融资困境中幸存的“反公式”产品

  • 中间是不是有一段很难的经历在这段创业中?
  • 这个难关就度过了吗?随着第一次融资进来。
  • 然后这的创业后来也是就是出售了。
  • 这的创业最痛苦的时候是什么时候?你是还在靠读禅思路撑过来吗?
  • 你说你对投资人有一个画像,思维画像,是从那时候就开始有了吧?
  • 那个创业持续了几年啊?
  • 卖出去那一刻感受是什么样的?觉得我突然有钱了吗?

Lindon详细讲述了他的第一次正式创业Caper AI。该项目始于2017年,正值Amazon Go引领的“无人零售”风潮。当时涌现了约50家类似公司,Caper AI是少数幸存者之一。

Lindon发现,当时主流方案是改造整个商店,在天花板和货架上安装传感器和摄像头。他带着这个想法访谈了150位超市老板,却惊讶地发现,即使免费提供,他们也毫无兴趣。原因是性价比低,节省几个收银员的成本远不足以覆盖几十万的改造和维护费用,且收银员还承担其他工作。这让他意识到,这个商业逻辑走不通。

于是,Caper AI团队转变思路,将传感器融合和视觉识别技术集成到购物车里,解决同样的问题:识别“谁付钱”(推购物车的人)和“付多少钱”(放入购物车的商品)。这个方案技术上更简单,也避免了高昂的店铺改造成本。

尽管产品思路独特,但融资过程极其艰难。Caper AI虽然幸运地进入了YC孵化器,导师还是Sam Altman和Jeff Ralston,但毕业时融资额在同批项目中排名倒数,仅融到30万美元。投资人普遍质疑他们没有相关背景,且不喜欢投资硬件。为了生存,四位联合创始人搬进一个房子里同吃同住,自己做饭,不拿工资,每月只花7000美元,坚持了两年半。

为了撑到种子轮,Lindon曾cold email了1000多位天使投资人,最终只有两人投资,每人约5万美元,帮助公司活了下来。在寻求机构种子轮融资时,他们见了100多家机构,几乎全被拒绝,最后只有First Round Capital投资了约200万美元。A轮融资同样困难,见了60多个投资人后,才获得Lux Capital的千万级投资。

Lindon将融资困难归因于其产品的“反公式”特性——与模仿亚马逊的主流方案背道而驰,投资人质疑他们如何与巨头和资金雄厚的对手竞争。他坦言,这段被上百人拒绝的经历是最痛苦也是成长最快的时期,他通过阅读《沉思录》等方式“修行”,将每次失败视为一次强化学习(reinforcement learning)的机会。他反思,早期被拒主要是因为自己“只顾着说,不顾着听”,未能与投资人建立共鸣。

Caper AI创业持续了六年,在B轮融资时,公司收到了两个term sheet和一个收购要约。在拒绝两次后,最终决定以3.5亿美元的价格出售公司。Lindon表示,卖掉公司的主要动机并非为了钱,而是觉得可以去做一个更大的事业,并将这六年学到的经验应用于下一次创业。

这次退出发生在 2021 年。Lindon 的解释是希望把六年创业中学到的东西用于下一件更大的事,而不是把突然获得资金当作唯一原因。这句话与下一段的产品复盘相连:他之后追问的不再只是能否再拿一个客户,而是产品本身创造什么价值。

话题推进:在回顾完第一次创业的艰辛历程和最终成功退出后,话题转向了Lindon从这段经历中提炼出的核心认知,特别是关于产品价值和个人成长的思考。

00:17:02–00:27:14产品本质的连续回答:从屏幕互动到客单价、广告和ROI

  • 细数你前面的两段生意、一次创业,你从中学到了什么?
  • 怎么想一个更本质的问题,而不是多拿一个客户、多融一次资?
  • 你刚才提到YC mentor是Sam,他教你们什么?
  • 自律能提高你的决策质量吗,作为一个CEO?
  • 卖公司那年刚好30岁,之后的人生规划是什么?

Lindon先总结,前两段生意和一次完整创业教给他的不是“找到某个人或拿下某个客户就能解决问题”,而是要做最本质、真正有价值的事。他将这一判断落到无人零售:最初大家拿着Amazon Go式的技术找场景,希望用无人商店节省人工;实际做产品时,团队发现节省人工并不是最有价值的部分。

更有价值的是购物车屏幕与顾客的互动:顾客放进一种零食后,系统可推荐另一种,或在多买两件时给coupon。由此,团队把价值核心从“少几个员工”转为提高average basket size(客单价/每单购买量),并进一步发现广告机会。无人商店若没有类似交互屏幕,就缺少这条价值路径。这一经历解释了为什么他后来不只看技术是否能运行,也看技术嵌入怎样的产品形态。

主持人追问,怎样从多拿一个客户、多融一轮资回到本质。Lindon的回答是:ROI不成立,多一个客户没有意义;除非能证明上量后ROI会自动成立,否则商业飞轮没有搭起来,不能称PMF。很多公司以为客户签约并愿付费就是PMF,但后续定制化和客户要求的节拍可能让方案无法规模化。尤其在硬件和机器人行业,他认为ROI不成立就不是产品。

这段对话之后才进入Sam Altman和自律话题。Sam反复强调的是launch and iterate;Lindon说自己当时认知不足,不能充分与其共频。自律方面,他用Atomic Habits解释习惯对长期目标的作用,并将创业者称为“脑力运动员”:早起、运动、饮食、睡眠是为了保持找方向所需的清晰思考,而不是自律本身证明经营成果。30岁卖公司后,他在Instacart待三年,是为了向来自Uber、Facebook、Google等公司的高管学习产品和管理,弥补自己野路子创业的短板。

话题推进:产品价值从节省人工转向交互和ROI的讨论,连接到他如何在Instacart学习管理,并再次选择软硬件结合的机器人创业。

00:27:14–00:40:16研究合伙人的两项标准:research taste 与落地现实主义

  • 你们需要什么样的研究型合伙人?
  • 如果CEO希望落地,而research的合伙人希望做大脑突破,一般这样的团队会有分歧。你们会有分歧吗?
  • 这是什么时候?结果呢?
  • 你是落地派?那谁是落地派呢?
  • 最后你们怎么找到那个overlap?

Lindon分享了在Instacart担任VP三年的学习心得。他表示自己不善于总结,而是将所学内化为认知。具体而言,他学会了如何在大公司内部向CEO要资源,这需要精准地阐述项目的重要性(framing),并挖掘CEO的底层动机以达成共识。管理方面,他从过去凭感觉招人、试图纠正每个人的做法,转变为更深刻地认识到每个人的认知边界和能力范围,对用人变得更得心应手。在此期间,他直接和间接管理约三百人。

尽管学到很多,但Lindon直言当高管“一点都不符合”他的个性。他将创业比作匠人打磨作品,花数十年打造一个令自己自豪的公司(包含技术、文化、产品等),这个多维度的过程让他每天都能学到新东西,因此再次创业是自然而然的决定。

在选择创业方向时,他和合伙人杨士元认真探索了AR、能源、量子计算等多个“能改变世界”的领域。他们曾花6-8个月深入研究AR,但认为底层技术尚未成熟。最终选择机器人,是因为这与他们过往的软硬件结合经验高度相符,并且他观察到机器人行业当时也存在“拿着锤子找钉子”的现象,看到了机会。

团队组建方面,Lindon与合作十多年的杨士元再次搭档。他评价自己看得远,能规划公司十年愿景和战略路径,但缺点是表达过于宏观,逻辑链太长,导致他人难以跟上。他形容杨士元是“稀有的技术天才”,共情能力、思考结构性、落地能力、技术和管理能力俱佳。当被问及“闻得到钱”和“理想主义”是否有分歧时,Lindon明确表示自己是“现实的理想主义者”,做机器人并非为了赚钱,但“闻得到钱”是生存所需的脚踏实地,最终服务于“星辰大海”的梦想。

为了补齐团队在具身智能研究上的短板,他们开始寻找第三位联合创始人。他们对这位研究型合伙人有清晰的画像:首先,要有极强的“research taste”(研究品味)。他们通过研究论文发现了Jason,观察到他早期的论文虽然“fancy”,但越往后越变得简单、干净、核心概念清晰,体现了其在研究过程中的进化能力,这让Lindon印象深刻。其次,他们需要一个有“现实主义”精神的研究者,希望将研究成果落地到产品上,产生实际影响。

Lindon在Instacart的学习和再次创业的理由之后,进一步解释Dyna如何补齐研究能力。他与杨士元合作多年,对自己的评价是长期愿景较清楚,但表达过于宏观,长逻辑链使别人难以跟上。对杨士元的评价则是共情、结构化思考、落地、技术和管理能力都很强。这些均为嘉宾个人描述,不能当成独立绩效评价。

寻找第三位研究型联合创始人时,团队先在硅谷约谈二十来人,明确希望找到既有research taste又有现实产品意识的人。Lindon解释,他从Jason早期较fancy的论文看到后期越来越简单、干净、核心概念清晰,认为这体现了研究判断的进化。这个判断是基于论文轨迹的创始人口述,不是对Jason论文或研究能力的独立评审。

旧稿在“taste是第一”后跳到现实主义,丢失了完整衔接:第二项标准是不只做学术追求,还要希望研究最终能落地并对产品产生影响。正因如此,主持人接着问,如果CEO要落地、研究合伙人要做大脑突破,团队会不会分歧。Lindon承认Dyna在上年末也遇到这一问题,团队有人偏落地、有人偏research,最终需要找到一个同时改善智能和产品闭环的战略点。

话题推进:两项选拔标准直接引出Product Research的组织难题:研究和落地并不天然一致,团队需要在共同战略点上重新凝聚。

00:40:16–00:50:20折叠选型与真实部署:技术上限、异常成本和产品闭环并不等价

  • 为什么选择折叠这个场景?技术上难在哪里?
  • 怎么准备折衣服的数据来帮助泛化?
  • 预训练与后训练投入的资源和比重大概是多少?
  • 部署难吗?最难的是否是手的灵活性?
  • 这个场景商业化做得好吗?几个客户?为什么后来不继续scale?

团队为何选择折叠?Lindon先承认这是一个反共识选择。面对“为什么不去工厂、物流”的质疑,他认为关键不是先证明洗衣市场多大,而是先让第一个商业闭环成立。折叠坏了可以重做,容错比打翻拿铁高;场景又相对独立,且与洗衣店、酒店沟通后发现确有用工痛点。因此,他把折叠看作符合当时技术上限的technology-market fit。

技术难点也没有被简化成“衣服软”。衣物状态多、每一步依赖前一步,而且不同尺寸、面料、款式和环境都要求泛化。团队曾以为需要很多环境数据,实际发现约十多个场景就能支持一定的新环境泛化;这是嘉宾在特定任务、模型与数据配方下的自述,不是通用数据门槛。随着预训练改善,后训练所需数据减少,他们的资源投入由早期预训练和后训练约各半,转为预训练占更大比重。

真实部署揭示了demo与完整劳动之间的差距。餐巾完整流程需要五折,机器先做四折,最后较困难的一折由服务员处理,客户实际使用时仍不满意。客户每天需约1300张,最初机器24小时约850张;提速后,双抓餐巾的异常又可能耗约2分钟,而正常一张约20秒。若双抓约占10%,当天产量便难以达标。摆放进bin也若不整齐,会让成品看起来像没折好。团队坚持尽量让模型处理这些问题,认为预训练难以单独解决双抓造成的产出损失,而语言控制摆放则暴露了预训练的语言跟随问题。

这些失败不是旁枝,而是路线修正的证据:即使模型成功率高、某些corner case能解,解决耗时、人工补料和上下料仍可能使ROI不成立。Lindon说已有十个以上客户、数量不便透露,却选择不继续scale,因为产品没有达到他要求的scalable PMF。旧稿若只保留99%成功率,会漏掉后半段真正的反证。

主持人提出,追求落地的CEO与追求研究突破的科学家之间常有分歧。Lindon承认,Dyna在去年(2025年)底也曾经历严重的战略迷失,团队身份认同受到冲击:一派主张落地,另一派主张做研究。Lindon澄清自己当时更偏向研究派,而一些工程师则倾向于落地派。他认为,单纯的落地赚钱并不能形成长久、可规模化的产品形态(scalable product market fit)。

这场分歧的根源在于机器人行业普遍面临的困境:追求“探高”(提升智能水平)似乎无法落地,而专注落地又没有能力“探高”。然而,落地的可扩展性恰恰被智能水平所限制。因此,核心是要提升智能。团队最终的解决方案是“把战线拉长”,设定一个更长远的目标,这个目标既能驱动智能的提升,又能实现落地,从而将两派力量统一起来。

Lindon解释了Dyna的“Product Research”路线与传统纯研究路线的区别:

* 传统研究导向:以实现通用人工智能(AGI)为目标,采用发散模式探索各种可能性,之后再收敛。Lindon认为这种模式可能做得不够深,因为没有落地验证。

* Product Research:所有研究都服务于一个长期的、清晰的产品形态。团队会根据对最终产品的倒推,为研究设定优先级框架,在精力有限的情况下,只在最重要的事情上下注。

回顾创业初期,2024年底团队组建完成并开始接触客户。进入2025年,团队发现当时的机器人基础模型(Foundation Model)能力不足,机器人动作缓慢、混乱,且只能成功完成单步任务,无法连续执行,不足以商业化。为此,Lindon给团队设定了明确的Product Research目标:将任务成功率提升到99%,速度达到人类的50-60%。

所有研究围绕此目标展开,最终成果便是2025年四五月份发布的Dyna-1机器人。它能够连续24小时折叠餐巾,成功率超过99%,被视为行业内首个可商业化的演示。选择“折叠”这个看似市场不大的场景,是Lindon反共识的决策。他解释,这是基于当时模型能力的“Technology-Market Fit”:

1. 高容错率:与制作拿铁等任务不同,衣服或餐巾折坏了可以重折,损失小,对模型质量要求不高,符合当时技术天花板。

2. 场景独立:机器人可以独立在一个空间内持续工作,减少与人交互的复杂性。

3. 真实痛点:与酒店、洗衣店沟通后,发现这确实是一个普遍存在的用工痛点。

话题推进:部署暴露的关键不只是单步技术不够,而是机器人还要人补料和照料。下一段需把“需要保姆”到完整工作流的因果链接上。

00:50:20–01:10:00从折叠任务到工作流:在真实部署中发现模型的根本问题

  • 它技术上难在哪呀?
  • 你们怎么准备折衣服这个场景的数据呢?来帮助它更好的泛化,在这上面有难耗吗?
  • 所以我大概能不能理解,就是基于当时的预训练的技术能力,你们找到了一个可以最大化能够让机器干活的一个方向。
  • 那这个方向在过去一年随着技术的突破变化以后,它变了吗?
  • 你们后来后是不是又花了几个月的时间去做部署?
  • 哪几个月开始在做部署?
  • 部署难吗?
  • 你们也自己做预训练吗?
  • 你们预训练和后训练投入的资源和比重大概是多少呀?
  • 这是今年出现的变化?
  • 基于这个场景,当时最难的几件事情是什么呀?比如说手的灵活性。
  • 这个场景上商业化做得好吗?
  • 多少两了已经?
  • 几个客户啊?
  • 所以你们已经就是量产完成的很好是吧?
  • 你这个决定是什么时候做的?
  • 你发现了什么迹象让你觉得它没有达到你想象的skill?
  • 就是没有把这个场景里的整个工作给做完。

主持人追问折叠任务的技术难点。Lindon解释,难点在于处理软体(如衣物),其状态复杂多变,且每一步操作都依赖前一步的成功。这对模型的泛化能力也提出了高要求,机器人不能只折一种尺寸或款式的T恤。通过在不同环境、处理不同衣物(尺寸、面料、款式)收集数据,团队得出了关于泛化(generalization)的有效方法(recipe),并发现仅需十几个场景的数据就足以实现较好的泛化效果。这让他们在当时预训练水平下,看清了后训练(post-training)的能力天花板。

随着技术进步,Lindon观察到最本质的变化是后训练所需的数据越来越少,这更坚定了他们将重心转向预训练的判断。当时,团队在预训练和后训练上的资源投入是一半一半,而现在预训练的投入远超后训练。他们发现,模型的鲁棒性绝大部分来自预训练。

在2025年6月至9月,团队进行了为期数月的真实场景部署,过程“非常难”。他们遇到了多个预料之外的“corner cases”(边缘案例),揭示了从完成“任务”到完成“工作流”的巨大鸿沟:

1. 任务不完整:机器人只能完成叠餐巾的5个步骤中的4步,最后一步最难的整理工作仍需服务员完成,导致客户抱怨。

2. 速度不达标与异常处理:客户每天需要1300张餐巾,而机器人最初每天只能折850张。提速后又遇到新问题:机器人偶尔会抓起两张餐巾,虽然模型能通过复杂操作解开,但耗时2分钟,远超正常叠一张的20秒。只要这种情况发生10%,当天的产量就无法达标。团队坚持用模型(如强化学习)而非工程巧计解决,因为他们坚信只有纯模型方案才能规模化。

3. 输出不规范:叠好的餐巾被随意丢进收纳筐,看起来很乱。团队不得不花费大量精力训练模型,使其能按顺序整齐摆放餐巾。

4. 工作流中断:最根本的问题是,机器人每隔半小时到一小时折完一叠餐巾后就会停机,需要员工设置闹钟去补充物料。这导致机器人实际工作时间远低于预期,客户抱怨其“太慢”。

Lindon意识到,机器人需要一个“保姆”,这说明产品没有解决商业的本质问题,只是完成了孤立的任务,而没有完成整个工作流。因此,尽管已经有了十多个客户并开始商业化,他在去年(2025年)底做出了一个艰难的决定:停止规模化(scale)这个场景,因为一个不完整的产品未来会成为公司的“累赘”。

01:00:44 后,主持人继续追问:如果研究型实验室认为应先解决“大脑”,Dyna 为什么不先抛开当前场景?Lindon 的回答是把“大脑不行”具体化:单张餐巾任务内模型已能工作,但商业闭环需要取料、执行、下料和持续运行。后续工作流方案、多步可靠性、语言跟随和轮式底盘都是针对这些具体缺口,而不是笼统否定研究。下一分区沿同一问题继续展开。

话题推进:这个关于“机器人需要保姆”的深刻洞察,标志着Dyna战略的一次重大转折,引出了他们对机器人产品价值的重新思考,即从完成单一任务转向自动化整个工作流。

01:00:00–02:00:00连续对话 2

01:00:00–01:10:00从“机器人需要保姆”到完整工作流:任务成功不等于商业闭环

  • 研究型lab可以先解决大脑,因为当前定义的场景未必最佳,你怎么看?
  • 在洗衣房里,叠餐巾是机器人的本质任务吗?
  • 只做桌面折叠不足够有scalable价值后,你做了什么?
  • 现在能做到什么地步?预训练和后训练的比重怎样调整?
  • 你们从第一天就说不做人形机器人吗?
  • 你是否是硅谷少有的机器人落地派?

接续补料场景,员工每半小时到一小时需回来查看并添加新餐巾。客户说机器人太慢时,团队查看数据发现机器可能有连续半小时不工作,并非单张折叠速度本身,而是在等待人补料。Lindon因此说,问题不是机器人慢,而是机器人“需要个保姆”。这解释了他为何在已有客户的情况下仍停止scale:不完整的产品扩大部署会把人工照料和异常成本一起放大。

主持人随即提出另一种路线:研究型lab可以先解决大脑,因为当前定义的场景未必最佳。Lindon没有否定大脑和数据的重要性,而是追问“大脑不行,不行在哪?”在单一叠餐巾任务内,智能已能完成工作;真正未成立的是包含全部劳动的产品闭环。即使模型能在新环境zero-shot完成同一sequence of motions,也不代表它能替代员工完成整个工作流。这里的限制来自任务定义和智能能力两层,不能只用“缺数据”概括。

去掉“保姆”要求机器人做完整工作流:知道未叠餐巾库存在哪里,取料并返回桌面,执行折叠,再把成品送到指定shelf,最后取回新的桶继续循环。Lindon说这已是他们当时可以做到的范围;这是公司能力自述,尚非独立部署验收。

多步工作流也改变研究问题。单步成功率需要连乘,任何一步的异常都可能使全天流程停止;模型语言跟随不强,也让摆放位置等指令难以稳定执行。团队因此把更多问题追溯到预训练,并从不可移动的桌面设备转向轮式底盘、上半身躯干式的设备,以支持空间内移动。他们并未从第一天承诺一定不做或一定做人形,而是按任务需要选择硬件。

这段最后应接回Product Research的澄清:外界可能把Dyna看作落地派,但Lindon认为团队文化和工程都围绕research,只是用产品闭环探索下一步研究方向。Dyna 2的技术积累随后被拆成System 2、System 1、System 0,不能漏掉这条从部署失败到技术栈变化的链条。

主持人接着问,为何已有客户却不再继续 scale。Lindon 回答,关键不是没有客户或模型完全不能做,而是单任务之外的补料、异常、下料和人工支持没有形成可扩张的完整产品。他们把“需要保姆”视为商业闭环未成立的直接证据,因此宁可先停止扩张,修正任务边界与研究目标。这里承接上一段的部署细节,下一段再展开取料到下料的完整链条。

工作流 (Workflow)在本对话中,指代一个完整的、端到端的业务流程,区别于单一的“任务”(Task)。例如,“叠餐巾”是一个任务,而从去仓库取餐巾、叠好、再送到指定位置的整个闭环过程,则是一个工作流。它包含上料、执行、下料等多个环节,是Dyna衡量机器人能否创造商业价值的最小单元。
Product-research派嘉宾Lindon提出的自我定位,指以研究(research)为核心,但使用“产品闭环”作为验证和引导研究方向的方法论。其输入是前沿的机器人研究,输出是一个能够形成商业闭-环的最小可行产品(MVP)。这个过程的目的是通过落地实践来发现当前智能体的瓶颈,从而为下一阶段的研究(尤其是预训练)指明方向。
System 0/1/2Dyna内部的技术栈分层模型。System 2是最高层的“身体推理层”,负责理解世界、任务和规划,并输出语言指令。System 1是中间的“世界-动作模型”,负责将语言指令翻译成具体的动作序列。System 0是最底层的运动控制层,负责在硬件上精准、流畅地执行动作。
沿途下蛋嘉宾Lindon用来形容Dyna研发路线图的比喻。指随着机器人智能水平(scaling law)的不断提升,在不同发展阶段,选择并落地复杂度相匹配的工作流(“下蛋”),形成商业闭环。这个过程既能创造价值,又能为更高阶的智能研究提供数据和方向,实现研究与商业的协同进化。

话题推进:产品闭环为研究指明问题后,主持人继续追问System 0/1/2的分工、少量示范与语言引导的泛化表现。

01:06:53–01:17:29Dyna的技术栈、商业化路径与B2B场景选择

  • 这个算是Dyna 2吗?
  • 从Dyna 1到Dyna 2,你觉得公司的技术积累是什么?
  • 在其中有观察到可泛化性的迹象了吗?它能泛化到什么程度呢?
  • 这个完整的工作流已经开始有商业化客户了吗?客户是什么样的公司?
  • 它的成本能比一个人低吗?
  • 现在做到了没有?(指机器人24小时产出超过人类8小时)
  • 你们是不是在创业之初就决定先不做人形,然后不做制造也不做家庭,这是你们最早的说法吗?
  • 为什么不能做家庭在那个时候?
  • 你觉得终局来看,人形机器人在家庭里,它属于可泛化性最强的产品形态吗?会是我们这个时代的T型车吗?
  • 你们当时觉得哪个是你们的甜点区呢?哪个场景?
  • 为什么(B2B的需求会比B2C更高)?
  • 酒店的市场有多大?

嘉宾Lindon确认,即将发布的新机器人和模型是Dyna 2。他将Dyna 1到Dyna 2的技术积累归纳为三个系统的进化:

* System 2 (Body reasoning layer):负责对物理世界的认知,包括物理属性、当前状态和语义理解。它能理解任务进展,规划下一步,并向System 1发出语言指令。

* System 1 (World action model):接收System 2的语言指令,并将其转换为动作。

* System 0:负责运动控制,通过强化学习等方法,将System 1输出的动作轨迹(trajectory)在硬件上实现为快速、丝滑、准确的动作。

Lindon指出,在System 1和System 2上已观察到非常强的泛化迹象,主要体现在两个维度:一是通过少量示范(demonstration)学会新任务的能力;二是对语言指令的理解和执行能力(language steering capability)显著增强。

在商业化方面,Lindon透露,针对完整工作流已经有了商业客户,主要是酒店场景,但尚未完全落地。主持人关心成本问题,Lindon坦言,在当前基础模型限制下,机器人很难做到比人快。因此,Dyna的核心价值主张不是“比人快”,而是“比人更久”。他给团队设定的目标是:一个机器人工作24小时的产出,要能达到一个美国员工工作8小时的产出。他表示目前已经超额完成了这个目标。

随后,对话转向场景选择。Lindon澄清,公司创业初期并非预设“不做”什么,而是探索“能做”什么,在探索中排除了很多选项。他认为家庭场景是机器人的“终极形态”,对泛化能力要求极高,但即便技术上能实现,也不等于产品成立。家庭场景面临诸多挑战:

1. 主观性:消费者对机器人工作的预期非常主观(如盘子摆放方式),难以标准化。

2. 安全性与Corner Case:家庭环境的corner case极多,安全要求远高于B2B场景。

3. 多维度评价:家庭机器人不仅是泛化问题,还涉及速度、是否“顺心”等多个产品细节维度。

基于以上思考,Lindon认为B2B是更明确、商业落地更近的场景。他推断,如果通用机器人技术成熟,人工成本可忽略不计,消费品会变得更便宜,人的消费欲望会增强,从而带动B2B世界需要更多机器人来提高产能和产品多样性。相比之下,一个家庭通常只需要一个机器人。此外,B2B场景更好标准化,安全问题也更可控。酒店洗衣房被选为第一个闭环场景,因为它对酒店运营至关重要(疫情期间老板甚至亲自洗衣服),付费意愿高,且工作流相对固定,是验证模型智能边界和研究方向的理想“最小单元”。做通洗衣房,就能泛化到美国数万家酒店,并为进入其他工作流打下基础。

话题推进:在解释了为何选择酒店洗衣房作为首个商业闭环场景后,对话自然延伸到Dyna如何看待不同工作流的复杂度和公司的发展路线图。

01:17:29–01:26:39“沿途下蛋”:按工作流复杂度划分的研发路线图

  • 酒店打扫阿姨的那个场景能做吗?
  • 打扫房间的场景比现在洗房的场景难度高多少?市场会不会更大一些?
  • 所以酒店是你最早就开始选择的一个场景是吗?
  • 你看你们要做这样一个洗房场景,投入时间很长,怎么去做探高的事情呢?还有时间做吗?
  • 预训练你们现在做多大、多好、多强?

嘉宾Lindon认为,酒店洗衣房是一个必经之路,因为它容错率高、对节拍要求低、客户付费意愿强,是通往更复杂场景的“最小单元”。他将酒店场景视为“家庭的标准化版本”,房间差异不大,适合作为第一个商业落地场景。在此基础上,未来可以扩展到客房清理、做饭等其他酒店内的工作流。

主持人追问客房打扫场景的可行性。Lindon认为,随着模型智能提升,这是完全可以做的,但难度比洗衣房更高。他强调,当前最重要的不是追求更大的市场,而是“以最短的时间之內形成一个闭环”。客房打扫场景的corner case更多(如浴室清理、客人弄乱房间、物品损坏或丢失等),任务链更长,完成时间也更久。

由此,Lindon提出了他的核心方法论:不按“场景”(工业、商业、家庭)划分市场,而是按“工作流的复杂度”来分层。他将此比喻为“沿途下蛋”的路线图:

* Level 1-2:简单的短程工作流,如叠餐巾并完成上下料。

* Level 3-4:更长、更复杂的工作流,如整个洗衣房的运营。

* Level 5及以上:更难的工作流,如酒店客房清理。

公司的战略是,在当前模型的智能水平下,去解决对应复杂度的工作流,形成MVP(最小可行产品)。落地的场景必须在当前智能体的“舒适区”内,而下一步的战略方向则瞄准其能力范围之外,以此驱动智能体的进化。洗衣房工作流的复杂度,他判断大约在Level 2到Level 3之间。

主持人质疑,深耕一个场景是否会影响“探高”(探索智能上限)。Lindon回应,两者并不冲突。首先,做大做强预训练是无论如何都要做的事。Dyna打造了据称是行业最大的机器人数据集,投入的精力不比任何公司少。其次,Dyna的团队架构与其他研究型公司类似,有专门的预训练团队、后训练团队和前沿研究团队。唯一的差别在于,Dyna的后训练(post-training)团队是围绕一个具体的场景(如洗衣房工作流)进行,而不是发散地进行,这使得研究方向更聚焦。

话题推进:在解释了“沿途下蛋”和“探高”不冲突的逻辑后,主持人进一步追问Dyna在预训练中具体发现了什么,引出了关于数据质量与数量的讨论。

01:26:39–01:34:22数据之辩:从高质量到大规模,探寻机器人数据的最终形态

  • 你们在预训练里发现了什么?
  • 所以数据多现在比数据高质量你觉得更重要?
  • 你们全部是真机数据吗?
  • 哪个好用呢?试下来。
  • 为什么国内会把创始人分为真机派还有仿真派,你觉得为什么会有这个论战啊?
  • 这个最本质的是预训练达到什么样的效果?达到什么样的目标?

嘉宾Lindon透露,Dyna在预训练中有一个重要发现:使用“人体第一视角数据”在某个预训练集下,发现了非常强的scaling law。他认为这是一个行业的重要节点,因为它可能打破了过去一两年因数据瓶颈导致的“智能天花板”(intelligence ceiling)。

这个发现源于一次认知转变。Lindon坦言,去年他曾坚信“高质量数据”是关键。当时,他观察到RT-1等模型成功的基础是高质量数据,也选择性地听取了业界关于“移除部分数据能提升预训练效果”的观点,并推动团队“all in on high quality data”。然而,在后续开发完整工作流(workflow)的过程中,团队发现,更重要的是能否给模型提供“最diverse, 最广的human experience”。他意识到,在没有达到互联网级别(internet scale)的数据规模之前,过度进行数据质量优化(quality optimization)可能不符合第一性原则。

这次转念促使团队思考一个更长远的问题:未来5到10年,机器人数据的“最终形态”会是什么?他们得出的结论是,人体第一视角数据(ego-centric data)会成为最终形态。因为如果否定这种数据,某种程度上等于否定了机器手(robot hands)最终会成功,而行业共识是机器手是一个工程问题,而非研究问题。基于这个对终局的判断,Dyna决定以这种模式构建其数据集。

因此,Lindon现在的观点是,在当前阶段,“数据多”比“数据质量高”更重要。对于数据来源,主持人提问是真机还是仿真,Lindon表示“都用”。他认为没有必要陷入“真机派”与“仿真派”的路线之争,这些只是实现目标的“手段”。真正重要的是想清楚预训练要达到什么目标,以及什么是数据的最终形态,并在这上面下注。行业趋势在不断变化(从遥操作到RT-2,再到ego-centric和simulation),创始人需要坚持自己对最本质事情的判断。

最后,Lindon明确了Dyna预训练的两个核心目标:

1. 减少示范数量(Decrease the number of demonstration):这意味着可以更快地部署机器人。

2. 提升语言跟随能力(Language following capability):这是将单个任务拼接成完整工作流的基础。

话题推进:在阐述了预训练的目标后,主持人将话题引向了对整个机器人产业终局的预测,以及Dyna的“探高”和“沿途下蛋”策略之间的具体关系。

01:34:22–01:43:35做通一个即是做通所有:工作流、预训练与后训练的关系

  • 你觉得机器人这个产业的终局是什么样?他需要多少年达到?
  • 探高在这个智能的主线上和你们这个沿途下蛋的每一个场景之间是什么关系呢?
  • 你们在scaling law的路上会沿途下多少场景啊?这个有推演吗?
  • 为什么呀?(为什么做通一个场景等于做通所有场景)
  • 大机器人行业会出现大模型吞噬应用场景的状况吗?比如大脑团队的能力跃迁导致场景优化变得无用。
  • 哪些(问题)是不可以被预训练解决的呀?

关于机器人产业的终局,嘉宾Lindon认为很难预测具体年限,因为技术发展,尤其在AI领域,常呈现非线性、跳跃式突变。他以Dyna在ego-centric数据上发现scaling law为例,说明数据上限可能非常高,未来充满未知。他描述的终局形态是:给机器人一个模糊指令,它就能完成整件事,类似于通用Agent的愿景。

主持人追问“探高”(探索智能上限)和“沿途下蛋”(在不同阶段落地)的关系。Lindon解释,两者可以是一件事。随着智能体进化(如语言能力增强、所需示范减少),机器人能处理的工作流单元会从“任务”扩展到“工作流”,未来可能仅通过语言指令就能执行多个复杂工作流,甚至实现机器人协同。这个过程本身就是“探高”。

对于需要“下蛋”多少场景,Lindon提出了一个激进的观点:“做通一个场景就等于做通所有场景”。他的逻辑是,把一个工作流做深做透,就能充分了解当前技术栈的瓶颈所在,包括corner case、质量要求、速度等。从一个工作流扩展到一百个,增加的主要是数据量,而解决问题的基础思维框架和逻辑是通用的。Dyna产品的核心是一个系统:输入数据,输出一个可执行的工作流。一旦第一个工作流被打磨成型,复制到其他工作流的边际成本会降低。

主持人引用大模型领域的现象提问:机器人大脑的一次能力跃迁,是否会使场景内的优化变得无用?Lindon表示“会”,但这与Dyna的策略不冲突。他以Anthropic做出顶尖的Coding Agent为例,这并不代表其模型只能写代码,而是其强大的预训练模型加上针对性的后训练(post-training)共同作用的结果,这个框架可以复用到Excel等其他场景。

同样,Dyna的策略是:

* 预训练(Pre-training):保持最广泛、最通用的数据输入,持续扩大规模,探索智能上限。

* 后训练(Post-training):选择一个具体的工作流“下蛋”,将其做通。这个过程不仅是为了落地,更是为了“探路”——发现当前模型的瓶颈,从而指导下一步预训练的方向。

通过这种方式,团队可以区分哪些问题能通过扩大预训练解决,哪些不能。例如,“能否用语言指令让机器人整齐摆放餐巾”是预训练可解的泛化问题;而“一次抓了两张餐巾导致效率下降”这类具体的corner case,则需要通过后训练或其他方式解决。

话题推进:在厘清了预训练和后训练在Dyna战略中的不同角色后,对话转向了对机器人行业“ChatGPT时刻”的定义和预测。

01:43:35–01:50:00重新定义“ChatGPT时刻”:产品形态比通用智能更关键

  • 我们说robotics的这个终局很难预测,那现在你觉得它到了哪个moment呢?
  • 它可能在某一个场景里实现PMF。
  • 比如说可能的是什么样的形态?
  • 不只是一个智能体形态,意味着你觉得光有智能不够对吧?
  • 产品的最终局,你还不觉得它是人形机器人对吧?那是什么样的呢?
  • 什么叫做和人交互的一个形态,人怎么使用机器人的一个形态?
  • B2B能到每个人的手里吗?
  • 你觉得你跟其他的公司有什么不一样,比如说Physical Intelligence, General, 或者Google DeepMind?
  • 你的时间分配在哪方面更多,落地更多还是大脑更多,research更多?

主持人询问机器人行业走到了哪个阶段,嘉宾Lindon认为讨论这个不如讨论“机器人何时能给人类带来真正价值”和实现可规模化的产品市场契合(PMF)。他预测,Dyna距离在特定场景实现PMF“不远”,大约一到两年。

接着,Lindon重新定义了机器人的“ChatGPT时刻”。他认为,ChatGPT的成功关键在于它“useful to anyone”(对任何人都有用)。但对于机器人,要达到这个目标,不一定需要先实现物理世界的AGI(通用人工智能)。他提出了一个核心产品观点:“机器人不需要智能达到通用,就可以被每一个人用上。”

他以GPT-3到ChatGPT的演进为例来支撑这个观点。GPT-3在2020年就已发布,但产品形态是API,主要面向开发者。而两年后能力提升有限的GPT-3.5,通过一个创新的“browser chat”产品形态,变成了家喻户晓的ChatGPT,实现了用户飞跃。Lindon认为,这个从API到聊天界面的“产品变化”是本质性的,产品形态的创新是不可被轻易复制的。因此,他认为机器人行业也一样,最终的突破不仅在于智能体本身,更在于“产品形态”——即人如何使用机器人的产品体验。

Lindon透露,Dyna的最终局并非某个特定形态的机器人(如人形),而是一个“如何使用机器人的产品”。这个产品将是B2B模式,但最终能触达每一个人。他暗示这与Dyna的下一个发布有关,但未透露更多细节。

主持人提到外界将Dyna视为“落地派”,与Pi、General等“大脑派”形成对比。Lindon认为这是个“非常大的误解”,源于Dyna 1发布时过分强调了落地。他澄清,Dyna是一个“heavily research”的团队,公司80-90%的资源都投入在智能体上。他们坚信智能体是落地的瓶颈,必须提高智能才能真正落地。Dyna的独特之处在于,把“落地”作为“验证智能体”的闭环。由于Dyna在数据和infrastructure上取得突破,使得落地过程变得相对简单,甚至示范视频等素材都由专门的素材团队制作,而非占用核心研发资源。这使得他们能同时兼顾“探高”和“落地验证”。

话题推进:在澄清了公司重研究的本质后,主持人追问了去年年底团队内部关于研究与落地之争的具体情况,引出了Dyna在不同年份的战略节点回顾。

01:50:00–02:00:00闭环之后的部署飞轮:先验证问题,再谈闻到钱

  • 外界认为你们重本体、重场景,这是误解吗?
  • 你的时间分配在落地还是research?
  • 去年年底研究与工程落地的交集点是什么?
  • 从2024、2025到2026年的战略节点分别是什么?
  • 为什么创业一两年就追求商业闭环?
  • 你在机器人产业闻到钱的味道了吗?在哪里?
  • 你为什么这么强调闭环?

part2以01:50:00开始,与part1的01:50:00–02:00:00时间范围重复,属于结构性重叠,不应为了补漏再复制同一遍内容。审读时应以主题连续为准:先从外界误解Dyna“重本体、重场景”讲起,再进入“一个员工”战略,最后接到部署飞轮和中国团队。

Lindon认为外界误读来自Dyna 1发布时以落地解释产品。他称公司实际上高度研究驱动,智能体是落地瓶颈,落地同时是检验智能的闭环。被问个人时间如何分配时,他拒绝用CEO时间代表公司资源,而说公司绝大部分capacity用于智能体;转录中的“890%的90%”不清晰,不应机械写成精确的80%或90%。

“一个员工”是统一团队的战略点:只做单任务不足以闭环,必须完成上料、任务和下料;研究侧提高智能,工程侧改善infrastructure,后训练侧更快支撑工作流。2025年的重点是Dyna 1单任务闭环,2026年的重点则是完整工作流、预训练、reasoning、language stability和whole body control。未来“人人可用”仍属未发布愿景,不应当作已有通用市场。

商业闭环并不等于先追revenue。团队需要把场景中问题跑清,区分泛化可解与不可解的问题,并打通deployment。上一次创业即使产品可铺到超市,部署仍花了数年;机器人运行中也会出现硬件、软件、模型、运控故障。某天从应折约1300张变成约800张,需要observability和support来定位,而不是只调模型。

因此,若等智能完成后再补部署,可能又落后两三年。主持人随后问是否闻到钱,Lindon说在即将做的工作流和初期商业闭环中闻到了;更长期则是下一战略阶段的市场可能性。闭环的作用是以较短路径获得反馈,看清下两三步,而不是宣称所有未来问题都已解决。

话题推进:闭环和部署问题解释完后,对话转向中国硬件供应链、百台级初步量产以及为何不急于发布阶段性结果。

01:50:00–02:51:18连续对话 3

01:50:00–02:00:00中美团队布局与“低调”背后的战略定力

  • 你是从第一天就开始有中国的团队对吧?为什么做这个决定?
  • 你们在中国的这个供应链做到什么程度了?
  • 行业内的人会说你们就是在去年年中之后都比较低调,声音比较小,为什么呀?你们这一年在干什么呀?
  • 机器人可能是比大模型更长期的一个长跑,你觉得在这个长跑的过程中,最重要的是什么?
  • 对你来说智能和产品哪个更重要?
  • 那如果供应链最重要的话,你怎么看现在中国的这一波机器人团队啊?
  • 你觉得什么时候会快速收敛?

主持人张小珺询问Dyna从第一天起就在中国建立团队的原因。嘉宾Lindon称这是“非常重要的决定”,因为他认为没有供应链无法做出世界级的机器人。他透露,Dyna在中国有一个四五十人的团队,专门负责硬件研发和供应链,目前整条产业链已跑通,针对“工作流机器人”进入了百台级别的初步量产阶段,而上一代机器人则因判断其商业模式跑不通而未选择量产。

张小珺接着问及Dyna去年年中后为何在行业内显得“低调”。Lindon解释了三点原因:

1. 高标准:团队对研究成果(research taste)的要求非常高。他举例说,像语言控制(language steering)这类技术,Dyna在去年八九月就已实现,但因未达到99%的完美标准而选择不发布。后来他们意识到标准过高导致什么都不发也不好,对此有所反思和改观。

2. 战略清晰度:在战略方向尚不清晰时,发布阶段性成果不符合公司的核心理念。他们希望发布的内容背后有强大的产品、研究和工程逻辑支撑,而不是为了公关(PR)讲片面的故事。

3. 叙事完整性:公司设定的工作流战略目标非常长远,需要团队长期凝聚才能实现。因此,他们选择在途中保持沉默,等到能把整个故事讲完整时再发声,以便外界更好地理解其动机。

在探讨机器人行业长跑的关键要素时,Lindon认为是“方向感”——即对最终形态的判断。在智能与产品的权衡中,他认为智能更重要,是产品化的前提,但产品反过来也定义了智能需要达到的程度。他进一步补充,长跑中产品、智能和落地三者都重要,并引申出中美两派的观点分野:美国派认为大脑最重要,中国派则认为供应链最重要。Lindon认为两者都重要,但若放眼十年,他认为供应链可能更重要,因为硬件决定了产品的上限(能做得多好),而大脑决定下限(能否做得出来),行业最终会进入成本和质量战。

对于行业何时会收敛,Lindon认为收敛已在渐进发生。例如,在机器人执行成功率和速度上,以及在世界模型等技术方向上,行业正逐步形成共识。他预测,未来一到两年内,无论在模型架构还是数据能力上,都可能看到更明确的收敛模式。

商业闭环在本对话中,指一个从产品/服务交付给客户,到公司能从中获得反馈(如数据、收入、用户行为等),再利用这些反馈来指导下一步研发和商业决策的完整循环。嘉宾强调闭环的重要性在于它能提供明确的反馈,帮助团队在不确定的探索中找到正确方向。
全栈 (Full-stack)在机器人领域,这里指一家公司同时进行“大脑”(即人工智能模型、算法、软件)和“本体”(即机器人硬件、身体、供应链)的研发与制造,而不是只专注于其中一端。
修心嘉宾在对话中反复提及的个人成长过程。它指的不是简单的冥想,而是一种世界观和心态的修炼,核心在于面对挑战和困境时,通过“转念”(改变自己的看法和心态)来解决问题,而不是执着于改变外界或他人。这包括放下自我证明的包袱,减少内耗,以更纯粹、更自洽的状态去应对创业和人生中的不确定性。
IC (Individual Contributor)指在组织中不承担管理职责,依靠个人专业技能直接创造价值的员工,如工程师、研究员等。嘉宾提到Dyna的许多IC都具备管理经验,但选择回归技术岗位,体现了团队的精英化和专业深度。

话题推进:在讨论了中美两派对大脑和身体(硬件)的不同侧重后,话题自然地转向了对这两者关系的更深入辨析。

02:00:00–02:13:06大脑与本体:谁决定上限,谁驱动谁?

  • 你觉得机器人本题(体)和大脑的关系啊?
  • 这个跟很多人观点还是相反的,别人可能就会觉得大脑是上限,本题(体)是下限。
  • 你觉得应该大脑驱动本体还是应该本体驱动大脑?
  • 那如果大脑有一个提升,然后这套硬件会不会就不work了?
  • 所以我在想现在做全栈会不会早,因为大脑的问题还没解决完。
  • 你们会把那个夹爪换成灵巧手吗?在哪一代?这个对于你们这个场景重要吗?
  • 你现在有没有很困扰的一个问题?作为CEO。
  • 那这应该所有机器人都在想的问题,对吧?
  • 像采购数据有什么比较好的来源没有?

主持人张小珺询问嘉宾Lindon对机器人“大脑”与“本体”(即硬件身体)关系的看法。Lindon重申了他的观点:大脑决定下限,本体决定上限。他解释,大脑决定了任务“可不可以做”,而硬件决定了任务“能做得多好”。他以折纸为例,即使大脑知道如何折,但一天能折1000张还是更多,取决于硬件和运控能否支持更快的速度和更高的精度。他认为,大脑和本体关系紧密,难以拆分。不同的运控方案收集到的遥操作数据,可以训练出性能迥异的模型,一个可能动作丝滑,另一个则可能很糟糕。因此,他很难想象在B2B落地场景中,不自己掌握机器人本体(don't own the robot body)的公司能达到高质量和高效率。

张小珺追问,应该是大脑驱动本体,还是反之?Lindon明确表示是“大脑驱动本体”。他透露,在Dyna内部,硬件的规格定义一直是由研究(research)团队提出的,例如摄像头的帧率(FPS)、选择全局快门(Global Shutter)还是卷帘快门(Rolling Shutter)、视角多广等,都由算法需求决定。

张小珺设想,若大脑技术有突破,现有硬件是否会失效?Lindon修正道,并非硬件“不work”,而是大脑提升后,硬件达到了它的“上限”,无法满足大脑想做的事。他比喻说,就像大脑可以和世界级乒乓球选手对打,但身体跟不上,就被硬件限制了。

基于此,张小珺质疑现在做“全栈”(同时做大脑和本体)是否为时过早。Lindon认为不早,因为这是一个协同开发(co-develop)的过程。大脑进化后,硬件也需要持续迭代。他判断,硬件本体至少要迭代三版才能真正进入量产和场景应用。如果等三年后大脑问题解决了再去做硬件,虽然可能定义出更好的硬件,但却失去了三年的迭代时间,届时硬件依然无法马上落地和量产。

在具体硬件选择上,Lindon表示未来会用灵巧手替换夹爪,但目前时机未到,因为现有的灵巧手还不足以支持商业落地。谈及作为CEO当前的困扰,他表示不同阶段有不同困扰,如人员、融资或战略问题,但没有长期主线。最近他思考的是如何获取更多数据,并认为Dyna能训练的数据量上限比别人高,因此数据采购是一个需要考虑的问题。

话题推进:从当前的技术和战略困扰,话题转向了公司发展历程中的关键转折点和战略抉择。

02:13:06–02:15:53Dyna 1.0到2.0:一次脱胎换骨的战略收敛

  • 在Dyna 1到Dyna 2你们技术路线有发生变化吗?
  • 中间有没有什么比较struggle的时候?
  • 是去年9月份?
  • 为什么会困惑当时?
  • 所以就希望这个工作流的场景既能够满足商业化闭环,又能够去提高我们智能体的上限?
  • 你觉得截止到现在达到这个目标了没有?
  • 下一阶段你们要去做的是还不能说的事情?但是已经脱离了这个工作场景了?
  • 你们账上钱多吗?能支付机器人模型研发吗?
  • 机器人模型研发你觉得需要多少钱?
  • 这个可以认为是Dyna 1.0,对吧?然后2.0你可能要去用一个更多的数据,然后去做一个更大的模型,然后去定义一个新的场景或者范式?
  • 你觉得1.0这个过程中你们积累了什么呀?验证了是什么呀?
  • 2.0是脱离了1.0的叙事还是说还是它线上演?
  • 脱离的场景受限,要讲个更大的故事?
  • 这个什么时候能看见?

主持人张小珺询问Dyna 1.0到2.0的技术路线变化。嘉宾Lindon确认发生了“本质的、非常大的改动”,公司经历了“脱胎换骨”,变化涉及模型架构、预训练数据集、推理(reasoning)能力乃至硬件。

他坦言,最艰难(struggle)的时期是去年底,当时团队对所走的路感到困惑,看不清战略的下一个节点。困惑的根源在于,他们觉得单纯的“任务落地”无法形成商业闭环,于是在“专注落地”和“专注研究”之间摇摆。最终的收敛结果是选择了“工作流”场景,希望既能满足商业化,又能提升智能体上限。Lindon认为,到目前为止,这个目标已经达到。

对于下一阶段(Dyna 2.0),Lindon透露将脱离当前的工作流场景,但具体内容尚不能公开。他确认公司资金充足,完全可以支持机器人模型研发。他认为研发成本主要在人才、算力和数据三方面,而下一阶段大规模扩充数据时会需要更多资金。

张小珺将“洗衣”工作流阶段总结为Dyna 1.0,Lindon表示认可。他阐述,在1.0阶段,团队最大的收获是明确了智能体需要往哪个方向走,以及预训练需要达到何种程度的泛化和语言能力才能支撑起一个完整的工作流。而Dyna 2.0将“脱离场景的受限”,去做一个更通用的市场。他解释说,1.0阶段搭建的系统飞轮已经成型,数据输入后可以通过该系统转化为商业价值。接下来要做的就是给这个系统喂养更多数据,让它学习新东西,进入一个非垂直的通用市场。他预计,这个新阶段的成果将在明年(即2027年)展现。

话题推进:从公司的战略演进,话题转向了团队文化、组织形态以及CEO个人的成长与心路历程。

02:15:53–02:24:04AI时代的组织形态:从层级到扁平,精英小团队的“心流”

  • Dyna的企业文化、企业氛围是什么样的?
  • 你们的公司内部状态更像一个lab还是更像一个什么?
  • 你觉得现在这些新的公司的组织形态跟过往的公司组织形态有发生变化吗?
  • 所以你们现在不到200个人,差不多对吧?为什么这样配置啊?
  • 你觉得这种小组的状态会维持多长时间呀?
  • 今年AI coding就是爆发了之后,对你们行业有有什么改变吗?

主持人张小珺询问Dyna的企业文化。嘉宾Lindon形容团队“韧性非常强”,不易受外界起伏影响;同时团队“非常纯粹”,由真正热爱做事的人组成。他提到自己和联合创始人York(曾是摇滚乐手)都喜欢与这样的人共事。在浮躁的机器人行业中,他们专注于心中的蓝图,不受外界干扰,是一个充满激情(passionate)的团队。从内部架构看,公司更像一个实验室(lab)。

谈及AI时代的公司组织形态,Lindon认为发生了“质变”。他对比了传统大公司(如Google)层层汇报的结构(可能有10-11个层级),指出当前的AI公司组织变得“非常非常的扁”。这种扁平化结构使得CEO和高管能直接操控执行方向,通过一层管理者甚至直接与工程师和研究员沟通,从而加快了执行速度。Dyna的团队配置也体现了这一点:美国团队以研究为主,中国团队以硬件为主,研究人员数量略多于硬件人员。Lindon的管理理念是“找最精的人做最重要的事情”。团队成员平均素质很高,许多一线贡献者(IC)都曾有管理经验,因热爱技术而回归IC岗位,具备独立拆解和执行任务的能力。这种精英小团队模式降低了管理成本,避免了层级过多导致的行动缓慢和结构僵化。

Lindon认为,人数少更容易“凝聚成一颗心”,让团队进入“心流状态”,高效地协同工作。他承认这种小团队是阶段性的,未来组织会变大,但可能不再需要像十年前那样动辄上千人,或许一两百人就能完成过去千人才能做的事。AI编程工具的爆发也极大地加速了行业迭代,以前需要一个月完成的工作现在可能只需一周,使得团队可以同时探索更多方向。因此,他认为团队的迭代速度是当下最重要的。

话题推进:从组织管理和行业效率的宏观变化,对话深入到嘉宾个人作为连续创业者的内心世界和成长感悟。

02:24:04–02:34:03创业即修心:从向外求证到向内探寻

  • 你第四次创业,这次有什么不一样的感受?
  • 你从什么时候开始修心呢?
  • 你刚开始跟我说你会把投资人分类,你会分哪几类?
  • 你现在还会像上一段创业一样痛苦的读《沉思录》吗?
  • 你会内耗什么呢?
  • 你说你现在不是为了证明自己,那你现在是为了什么创业呢?你的驱动力变成了什么了?
  • 你一进来我就问你帅哥创业,帅哥作为一个CEO到底是一种什么样的感受,对不对?为什么你这么多包袱啊?
  • 这次创业有什么不一样的体验吗?

作为第四次创业,嘉宾Lindon感到自己“慢慢理解了创业是怎么回事”。他反思,过去创业是以融资额、估值、客户数等外界标准来评判自身成就,而现在更倾向于向内探索:如何想清楚问题的底层逻辑,如何通过“修心”活出更真实的自己。他从十多年前第一次创业起就开始“修心”,因为创业本身充满困难,每个挑战都是一次修行。

他分享了个人经历作为“转念”的例子。18、9岁时,他患上强直性脊柱炎,曾因此怨恨世界。后来,他转变念头,将病痛视为一个实验(experiment),通过十多年调整作息、饮食等,最终调理好了身体。他将这种思维应用于创业,例如,过去与投资人交流,若对方不理解,他会觉得对方“很傻”;现在他则会转念思考,认识到投资人有不同于自己的思考维度,他们的观点可以带来新的启发。

Lindon坦言自己曾有“讨好型人格”,非常在意别人的看法,会为演讲中的停顿而反复纠结。后来他想通了,认识到“这个世界上最在乎你长什么样子的人就是你自己”,从而放下了这种内耗。他现在的创业驱动力不再是证明自己,而是“更好地活成真正的自己”,回归到“看山是山”的纯粹状态,追求随心所欲而不被他人看法束缚的“真正的自由”。

对于这次创业,他感到非常珍惜,将机器人行业比作“世界杯”,因为赛道上聚集了各行各业的顶尖人才。他带着敬畏心,希望在这个过程中提升自己的“匠心”(craft)。同时,他也认为这次创业的挑战在于问题的复杂度极高,行业技术尚未收敛,环境浮躁。能在这种“迷雾笼罩”的环境下看清并探出一条自己的路,对他而言是巨大的挑战,但也极具成就感。

话题推进:从对创业心态的宏观感悟,转向了去年底那次具体的、深刻的个人转变经历。

02:34:03–02:48:08放下“不能犯错的CEO”包袱,在迷雾中找到自洽的路

  • 看清一条路,有时候会感觉是迷雾笼罩吗?
  • 你觉得外界对于Dyna说得非常准的地方,说得非常不准的地方有吗?
  • 你觉得这次创业到什么样的结果,你会觉得是成功了,什么样的结果,你会觉得是失败?
  • 你会有什么仪式吗?你日常?除了自律。
  • 你有度过过一个改变自己,度过一个难关吗?最近两年吗?
  • 去年底吗?
  • 你是通过屏蔽了很多噪音,扔下了很多包袱。你的包袱是什么?
  • 对,我看到你之前还说过一句话,要证明自己不是昙花一现呢。
  • 所以你是在去年底度过了这个心理状态?
  • 去年做错了什么决定?
  • 这个跟落地和research关系啊?就是这个二选一的选择?
  • 我觉得念头是很容易发散出去的,念头怎么收回来呢?
  • 这个对创业者来说是不是很常见?
  • 而且这个马拉松它不一样的是在于你不知道终点在哪里。
  • 但是你到去年底才创业一年多,为什么这么快呢?这个时候来的?
  • 那假设啊,如果你这次创业不如你上次创业的结果,你会怎么想?

嘉宾Lindon承认,机器人行业一直“迷雾笼罩”,能在迷雾中探出自己的路非常有成就感。他澄清,外界对Dyna最大的误解是认为他们是一家部署(deployment)公司,而实际上公司从第一天起就不是以此为核心。外界说得准的地方是,他们做的事情“有价值”。对于成功的定义,他认为是“让每一个人都有可能性用上我们的机器人”;而失败则是“修心的失败”,即自己内心认定失败了,那就是失败了。

他详细回顾了去年底到今年初那次重要的个人转变。当时团队战略迷失,他作为CEO想不出方向,内心压力巨大。他坦陈,自己最大的包袱是想做一个“不能犯错的CEO”,因为自己有过成功创业经历,觉得团队是冲着他的经验来的,所以非常害怕犯错。然而,这种心态反而导致他“为了不犯错而做了很多错误的决策”。这些决策并非基于第一性原则,而是为了追赶市场热点,导致团队被市场节奏带着走,缺乏定力,浪费了时间。同时,他也忽视了公司文化的建设,导致团队凝聚力不足。

他最终通过“放下包袱”和“屏蔽噪音”度过了这个难关。这个过程并非独自完成,而是得到了老师、团队、妻子和孩子的支持。当他放下“不能犯错”的执念后,第一个涌现的情绪是“感恩”。他意识到,有些难关是自己认知的“天花板”,需要靠别人的提醒和帮助才能突破。这次经历让他找到了自洽的方向,整个团队也随之收敛,变得稳定而有势头。

对于创业这场不知道终点的马拉松,Lindon认为,如果无法享受过程,只盯着结果,旅途会非常煎熬。他现在的思维模式已完全不同,更专注于享受过程,把每一次跌倒再爬起都看作是创业必经之路。即使这次创业结果不如上次,只要他打出了自己的风采,打得尽兴,就已经很开心了。

话题推进:在深入探讨了个人成长与创业心境后,访谈以几个轻松的快问快答和对未来的展望收尾。

02:48:08–02:51:07快问快答:拌面扁肉、三个女儿与机器人世界的语言

  • 一个全球范围内你喜欢的食物?
  • 一个全球范围内你喜欢的地点?
  • 你小孩多大?
  • 一个少有人知道,但必须知道的知识点?
  • 我们的每位嘉宾都会给我们观众朋友们推荐一本人生必读书。
  • 你心目中影响机器人进程的几篇论文?
  • 就你当下的认知一个关键的重要的battle是什么?
  • 我们工作室叫做语言即世界工作室,当你第一次听到这个名字的时候,你在想什么?

在访谈的最后,主持人张小珺进行了一轮快问快答。

- 喜欢的食物:嘉宾Lindon选择了家乡福州的“拌面扁肉”。

- 喜欢的地点:他回答“我老婆和孩子在的地方我都喜欢”,并透露自己有三个女儿,分别是一岁、两岁和三岁。

- 必知知识点:他认为是“修行”。

- 人生必读书:他推荐了《人生只有一件事》。

- 影响机器人进程的论文:他提到了Jason(可能是指Jason Yosinski或相关研究者)的一篇论文,认为它重新定义了机器人未来自我学习的形态,也是他认识这位研究者的契机。

- 当下关键的战场(battle):他认为是基础设施(Infrastructure),因为这决定了模型迭代的速度和规模化的能力,Dyna在此投入了巨大精力。

最后,张小珺问及他对工作室名字“语言即世界”的看法。Lindon从机器人角度解读,认为机器人正是通过“语言”和“世界”(Vision,即视觉)来感知一切的。世界代表了视觉、物理属性等所有感官输入,而语言则是机器人对这些输入的认知,并将认知转化为行动(Action)。因此,这两个模态对机器人来说都是最重要的。

话题推进:访谈在对机器人本质的思考中结束。

以上是原对话的分段阅读。下面才开始提炼论证、解释机制并给出本文自己的判断。

主要论证:观点怎样由经历与例子支撑

机器人本体(硬件/供应链)决定产品上限,而大脑(智能)决定下限。

Lindon Gao · 02:03:42;02:06:15

1. 大脑决定下限:智能水平决定了一个任务“能否被完成”。如果模型能力不足,机器人连基本操作都做不到,产品价值为零。

2. 本体决定上限:一旦任务可以完成,其“能做得多好”(如速度、精度、稳定性、成本)则由硬件本体和供应链决定。例如,即使大脑知道如何快速折叠,但如果机械臂的速度、精度或成本跟不上,产品的商业价值和竞争力就会受限。长期来看,行业竞争会进入成本和质量战,供应链的重要性凸显。

3. 协同作用:硬件的运控方案会直接影响数据采集质量,进而影响模型训练效果。一个糟糕的本体无法训练出优秀的模型。因此,二者紧密耦合,难以分割。

成立条件:该论证成立的前提是,讨论的是需要规模化部署、追求商业回报的B2B机器人产品,而非纯粹的研究原型。在商业场景中,效率、成本和可靠性是关键评价指标。

机器人产品的价值在于完成整个“工作流”(Workflow),而非孤立的“任务”(Task)。

Lindon Gao · 00:52:46;00:53:32;01:00:00;01:02:06;01:03:24;01:52:27

第一,单任务指标回答的是局部动作能否完成,不能替代全天劳动交付。餐巾完整流程需五折,机器先做四折,最后一折由服务员处理;客户每天约需 1300 张,机器最初约 850 张。提速后,双抓异常约 2 分钟、正常单张约 20 秒,异常比例会直接影响产量。

第二,补料和上下料让“机器人需要保姆”。员工需要定时回来补料,数据中出现连续半小时空窗;zero-shot 完成同一动作序列,也不等于机器人已取代员工的全部职责。

第三,完整链条包含找到库存、取料返回桌面、折叠、把成品送到 shelf、取新桶再继续。团队据此把目标从单任务升级为完整工作流,同时暴露多步可靠性、语言跟随、移动硬件、运行监测和支持问题。以上都是嘉宾的部署复盘,未由本文独立验收。

成立条件:该论证适用于希望替代重复劳动的商业部署。某些高价值、窄范围任务不必替代全部工作流;本期也没有统一人工成本、产量和 ROI 的独立财务核验。

Dyna的“Product Research”路线,是通过落地一个最小化商业闭环来发现模型瓶颈,从而指导更高阶的研究方向。

Lindon Gao · 00:40:16;01:06:53;01:43:36;01:56:42

1. 避免发散研究:纯研究导向(如追求AGI)容易发散,缺乏验证,可能做得不够深。

2. 闭环提供反馈:选择一个具体的工作流(如酒店洗衣房)并致力于将其商业化,这个过程会暴露当前模型在泛化、鲁棒性、语言理解等方面的具体短板(corner cases)。

3. 指导预训练:通过落地发现的问题,可以判断哪些是后训练能解决的场景问题,哪些是必须通过改进预训练才能解决的根本性泛化问题。例如,发现模型语言跟随能力不强,就促使团队调整预训练策略。这样,落地就成了“探路”的工具,使研究目标更聚焦。

成立条件:该策略成立的条件是:公司有能力快速搭建从数据到部署的完整系统,且选择的“下蛋”场景复杂度适中,既能暴露问题,又不至于因难度过高而完全无法落地,导致无法获得有效反馈。

在机器人数据达到互联网规模之前,数据的多样性和广度比精挑细选的高质量更重要。

Lindon Gao · 01:26:39;01:27:26

1. 认知转变:嘉宾承认自己最初也信奉“高质量数据”论,但在实践中发现,为了实现完整工作流,模型需要见过尽可能多样的“人类经验”。

2. 第一性原则:在数据量远未饱和时,过度优化数据质量可能是一种过早优化。更符合第一性原则的做法是先尽可能扩大数据的规模和多样性。

3. 终局判断:团队判断“人体第一视角数据”(ego-centric data)是机器人数据的最终形态,因为它规模巨大且多样性丰富。基于对终局的判断,当前阶段的策略应是拥抱大规模、多样化的数据,以探索scaling law的上限,而不是在小规模数据上做精细筛选。

成立条件:此论断具有阶段性。它适用于模型能力仍受限于数据广度的早期探索阶段。当数据规模达到一定程度后,数据质量、噪声处理和特定任务数据的配比可能会重新成为关键瓶颈。

研究合伙人的选拔同时需要 research taste 与落地现实主义,研究和产品的分歧要靠共同战略点收敛。

Lindon Gao · 00:36:40;00:40:00;00:40:16

Lindon 用 Jason 论文从 fancy 到简单、干净、概念清晰的变化识别研究判断,同时要求研究最终能落地并影响产品。主持人据此追问 CEO 要落地、研究合伙人要大脑突破时会不会分歧;Lindon 承认团队曾出现这种张力,最后寻找既提升智能又能形成产品闭环的 overlap。

成立条件:这是创始人选拔和组织复盘的个人叙述,不是对 Jason 研究能力的独立评价,也不证明共同目标已消除所有资源冲突。

机制与术语:对象、输入输出和中间过程

部署失败如何转化为工作流研究目标

【本文整理】真实链条依次是:单步折叠demo达到高成功率 → 客户每日产量仍不达标 → 双抓和摆放增加异常成本 → 补料使机器人等待 → 单任务产品仍需人工保姆 → 目标改为取料、执行、下料的完整工作流 → 暴露语言跟随、连续可靠性、硬件移动与部署监测问题。这里既有嘉宾原例,也有本文按时间顺序整理,不能把所有问题都归因为模型智能不足。

例子来源:嘉宾原例重述,不是本文虚构场景

嘉宾原例重述:餐巾完整流程需五折,机器先做四折,最后由服务员处理;每日需求约1300张,机器最初约850张。提速后,双抓异常约2分钟、正常单张约20秒,若约占10%便难达标。之后员工还需定时补料,使机器出现半小时空窗。这个例子同时证明“任务能做”和“完整工作不能自动替代”可以同时成立。

多步工作流的可靠性:连乘只是分析工具,不是实测

【本文整理】嘉宾用“99乘99乘99”强调长链任务对每一步可靠性的敏感。真实工作流中的步骤未必独立,模型可能从错误中恢复,人工接管也可能改变产出。因而可用连乘理解必要性,但不能据此反推Dyna全天成功率。更完整的验收还应包括异常恢复时间、无料等待、人工介入和连续运行产量。

本文自拟示意,不是嘉宾实验

假设:若一个流程有20个相互独立步骤,每步成功率99%,全链成功率约为0.99^20≈81.8%;提高到99.9%时约为98.0%。这只是本文说明连乘效应的假设算例,不是Dyna的实测成功率,也不涵盖失败恢复、补料和人工接管。

产品闭环与部署闭环的区别

【本文整理】产品闭环用于回答研究是否有用:所选工作流能否创造客户价值、暴露智能瓶颈并反馈下一代模型。部署闭环用于回答系统能否长期运行:硬件、软件、模型、运控、观测和支持是否能在真实环境中维持产量。两者相互提供反馈,但一个工作流跑通不等于部署已经规模化。

例子来源:嘉宾原例重述,不是本文虚构场景

嘉宾原例重述:Lindon说上一次创业的产品已可铺到超市,落地仍花数年;Dyna现场还可能从每日目标约1300张变成约800张且原因未知,需要observability和support定位。闭环在这里是发现问题的工具,不是收入或大规模部署已完成的证明。

“沿途下蛋”的研发路线图

这是一种将研究(探高)与商业化(落地)相结合的战略机制,其核心是按“工作流复杂度”来规划产品和研究的迭代路径。

* 输入:当前机器人基础模型的能力水平(如泛化能力、任务成功率、对corner case的处理能力)。

* 过程:

1. 评估与匹配:评估当前模型能力处于哪个“舒适区”,并选择一个复杂度与之匹配的、能够形成商业闭环的“工作流”场景作为当前的落地目标(“下蛋”)。例如,早期模型能力有限,选择容错率高的“叠餐巾”任务。

2. 闭环验证:在真实场景中部署并力求打通该工作流的商业闭环。这个过程会暴露当前模型能力的瓶颈和下一个阶段需要解决的核心问题。

3. 驱动进化:将落地中发现的瓶颈问题,转化为对下一代模型(尤其是预训练)的具体研发需求(如提升语言跟随能力、减少所需示范数量),从而驱动智能体的进化。

4. 循环迭代:随着模型能力提升,进入新的“舒适区”,再选择一个更复杂的工作流场景(如整个洗衣房运营、客房清理)进行下一轮“下蛋”。

* 输出:在每个阶段都能产生一个与模型能力相匹配的、有商业价值的最小可行产品(MVP),同时为下一代模型的研发提供明确的方向和验证标准。

* 失败条件:1. 选择了过于复杂的初始场景,导致迟迟无法落地,得不到有效反馈,循环无法启动。2. 满足于当前“下蛋”的商业收入,而停止了对更高复杂度工作流的探索,从而失去了技术领先性。

对应节目:01:20:12;01:23:54;01:25:05

Dyna的技术栈分层(System 0/1/2)

这是Dyna内部用于实现从高级指令到具体物理动作的技术架构,将复杂的机器人控制问题解耦为三个层次。

* 输入:一个高级、可能模糊的任务目标,如“清理洗衣房”。

* 过程:

1. System 2 (身体推理层):接收高级目标,结合对物理世界(视觉、语义)的理解,进行任务规划和拆解。它会生成一系列自然语言形式的子任务指令。例如,将“清理洗衣房”拆解为“去取一筐待洗衣物”、“把衣物放入洗衣机”、“启动洗衣程序”等。

2. System 1 (世界-动作模型):接收来自System 2的语言指令,并将其翻译成机器人可以理解的、具体的动作序列或轨迹(trajectory)。例如,将“去取一筐待洗衣物”翻译成一系列移动、抓取、放置的动作规划。

3. System 0 (运动控制层):接收来自System 1的动作轨迹,通过强化学习等底层控制算法,驱动机器人的硬件(关节、轮子)精准、快速、平滑地执行这些动作。

* 输出:机器人在物理世界中完成的、符合高级任务目标的具体动作。

* 失败条件:1. System 2的推理能力不足,无法正确拆解复杂任务。2. System 1的语言理解或动作生成能力差,导致指令执行错误或效果不佳。3. System 0的控制不稳定,导致动作笨拙、缓慢或失败。

对应节目:01:06:53

独立判断:这些对话改变了什么理解

【本文推断】本期最重要的研究信号是失败被分层了:局部模型指标、异常恢复、完整劳动和长期部署是四种不同验收。

推理:99% 成功率可以支持模型会叠餐巾,双抓约 2 分钟则显示异常的代价,半小时补料空窗又显示任务边界漏掉了人工劳动。即使完整取料—折叠—下料链条在演示中成立,硬件、软件、运控和支持故障仍可能使日产量从约 1300 降到约 800。把这些层分开,才能知道下一步应该改模型、改任务边界、改硬件还是改部署系统。

竞争解释与边界:这些例子来自公司主动选择的复盘,可能突出对当前战略有利的失败。需要同一客户、同一口径的连续产量、人工介入和成本记录,才能判断新工作流是否真正改善 ROI,而不是把失败从一层移到另一层。

Dyna的“Product Research”策略本质上是一种“验证驱动的研发”(Validation-Driven R&D),其核心优势在于通过商业闭环强制进行需求收敛,降低了在“迷雾”中探索的风险。

推理:纯研究导向的“大脑派”面临的问题是,在AGI实现前,所有研究成果的价值都难以衡量,容易陷入漫无目的的探索。而Dyna的策略,通过设定“打通一个工作流”这个具体、可衡量的商业目标,为研究提供了一个清晰的“北极星”。这个目标迫使团队必须回答“什么样的智能才能创造商业价值”,从而将无限的研究空间收敛到有限的、高价值的问题上。例如,从“叠餐巾”到“完整工作流”的转变,正是因为商业部署的失败(需要保姆)清晰地暴露了单一任务智能的局限性,从而驱动了向工作流智能的进化。这是一种用市场信号来校准研究方向的高效机制。

竞争解释与边界:该策略的局限性在于,可能会因为过早地锚定于某个“可落地”的场景,而错失了更具颠覆性的、需要更长周期研究的技术方向。如果行业出现了非连续性的技术突破(例如,一个通用世界模型的诞生),那么基于特定工作流优化的经验和数据,其价值可能会被大幅稀释。Dyna声称“做通一个即是做通所有”,但这依赖于不同工作流之间的共性远大于特性,这一假设有待验证。

【本文推断】‘Product Research’的价值在于用部署暴露研究问题,而不是用商业目标替研究预先宣布答案。

推理:折叠任务把团队带到语言跟随、连续可靠性和完整工作流问题,说明真实场景能改变研究队列。但反馈是否比纯研究更有效,取决于场景是否包含目标能力的瓶颈,以及团队能否把失败归因到正确层。若只追短期客户定制,反馈可能反而使研究范围变窄。

竞争解释与边界:这种个人层面的“修心”和转变,虽然对创始人至关重要,但其能否有效转化为组织层面的文化和机制,仍是挑战。一个依赖创始人“顿悟”来纠正航向的组织是脆弱的。更稳健的结构需要建立制度化的决策复盘、内部异议和反思机制,以系统性地对抗“CEO光环”可能带来的决策盲点。

Dyna声称80-90%资源投入研究,但其“Product Research”模式使其在外部呈现出强烈的“落地派”色彩,这种认知错位可能在人才吸引和融资叙事上带来双重挑战。

推理:Dyna通过Dyna-1的“叠餐巾”演示一举成名,这在外界看来是典型的场景落地案例。尽管Lindon反复澄清公司是研究驱动,但其核心方法论“沿途下蛋”和对商业闭环的强调,都强化了其“务实”、“落地”的标签。这种标签在吸引寻求稳定商业回报的投资人和客户时是优势,但在吸引顶尖的、希望从事最前沿、最通用智能研究的人才时,可能会成为障碍,因为这些人可能会被Pi等更纯粹的“大脑派”公司吸引。如何在融资时讲一个既有长期想象力(我们是研究公司)又有短期可行性(我们能落地赚钱)的故事,同时在招聘时吸引到两类不同气质的人才(研究型和工程型),是对创始人叙事能力和组织文化包容性的极大考验。

竞争解释与边界:反过来看,这种“认知错位”也可能是一种战略性的模糊。通过展示落地能力,Dyna可以在资本市场获得更稳定的支持,用商业的现金流或明确的商业合同来反哺长期的研究。对于那些既看重研究深度、又希望自己的工作能产生实际影响的研究者来说,Dyna的模式反而可能比纯研究机构更有吸引力。

尚未解决的问题与可检验的下一步

待解问题:从单任务升级到完整工作流后,真实客户的无人化产量和单位经济性是否持续改善?

下一步信息或小实验:在相近客户与任务上连续记录完整交付量、成功率、异常类型及恢复时间、补料等待、人工接管、硬件和软件故障、部署维护成本;比较旧单任务与新工作流,而非只比较一次 demo。

怎样的结果会改变判断:若人工等待和全成本持续下降、完整工作流日产量稳定达到客户需求,Product Research 的部署反馈得到支持;若问题只从补料转为更多异常处理或支持成本,就需要重新限定路线。

待解问题:Dyna提出的“做通一个工作流等于做通所有”的核心假设是否成立?即,从一个工作流(如酒店洗衣)泛化到另一个(如快餐店后厨)的边际成本,是否真的如预期的那样低?

下一步信息或小实验:观察Dyna 2.0发布后,他们进入第二个、第三个工作流场景的速度和效果。可以比较他们为第二个场景所花费的研发时间、数据收集量和模型微调的代价,是否显著低于第一个场景。

怎样的结果会改变判断:如果Dyna在进入新工作流时,仍然需要大量针对性数据采集和模型改造,且部署周期很长,那么“做通一个即是所有”的论断可能过于乐观,其技术栈的泛化能力有限。反之,如果他们能以月为单位快速进入并打通一个新场景,则证明其方法论和系统飞轮的强大。

待解问题:Dyna声称已找到利用“人体第一视角数据”(ego-centric data)的scaling law,这种数据的实际效用和瓶颈何在?它与高质量的真机遥操作数据、仿真数据之间是替代关系还是互补关系?

下一步信息或小实验:需要看到基于这种数据训练出的模型,在zero-shot或few-shot条件下,于真实机器人上执行新任务的表现。关键是看模型能否处理好Sim2Real的gap,以及从非结构化的人类视频中学到的操作知识,是否能有效迁移到结构化的机器人动作上。

怎样的结果会改变判断:如果模型在处理物理约束、精确操作和corner case时表现不佳,严重依赖后期的真机数据微调,那么ego-centric数据可能只是一个“通识”补充,而非核心训练数据。反之,如果模型能直接展现出强大的泛化操作能力,将颠覆目前以遥操作和仿真为主的数据采集范式。

待解问题:Lindon提到的“让任何人都可以用上机器人”的B2B产品形态究竟是什么?它如何实现从企业服务到触达每个人的跨越?

下一步信息或小实验:等待Dyna下一阶段的产品发布。需要关注其产品的交互界面、服务模式和商业模式。是提供一个平台让企业自行训练和部署机器人,还是提供一种按需调用的机器人劳动力服务?

怎样的结果会改变判断:如果最终产品只是一个面向开发者的机器人操作系统或API,那么“人人可用”的说法更多是愿景。但如果它提供了一种类似云服务的模式,让普通消费者或小企业主可以通过简单的界面调用物理世界的机器人来完成特定任务(如3D打印、定制烹饪),这将是产品形态上的巨大创新,判断会从“愿景”变为“突破”。

影响理解的转录疑点

优先连读 00:36:40—00:40:16 的研究合伙人选拔与组织分歧,再读 00:50:20—01:10:00 的折叠部署失败:五折只做四折、双抓、补料空窗和完整上下料构成一条不能省略的因果链。随后读 01:50:00—02:00:12 的工作流与 deployment 飞轮,区分研究反馈、产品闭环和长期运行。最后读 01:26:39—01:43:35 的数据与工作流泛化,注意这些都是嘉宾方法和预测,不是已跨场景验证的结果。

延伸研读:原有专题与外部资料

以下保留本期此前的专题解释、公开资料对照和研究讨论,作为上述逐段阅读的补充。不同部分的写作范围可能不同,外部资料中的新事实不反向冒充节目原话。

Lindon Gao 是 Dyna Robotics 的联合创始人兼 CEO,福州出生,11 岁赴美,这是他的第四次创业。张小珺先追问他的创业经历,再问一个已经卖过公司的创业者为什么选择机器人、为什么偏偏从折叠衣物进入。这条履历不是成功故事的装饰:他此前反复遇到技术概念成立、客户账却算不过来的情况,后来把这种经验带进机器人研究。本期真正贯穿始终的问题是,怎样让产品里的失败改变研究方向,而不是只把演示做得更好看。

前几次创业怎样形成了他的产品判断

14 岁时,他从游戏账户和装备交易搭起平台,后来卖掉网站;大学阶段做珠宝,从收购库存、在 eBay 转售,走到连接中国供应链与美国设计师的供货生意。他也曾按父母期待学医,转向金融,在投行工作两年多后离开。这些经历让他熟悉小生意的供需与成本,但没有自然赋予他经营大组织的能力。

此前的无人零售公司 Caper AI 是一次更系统的校正。2017 年 Amazon Go 带热无人商店,他去问超市老板愿不愿安装,按其回忆,约 150 人连免费方案也不接受:装修要停业,设备需要维护,省下几个收银员却未必省掉他们兼做的其他工作。于是他把同一目标改成智能购物车,用传感器融合与视觉识别判断顾客放入的商品,减少改造门店的负担。变化不只是技术变简单,而是客户终于有机会在原有经营方式中计算收益。

进入创业孵化器 YC 后,导师催促尽快发布、迭代,融资却没有同步顺利。他口述早期只融到 30 万美元,团队共同居住、压低开支,约两年半后才取得种子轮;给一千多名天使投资人发邮件,最终转化两人,后续机构融资也经历大量否定。他用“蟑螂”鼓励团队撑下去。2021 年 Caper AI 被 Instacart 以 3.5 亿美元现金及股票对价收购,对他首先意味着这次产品判断做对了。之后在 Instacart 待了三年,按其回忆最多直接和间接管理三百多人,学习怎样说明项目、争取资源、理解不同人的动机;此前融资金额与管理人数说明其口述经历,不是本文核验的融资或管理记录。

研究 taste 不只来自论文,也要接受产品问题的检验

再创业时,他与长期搭档杨世远考察过 AR、核聚变、量子计算,最终选择机器人。Lindon 负责方向,杨世远承担技术与组织,Jason 主导研究。选择研究合伙人时,他们看重的 taste,是能否抓到真正值得投入的问题:Jason 早期论文复杂、花哨,后来概念更简单、表达更干净,这种持续自我修正比某一篇论文更打动他;还要有把研究推向产品的现实意愿。

他称路线为 product research:长期产品目标给研究划定优先级,不在同一阶段铺开全部可能性。开始是根据论文与能力上限选问题,部署之后则由真实失败校正问题选择。折叠、双抓、摆位、补料分别揭示不同短板;团队必须判断哪个属于动作恢复,哪个属于预训练,哪个说明产品定义还不完整。Lindon 用这些反馈调整研究顺序:当前阶段先补哪种能力,下一阶段再做什么。这里的限制是长期产品价值,不是要求每项研究马上产生收入。

为什么先折叠?他回忆当时基础模型慢、行为不稳,同一任务常常只成功一次;团队给出的商业化门槛是成功率约 99%、速度达到人的 50% 至 60%,这是当时的目标设定。做拿铁失手会打翻饮料、增加清理工作,折坏一张衣物还能重来;折叠岗位又相对独立,酒店与洗衣房有真实用工需求。同时软布会变形,后一折依赖前一折,还要适应尺寸、款式、面料,足以提出研究问题。他后来称十几个采集场景就支持了当时 T 恤任务的新环境迁移;这是一项限定任务的团队观察,不代表家庭里的所有衣物都已泛化。

展会到洗衣房:不是一个故障,而是一串逐步暴露的缺口

按编辑文字中的口述,2025 年 Dyna One 在 CoRL 展示连续折餐巾,运行可到 24 小时、成功率超过 99%。团队最初认为已经有商业化演示,但数月现场部署把这个结论拆开了。第一,完整餐巾要折五次,展会方案只做四次,最后一次仍留给服务员;最后一折物体厚而小,如果没有平躺就容易散开。展示中的“折好”与客户最终要的成品,实际上不是同一个验收对象。

第二,日产量不够。他口述一个大型餐饮客户每天需要 1300 张,早期系统运行 24 小时只能完成 850 张;团队随后专门研究速度,才称达到该客户要求。第三,异常把平均产出拖下去:一次抓到两张,人用一两秒可处理,机器人却要约两分钟,而正常折一张约 20 秒。他用 10% 这一口述数字说明双抓会拖累当天产出,但正文没有明确这是按抓取次数、餐巾数量还是班次计的频率,也没有完整运行日志。因此这些数值用于解释恢复负担,不用于推算一项已核验的吞吐成绩。

团队有人建议每遇到边角情况,就用专门工程规则绕过去。Lindon 担心这样只会积累依赖场景的补丁,坚持让模型承担可扩展的处理能力。但他并未把所有失败都归到一种训练:双抓是突发物理意外,按他的判断需要强化学习,通过行动及反馈学习恢复;折好的餐巾应放在箱内第一个、第二个还是第三个位置,则是语言指令能否约束动作的问题。他们尝试用语言控制摆位,发现 VLA——把视觉、语言与动作接起来的模型——跟随指令不够强,把根因指向预训练。双抓恢复归强化学习、摆位语言跟随归预训练,是本期必须分清的两个诊断。

第四,即使能折好、摆齐,机器人仍会缺料。一摞约 100 张,半小时到一小时就用完,员工必须设闹钟回来补;一忙忘了,机器人就会停等。客户投诉慢,团队看见连续约半小时没有产出,追问才知道不是动作变慢,而是无人上料。原本要替代劳动的机器,反而需要一个照看它的人。Lindon 因此决定暂不扩大,尽管已签十多个客户:它解决的是折叠任务,尚未解决完整工作流,人工照料会破坏原来的财务逻辑。

验收单位改变,模型、本体与数据路线也必须跟着改变

下一步不只是放更大一摞布,而是让机器人判断料快用完,知道库存在哪,移动过去取回,送到操作台;折完还要运走成品、换容器、重新开始。每一步都可能把系统带入新状态,单点可靠性串成整条链后仍会下降。Dyna Two 因而采用轮式底盘与人形上身,把移动和操作接起来;两条腿是否值得增加,则仍按额外价值与成本判断,不以“更像人”作为充分理由。

软件按他介绍分为三层:system 2 判断物体属性、当前状态和工作流阶段,决定下一步并发出语言指令;system 1 把指令转成世界中的动作;system 0 负责运动控制,用强化学习使动作轨迹更快、更稳、更准。高层要知道该补料还是继续折,中层要理解去哪里、放哪里,底层要把轨迹执行出来。这是团队的架构与研究路线说明,不是已经完成无人工介入整班作业的独立测试。

商业比较也从单次速度转为整班产出:美国员工工作 8 小时,机器人可运行 24 小时,只要完成同样产量,就可能成立。他称当前产出已超过这个对照,但正文没有给出同场景班次分布、介入时长与全部成本。保留他的报告,同时要看见这个对照的前提:24 小时必须是真正有效工作,而非把停等、补料与人工收尾藏起来;产量相等也还不等于采购、维护与监督成本已经合算。

数据判断随后转向。早期折叠任务的 A/B 对照使他相信最高质量示范能训出最好模型,于是全押高质量数据;与语言、视频模型研究者交流时,他又选择性吸收“删掉一些数据更好”的观察。做更长工作流后,狭窄优质数据覆盖不了广泛状态,他改为先扩大人类经验的多样性,再做删除数据的消融比较和质量优化。他坦承原来在规模不足时过度优化质量。这是在新目标下修正旧判断,不是证明低质量数据普遍优于高质量数据。

他把最终数据形态押在人类第一视角、辅以外部视角,认为不该为采集数据制造奇特机器手而绑定研究路线;并口述已用一百万小时第一视角数据预训练、观察到较强规模规律,甚至称其规模行业最大。本文保留其赌注与报告,不把缺少公开对照的数据集排名、规模收益当成验证成果。他对预训练的两项期待更具体:少量示范即可部署,语言说清楚就能做对;真机还是仿真应由这个目标决定,而不是成为派别身份。

外界认为 Dyna 只重部署,他却口述公司八九成能力投在智能体上,中国团队主要做硬件与供应链,已进入初步百台级量产;这些比例与规模未获独立核验。大脑决定产品能否成立、本体决定能做多好,是他的路线比喻:研究反过来规定摄像头帧率、快门和视角,硬件与供应链必须提前迭代,等智能完成后再做会丢掉积累时间。家庭不是洗衣房的简单放大。在本期中,Lindon 另列泛化、速度、消费价值、安全与个人摆放偏好等约束,认为技术做到不等于消费者愿买。酒店洗衣房的流程较一致,却仍有开门、掉落、搬运等异常,因此它既是商业入口,也是探测更长工作流能力边界的台阶。

他不按工业、商业、家庭给任务简单排序,而看工作流复杂度:点餐链条短,洗衣房较长但相对一致,客房清扫则有更多环境变化与异常。当前部署应在能力范围内,下一步目标要在范围外,才能从失败找到研究缺口。B2B 优先的窄理由是岗位和流程更易标准化、有明确的付费需求,不由一项人口比例推导整个市场必然更大。

从路线争执到修心:怎样放下“我必须判断正确”

2025 年底的内部争执,表面是做场景还是做研究,深处是团队不知道自己属于什么公司。Lindon 说自己更靠近研究,因为不能规模化的场景不是目标,但他也发现只盯行业发布会使团队今天追这个、明天追那个。最后共同目标改为一名员工:要替代一天产出,就同时需要完整流程、智能提升、部署基础设施和更快后训练。双方不是各退一步,而是重新找到都必须解决的问题。

更难调整的是他的自我要求。卖过一次公司后,团队相信他的经验,他却把这种信任背成“不能犯错的 CEO”,还想证明上次成功不是偶然。怕被证明错,使决策围绕自我保护,而非任务需要,他认为这反倒造成了错误。2025 年底至次年初走出这段状态时,首先感到感恩:联合创始人一直支持,团队与家人接住了他。他由此不再相信只要多工作就能想清楚;投行时代一周上百小时的投入,也替代不了思维方式的转换。

修心不是结尾突然加上的鸡汤。他十八九岁确诊强直性脊椎炎,起初在疼痛中怨恨;后来把自己的作息、饮食和反应当成长期探索对象,逐渐形成自律。这是个人应对经历,不是医学疗效结论。读《沉思录》、王阳明以及不同宗教思想,帮助他练习如何与世界相处;过去觉得投资人不懂自己,现在愿意从对方不同的观察维度学习。连回看演讲时纠结自己的停顿,也被他重新理解为过度在乎评价;他最后推荐的《人生只有一件事》,也落在这个修心主题上。

主持人最后问驱动力,他回答不再只是证明成功,而是更真实地活成自己。他把这次创业比作强手汇集的世界杯,带着敬畏参与;如果让更多人有机会使用机器人,可以算一种成功,而如何看待失败又包含他的心理选择。技术目标仍在,但不再把全部自我价值押在一次外界判定上。这是嘉宾对自身转折的解释,不应套成所有创业者的固定心理模型。

本文补充解释:从故障症状到可推翻的诊断

Lindon 把摆位不足指向预训练,把双抓恢复指向强化学习,这是团队当时的诊断,不是两种训练永远互不重叠的分工。下面不重复失败经过,而把访谈症状改写成本文建议的对照:先保留实际观察,再列竞争原因,最后看哪种干预真的改变结果。表中的试验尚非 Dyna 已报告的完成成果。

故障症状诊断假说可比较的干预什么结果会推翻或削弱它
指令要求放第二格,却摆错语言与位置没有正确绑定;也可能是看不清格子固定布局和动作,比较语言预训练改进与仅改善位置观察;再换格子、换指令测试只改善摄像观察就解决,或语言改进仅记住固定箱子,都会削弱主要是语言泛化不足的解释
抓到两张,恢复很慢缺少异常状态中的恢复策略;也可能没识别出双抓给相同双抓初态,先测识别,再比较恢复训练前后;记录恢复时间和损伤给定正确双抓状态后旧策略已能快恢复,则瓶颈更可能在识别,不在动作策略
一摞折完后停等未把库存、补料和后续任务纳入工作流在相同缺料时点检查是否发现、是否触发取料、是否能取回,分别定位等待系统已正确触发补料却被路径或机械故障阻塞,则不应继续只归因于任务规划

干预应一次尽量改变一个因素,并在未参与调试的布局、材料中重测。只看总成功率上升,会把感知改进误算成策略学习;只看平均恢复变快,也可能漏掉少数损伤严重的失败。最终仍须回到完整产出与人工介入,而不是表里每项都通过就宣布工作流成立。这里把团队判断保留为可研究的起点,而非替其证明根因。

独立分析:最重要的变化是把隐藏劳动纳入结果

本文判断,餐巾案例的价值不在于又给出一个高成功率,而在于逐层改变了“成功”的分母:四折演示、完整成品、全天需求、异常恢复、独立工作流,各自问的不是同一件事。即使假设局部动作达到 99.9%,仍不会凭空解决补料;这个百分比只是本文用于说明指标边界的假设,不是本期报告的实测值。要检验是否真正替代员工,应同时观察成品数量、人工介入、等待与恢复,而非重复播放最顺利的一段。

产品反馈也不会自动形成好研究,更好的 research taste 在这里表现为辨别瓶颈、修正问题,而非仅积累案例。双抓与摆位之所以有用,是被分到不同能力缺口,再与训练方式连接;数据转向之所以值得记住,是团队承认旧对照不覆盖新任务。竞争解释仍存在:规模、分布与训练方法同时变化,未必是“先多样性”单独造成收益。下一步有意义的证据,是在固定预算和同一组未见工作流中比较数据覆盖与质量策略,并公开整班日志;既检验技术判断,也防止“替代一名员工”再次变成没有完整成本的口号。

材料定位:原节目与章节 · 公开编辑文字 · Caper AI 收购报道。公司名及 2021 年收购节点由报道交叉核对;其余重建依据完整公开编辑正文,不是逐字对话或完整原声复核,融资、任务成功率、数据规模和商业产出按嘉宾口述处理。公开句级转录取得范围仍约为前 6 分 39 秒。

证据边界与资料索引

本页依据整期机器转录、官方节目介绍与章节逐段重建,未宣称逐字人工听审。说话人、专名、数字和时间可能存在识别误差;原声仍是最终核对依据。嘉宾关于公司、市场、研究、个人经历与未来的说法按口述保留,不自动等于独立核验的事实。

本期部分文字来自分段机器转录。可靠回听范围以音频切分区间为准,逐句秒数可能压缩,不能把估计时码当作精确字幕。

原节目:154. 对Dyna创始人Lindon的3小时访谈:机器人世界的迷雾、分歧与抉择,修心、《沉思录》与王阳明

本页使用的公开文字或字幕来源

返回顶部