中美机器人战略分歧与个人理想主义
本期嘉宾是 Dyna Robotics 创始人兼 CEO Lindon。他提出全球机器人行业尚未收敛，这是一条看不见终点的漫长长跑。Lindon 指出，中美在机器人领域的长期战略存在显著认知差异：美国倾向于“大脑派”，认为核心在于算法与智能，硬件身体问题会自行解决；而中国倾向于“身体派”，认为供应链是核心瓶颈，大脑长期也会自我进化。尽管双方都在布局对方领域，但这种“大脑”与“身体”的路线分歧依然鲜明。Dyna 则属于 “全站派”，试图兼顾两者。
在个人层面，Lindon 强调自己并非为了赚钱而创业。他认为 理想主义与生存并不冲突，梦想是星辰大海，但路径必须脚踏实地。他曾形容团队在战略迷失时面临巨大的身份认同冲击，有人主张落地，有人主张研究。但他坚持认为闻得到钱只是生存手段，而非终极目标。
“我的梦想是星辰大海，可是我的路径是需要脚踏实地。”
“我是非常理想主义的人。我来做机器人不是为了赚钱的，我觉得闻得到钱是生存的一条路。”
从游戏倒卖到珠宝供应链的早期创业
Lindon 出生于中国，11岁移居美国。他在一个充满 Entrepreneur（创业者）氛围的环境中长大，周围人普遍从事小生意。14岁时他开始了第一份“Hustle”（赚快钱）：通过搭建平台买卖游戏账户和装备，赚取了上万美金。这段经历让他意识到赚钱并非难事，他享受的是做对一件事带来的 Reward（回报感）。
大学期间，他将这种买卖心态转化为正式生意。大二时，他利用信息差收购珠宝库存并在 eBay 上销售，随后将其转型为 To B（面向企业）业务。他连接中国珠宝供应链与美国设计师，解决后者在本地寻找工厂成本高、打磨差、量产难的问题。这段经历持续了十年多，直到他觉得时间成本不再划算才主动结束。
教育路径上，Lindon 表现出高度的自由性。他父母放任其选择，他从纽约大学医学院转至金融专业，随后进入投行工作两年多。他坦言去投行是出于 Bandwagon（从众心理），因为名校商学院学生都向往该领域。离开投行后，他直接跳入创业赛道。
“其实也不是喜欢钱本身，而是喜欢做对了一件事情带来的reward。”
“其实我觉得我的教育路径是非常自由性的。其实我父母没有管我太多，他们其实是让比较放任我的。”
Kuber无人零售的至暗时刻与反共识突围
Lindon 的第一次创业是 Kuber，核心业务为无人零售。2017年 Amazon Go 发布后，该赛道火热但随后大量公司倒闭，Kuber 成为少数幸存者。起初团队试图在超市安装感应器和摄像头实现自助结账，但 Lindon 走访了150位超市老板后发现商业逻辑走不通：ROI（投资回报率）太低，且收银员职能多元，单纯省人工无法覆盖高昂的硬件与装修成本。
团队随后调整策略，将技术植入购物车。通过视觉识别和感应器融合解决“谁付钱”（持有者）和“付多少”（商品识别）两个核心问题，技术复杂度大幅降低。然而融资之路极其艰难：从 Y Combinator 毕业后仅融得30万美元，排名倒数。Lindon 与合伙人搬进同一间房居住，每月仅烧7000美元，靠自煮伙食维持了两年半。
由于产品极度反共识（对抗 Amazon 且形态独特），机构投资几乎全部拒绝。Lindon 手动发送了1000多封邮件给天使投资人，最终仅转化2位，每人投入约5万美元才避免破产。种子轮阶段见100多位机构投资人仅获 First Round Capital 一家支持。A轮融资同样困难，见60多家投资机构基本全军覆没，直到2019年才艰难推进。
“我们当时为了撑到种子轮啊，我自己抠email了一千多个天使投资人，最后convert了两个。”
“我们是一个月烧了七千刀，然后烧了两年半，才融到了第一桶金。”
融资困境与修心：从被拒百次到出售公司
在经历早期生存危机后，从种子轮到A轮融资的过程依然极其艰难。由于硬件产品开发周期长且超市销售周期漫长，真正落地扩散花费了一年半以上的时间。2019年尝试融资时，目标仅为千万级别，但当时市场缺乏此类机构投资。团队见了六十多位投资人却几乎全军覆没，最终通过不断寻找新机会，找到了 Locks Capital 投资了一千多万。这次创业最终在B轮阶段结束，当时公司已有大量 traction（牵引力/业务数据），拿到了两份Term Sheet和一份收购要约。尽管最初拒绝了两次，最终决定以 3.5亿 的价格出售公司。2021年完成交易时，正值AI爆发前夜（真正的强曲线出现在2022年）。
这段经历的核心在于修心。创业低谷期是认知提升最快的时期，也是最痛苦的阶段。当被拒绝一百次后，人开始怀疑自我或项目本身。每一次失败都被视为一次强化学习（Reinforcement Learning），逼迫个人成长。回顾过去，Lindon意识到自己早期缺乏对投资人的思维画像，只顾表达而未倾听，导致无法与投资人同频共振。这次创业持续了约六年，出售公司并非为了金钱（虽然3.5亿在当时算不错），而是认为可以借助过去六年学到的经验，去从事一个更大事业和行业。
本质主义：从“锤子找钉子”到ROI驱动的产品哲学
回顾前几次创业，最核心的学习是做事要做最本质的事情。早期走了许多弯路，例如错误地认为招到某人就能解决问题，或拿下某客户即可融资。在无人零售产品端，早期思维是“拿着锤子找钉子”，即拥有酷炫黑科技就将其放入商店以节省人工。然而，实际产品迭代发现，节省人工成本并非核心价值。真正的价值在于用户与屏幕互动时获得的体验：例如放入零食后推荐其他商品，或购买多件给予优惠券。这揭示了产品核心在于提高 Average Basket Size（平均客单价）以及挖掘广告机会，这是传统无人零售商店无法实现的。
因此，Lindon将产品归根于 ROI（投资回报率）。在机器人行业，许多公司虽找到所谓的 Product Market Fit（产品市场契合），但后续定制化和节拍要求往往无法达到客户对机器人本质价值的预期。如果ROI不成立，特别是在硬件行业，就不存在真正的 Product Market Fit。多拿一个客户若无长期ROI支撑且商业飞轮未建立，毫无意义。此外，YC导师 Sam Altman 曾反复强调“Launch, Launch, Iterate”，但因当时Lindon认知境界不足，未能完全共鸣。
自律作为脑力运动员：从Instacart学到的管理与决策质量
Lindon将创业者视为脑力运动员，因此需要保持极高的自律以维持决策质量。受《Atomic Habits》启发及父亲的影响，他坚持早起（5点）、运动（6-7点）和规律饮食。他发现自律不会占用心智份额（Mind Share），反而成为自然习惯，甚至产生“不运动就不舒服”的强迫感。作为CEO，找人、找钱相对容易，但找方向需要高质量决策。若身体状态不佳（如吃宵夜、睡眠差），大脑模糊，难以做出明智选择。因此，自律直接提高了决策质量。
出售公司后（约30岁），Lindon加入 Instacart 三年，主要动机是弥补在管理和更大组织运作上的盲点。作为“野路子”创业者，他缺乏在大厂与CEO互动、争取资源（Frame事情重要性）的经验。在Instacart，他直接管理约300人，并深刻体会到有些人无法被纠正：除非突破自身认知边界，否则难以承担更大Scope。这种渗透式的学习让他对管理变得得心应手，也坚定了他再次创业的决心，因为担任VP并不符合其个性。
从高管到创始人：匠心与多维度的创业观
在经历了一段管理生涯后，我逐渐意识到人的认知边界是难以突破的。除非个体能够自我迭代并超越现有的认知框架，否则很难承担更大范围（Scope）的责任。这种洞察让我对管理变得更加得心应手和从容。
关于为何决定离开高管职位去创业，我认为这并非一个艰难的抉择。我对创业本身怀有敬畏之心，并将其视为一种类似匠人的修行——就像制作陶瓷或绘画一样，需要花费十年甚至数十年的精力去打磨一件让自己自豪的作品。创业的本质就是打磨自己的作品（公司），这个作品涵盖了技术、文化、产品和管理等多个维度。这种多模态、多维化的状态意味着每天都能学到新东西，因此我确信自己更适合创业。
我觉得创业其实也是一样的。其实创业其实就是在打磨自己的一个自己的作品。
赛道选择：寻找能改变世界的“难”题
在决定创业方向时，我和合伙人杨世远（York）曾认真探索了AR、Quantum和Nuclear等领域长达六到八个月。最终我们发现，这些领域的技术底层尚未完全成熟（Ready），且与我们过往的经历契合度不高。我们再次创业的核心动机是做一件更难、能真正改变世界的事情。在有限的选项中，我们最终锁定了机器人领域。
选择机器人的原因有三点：首先，它与我们之前的经历高度相符；其次，当时机器人行业的形态与吴任林（Renee Ng）所描述的状态类似——大家拿着锤子找钉子，硬件、软件、AI皆可切入；最后，我们团队缺少一位对具身智能（Embodied AI）非常资深的核心人物。为此，我们在硅谷接触了二十多位候选人，最终找到了符合我们清晰画像的第三位联合创始人 Jason。
其实真正能改变世界的事情其实不多。
团队互补与战略聚焦：Product Research 导向
在合伙人配置上，我和 York 形成了极强的互补。我的强项在于方向感与商业落地能力。我能够预判公司十年后的愿景，并推导出实现该愿景所需的战略路径。团队常戏称我“闻得到钱”，这并非贪婪，而是指我能识别出最终能赚钱的商机形态，从而倒推前期的铺垫策略。尽管我自称现实的理想主义者（梦想是星辰大海，路径需脚踏实地），但我的缺点在于语言表达过于宏观且逻辑链过长，导致他人难以快速跟随。
相比之下，York 是一位稀有的技术天才与管理者。他拥有极强的共情能力、结构化的思考方式以及强大的落地和技术管理能力。我们是通过前一家公司的同事黄依林认识的，这是我们的第二次合作。
在研发策略上，我们面临过“探高（Research）”与“落地（Deployment）”的战略分歧。去年年底，团队内部曾出现身份认同的冲击：一部分人主张做纯 Research 以突破智能上限，另一部分工程师则关注落地。我们最终通过拉长战线解决了这一矛盾：定义了一个既能提升 Intelligence（智能上限）又能实现落地的战略突破点。
我们确立了 Product Research 导向，区别于传统发散性的纯学术团队。我们的研究带有明确的 Guardrails（护栏），即所有 Research 必须对长期产品价值有贡献，且遵循严格的优先级框架。在2025年，面对当时 Foundation Model 速度慢、乱且单任务成功率低的问题，我们设定了明确目标：将操作成功率提升至 99%，速度达到人类的 50%-60%，以此作为商业化的基础。这一策略最终促成了 Dyna One 的发布。
我是现实的理想主义者。
反共识的折叠场景选择与容错率逻辑
在Dyna One发布之前，团队设定的研发目标非常明确：将成功率提升至99%，并将速度达到人类水平的50%至60%，这是实现商业化的前提。当时我们展示了折叠餐巾和衣服的Demo，这在行业内被视为一个重大突破，因为我们是首家展示可商业化落地场景的公司。尽管在融资过程中，许多投资人质疑“洗衣服”市场太小，建议转向工厂或物流等更大规模的场景，但我坚持选择折叠这一反共识方向。这主要基于两个核心判断：首先，作为深度参与日常管理的CEO，我观察到模型能力存在天花板，而折叠场景具有极高的容错率。例如，拿铁洒了就是损失和添乱，但衣服折坏了可以重折，对质量损失的敏感度较低；其次，折叠是一个孤立且普遍存在痛点的场景（如酒店、洗衣房均有专职人员），虽然市场总量可能不大，但足以支撑第一个商业闭环的验证。此外，折叠任务对泛化能力（Generalization）要求极高，涉及不同尺寸、面料和环境的T恤处理，这迫使我们在Pretraining阶段就探索出了关于衣物多样性和环境多样性的有效Recipe（配方），从而最大化了当时技术能力下的机器人作业效率。
从Demo到部署：Corner Cases与“保姆”困境
拥有Demo后，团队花费数月时间（6月至9月）进行实际部署，过程极其艰难。以叠餐巾为例，虽然Demo中展示了24小时折叠850张的能力，但客户实际需求是每天1300张。更严重的问题在于鲁棒性的细节：机器人偶尔会同时抓取两张餐巾（Double Fold），虽然模型能解决，但每次需要2分钟处理时间，而正常折叠仅需20秒。若10%的时间用于解决此类Corner Case（边缘情况），产能必然不达标。我们坚决拒绝使用工程代码硬编码来解决这些问题，而是坚持通过强化学习让模型自行解决。此外，餐巾折叠后放入收纳箱的过程也极具随机性，我们需要训练模型将餐巾整齐地放置在特定位置。然而，最致命的产品缺陷并非技术本身，而是工作流的闭环缺失。在实际运营中，机器人每折叠100张餐巾后就会停止等待补充原料，导致店内员工必须设置闹钟每半小时人工检查并添加餐巾。客户反馈“机器人太慢”，实则是因为机器人需要一个保姆。这种对人工辅助的依赖意味着产品并未实现真正的Scalable Product-Market Fit（可扩展的产品市场匹配）。
战略转折：放弃规模化与预训练的核心地位
基于上述发现，我在去年做出了一个关键决策：停止在折叠场景上的规模化扩张。原因并非技术无法完成任务，而是没有解决商业本质的问题——即未能将“整个工作流”自动化，仅完成了单一任务。如果规模化一个不完整的产品（需要人工保姆），它未来将成为公司的累赘而非资产。这一决策也澄清了关于“大脑（智能体）”的争论：在叠餐巾这个特定任务范围内，模型能力已足够（智能体不受限）；但在完整工作流范围内，由于缺乏对异常状态和流程衔接的自主处理能力，智能体仍是瓶颈。因此，问题不在于场景太小或大脑不够聪明导致无法定义新场景，而在于当前任务范围内未形成闭环。这一认知直接影响了公司的资源分配：早期预训练与后训练的投入比例为1:1，但今年预训练的权重大幅增加。我们发现模型的绝大多数鲁棒性源于Pretraining而非Post-training，因此必须自主掌控预训练过程。对于机器人而言，不存在唯一的“本质任务”，任何任务本质上都是动作序列（Sequence of Motions），关键在于如何通过这些任务的迭代来体现和提升具身智能的整体能力。
从任务到工作流：商业闭环的本质
在早期的技术探索中，我们发现了一个核心矛盾：智能体在单一任务范围内不受限，但在完成整个工作流的范围之内却受到限制。这揭示了当时技术的一个盲区：虽然模型能执行特定动作，但未能形成真正的闭环。对于机器人而言，不存在所谓的“本质任务”，因为绝大多数任务本质上只是动作序列（sequence of motions）。如果仅仅在单一维度上追求泛化能力，即让机器人能在任何新环境中执行同一个任务（zero-shot），这确实代表了智能体的提升，但并不代表形成了商业闭环。只要产品被框定在单一任务范围内，无论智能体多强，都缺乏商业价值。
通过与客户的深入沟通，我们意识到市场真正需要的是“机器人保姆”。这意味着我们必须从执行单一任务进化到处理完整的工作流。以叠餐巾为例，真正的工作流不仅仅是“叠”，还包括：当库存不足时知道去哪里拿、取回后放回桌面、将叠好的餐巾放到指定货架，以及更换新桶重新开始。从任务进化到工作流是我们确定的下一步方向。目前，我们的机器人已能在洗衣房等空间内自由活动并自主决策当前步骤。
实现完整工作流面临巨大的技术挑战，因为每个任务都有成功率和失败率。完成整个流程是一个指数级（exponential）的过程，要求每个步骤及其Corner Case都能被完美解决并连续执行。这归根结底是一个预训练（Pretraining）问题。早期我们发现VLA模型的指令跟随能力较弱，因此调整了预训练策略并引入了半人形机器人（轮式底盘+人形上身）。我们的团队并非传统的“落地派”，而是Product Research派。我们利用产品闭环来试探Research的方向，确保技术突破能转化为可运行的产品。
“我可以任何一个任务可以 zero shot 放到任何一个新的 environment 都可以做这个任务，啊，的确是智能体的一个上升。可是我觉得不是一个商业闭环。”
“其实我们是用产品闭环去探我们research接下来的research方向需要往哪个方向走。”
三层系统架构与泛化能力的衡量
从Dyna One到即将发布的Dyna Two，我们的技术积累可以归纳为三个核心系统：System Zero、System One 和 System Two。
- System Two (Body Reason Layer)：负责模型对物理世界的认知，包括理解物体的物理属性、当前状态以及语义含义。它能让机器人知道“我们在做什么”、“处于任务的哪个阶段”以及“下一步该怎么走”，并据此向System One发出语言指令。
- System One (World Action Model)：本质是一个世界动作模型，负责接收语言指令并将其转换为具体的动作。
- System Zero：专注于运控层面，通过强化学习将期望的动作轨迹转化为硬件上又快、又丝滑且准确的执行。
在System One和Two中，我们观察到了极强的可泛化性迹象。衡量泛化的维度与人学习类似：一是示范（Demonstration），即需要几次演示才能学会新任务；二是语言引导（Language Steering Capability）。目前，在我们的预训练能力下，对于非常新的任务，仅需几次示范即可学习；同时，模型对语言指令的敏感度显著增加。这些细节将在发布时详细阐述。
“System Two是body reason layer，其实就是模型对于这个本质世界的认知……然后可以按照这些理解为我们System One发出语言的command。”
“在示范的维度，就是我示范几次你才能学会……那第二个就是 language steering capability，就是语我告我我用语言去告诉你去做这件事情。”
商业逻辑：时长优于速度，B2B先于家庭
目前完整工作流已有商业化客户并在不同场景跑通，但尚未完全落地。关于成本问题，在现有Foundation Model的限制下，机器人很难达到人类一天的产出速度（受硬件、运控和数据影响）。因此，我们最重要的价值指标不是比人快，而是比人更久。我们的目标是让机器人工作24小时，其产出超过人类员工8小时的产量。目前这一目标已经实现并超出预期。
关于场景选择，我们早期的思维框架是“什么能做”而非“什么不能做”。在探索中我们发现家庭场景（To C）存在极高门槛： 1. 主观预期差异大：消费者对机器人的期待（如摆放盘子的习惯）非常个性化，类似对家政阿姨性格和速度的挑剔。 2. 安全与Corner Case复杂：家庭环境对安全性和细节处理的要求远高于工业场景。 3. 市场逻辑不同：虽然家庭是泛化要求最高的终极形态，但通用机器人并不必然等于好的消费产品。
相比之下，B2B场景的潜在需求更高。因为人的欲望是无限的，当人工成本可忽略时，企业会追求更多样化的产出。以美国为例，若家庭机器人普及可能只需一亿台（按三人家庭计算），但B2B场景涉及蓝领与白领的广泛替代，市场空间更为广阔。因此，我们认为通用机器人若成功，B2B的需求将显著高于B2C。
“对我们来说，其实我们发现最重要的啊价值指标不是要做的比人快，而是要做做的比人更久。”
“我觉得机器人本身，如果说通用机器人做到了，我觉得B to B的通用机器人的demand会比B B to C更高。”
B2B场景的战略必然性与酒店洗衣房的闭环逻辑
在探讨市场选择时，我们首先厘清了B2C与B2B的底层逻辑差异。虽然美国失业率仅为 4.5%，且商业领域雇佣了约95%的劳动力人口，但家庭场景（B2C）面临极高的非标准化挑战。例如，一个三人家庭可能需要解决情绪、审美等复杂问题，而 B2B场景（如酒店）则具有更高的标准化潜力：它不需要处理复杂的情绪或审美，且安全问题在某种程度上是可控的。因此，尽管家庭人形机器人被视为“皇冠上的明珠”，但 B2B场景是商业落地最近、逻辑最清晰的路径。如果连洗衣店这样相对标准的员工工作流都无法完全做好，就不可能在每个家庭中处理不同衣物。B2B不仅是商业闭环的最小单元，其范围也是可控的。
酒店市场常被低估，但其实际需求巨大且痛点深刻。每家酒店的洗衣房通常需要 2到5名员工，而洗涤质量直接决定房间能否出租。疫情期间许多酒店老板亲自去洗衣房干活的经历，证明了这一环节的本质重要性。将洗衣房工作流做通是Dyna的第一个闭环，这不仅具有商业意义（可泛化至美国约10万家酒店），更具有重大的研究价值：它帮助我们明确了模型智能的边界。此外，洗衣房是通往家庭场景（Home）的最小单元，且该商业场景具有 高容错率、低时间节拍要求和高付费意愿 的特点。相比送餐机器人等单一环节，酒店场景覆盖更广（包括清洁、烹饪等），且房间标准化程度高，是理想的商业落地起点。
基于工作流复杂度的分层落地策略
对于酒店内其他场景（如客房打扫）的可行性，我们持乐观但审慎的态度。虽然模型智能提升后完全可以处理这类标准化、重复性工作，但其 Corner Case（边缘情况）更多：例如浴室清理难度、客人弄乱房间或损坏/拿走物品等，且任务完成时间更长。因此，我们将工作流本身进行 难度分层（Level 1-5）：从简单的叠餐巾、上下料（Level 1/2），到洗衣房场景（Level 4），再到客房打扫（Level 5）。我们不分“工业/商业”场景，而是按工作流的复杂度系数来划分市场认知。
目前的智能水平大致处于 Level 2到Level 3之间。洗衣房工作流虽然一致性高，但链条长、操作力度要求大（如打开洗衣机门），且存在大量Corner Case。我们的战略核心是 “沿途下蛋”：在智能体当前的能力范围内落地场景，以获取现金流并试探智能边界；同时利用这些场景中遇到的Corner Case来引导预训练方向。这种策略旨在通过最小可行产品（MVP）形成闭环，再向外扩展至更复杂的场景。
预训练数据形态的转折：从高质量到互联网规模
在技术路线上，我们发布了 行业最大的数据集，并发现了非常强的 Scaling Law（规模定律）。这一发现源于我们对数据策略的重大转折：早期我们遵循“第一性原则”，认为应使用最高质量的数据来训练模型（如Dyna One阶段），并据此进行了大量的A/B测试。然而，随着工作流场景的深入，我们发现 模型能否获取最多样化、最广的人类经验（Diverse Human Experience）比单纯的质量优化更重要。
我们意识到，在未达到 互联网规模（Internet Scale） 数据之前进行过度的质量优化并非第一性原则。参考语言模型的发展路径，我们推测 Ego-centric（自我中心视角）或Exo-centric数据 将成为未来机器人数据的最终形态。因此，我们的团队架构也相应调整：预训练团队专注于扩大数据规模和多样性以突破智能天花板（Intelligence Ceiling），而后训练团队则针对特定场景进行优化。这种“预训练求广、后训练求精”的模式，旨在通过海量数据提取可Scale的特征，从而推动机器人基础模型（Foundation Model）的突破。
数据形态的长期押注与混合策略
在确立了战略转念后，团队开始深入思考未来三至十年机器人数据的最终形态。尽管当时无法完全预知终局，但团队判断 Ego-centric（第一人称视角） 数据将成为主流最终形态。这一决策基于一个核心工程共识：Robot hands（机器人手部）本身是一个工程问题，而非研究难题。因此，团队选择 All-in Ego-centric 数据，将其视为当前最大且最具长期潜力的数据集。
关于数据来源的争议（真机 vs 仿真），Lindon 认为这并非本质对立，而是取决于 Training Objective（训练目标）。他指出，无论是 OpenAI 早期偏向 Consumer App，还是 Drop AI 押注 Coding Agent，每个团队都有基于自身目标的独特选择。在机器人领域，Data Mixture（数据混合） 应服务于模型想要达到的能力。目前团队同时使用真机和仿真数据，因为两者在试错中均被证明有效。
针对国内存在的“真机派”与“仿真派”论战，Lindon 表示不解。他认为技术路径只是阶段性手段，不应“拜手段”。行业认知变化极快（如从真机小操到 UMI，再到 Ego 和 Simulation），因此创始人应聚焦于最本质的预训练目标。对 Dyna 而言，预训练的两大核心目标是：减少演示次数（Decrease Demonstration）以加快部署速度，以及提升 Language Following（语言跟随）能力作为工作流拼接的基本链。虽然认知会随市场变化，但产品落地是最终的 Ground Truth。
“我觉得没有必要拜手段。啊，我觉得最重要的还是……我们在最本质的事情上面下注，其实就可以了。”
“认知可以改变，可是认知还是有产品作为高real……不管这个铺垫期要多久，我们要看到产品最终形态，我们就可以一直往这个方向走。”
从工作流到通用智能：Scaling Law 与沿途下蛋
关于机器人产业的终局，Lindon 认为目前尚不清楚天花板所在，这是一个令人兴奋的时代。他类比 Coding Agent 的发展轨迹：从 ChatGPT 出现到现在的 Coding Agent 状态，行业经历了看似平坦后的突变。Dyna 在 Ego-centric 数据上发现了 Scaling Law，这意味着数据上限极高。团队希望探索这一极限下的智能潜力。
在“沿途下蛋”（商业化场景）与提升通用智能的关系上，Lindon 认为二者是一体的。随着语言能力增强和泛化能力提升，最小单元正从“任务”扩展至工作流（Workflow）。未来的形态可能是机器人直接通过语言指令执行复杂任务，甚至多机协同。
针对“大模型能力跃迁吞噬应用层”的担忧，Lindon 指出做通一个工作流与预训练并不冲突。以 Anthropic 为例，其 Coding Agent 的成功源于 Pretraining 和 Post-training 的双重投入。Dyna 的策略是：Pretraining 保持最广泛的泛化性，而 Post-training 是唯一“下蛋”的地方。通过打磨第一个工作流来发现瓶颈，从而反哺 Pretraining 的方向。例如，“一次抓两个 napkin”导致的产出下降是运行时的 Corner Case，而“整齐摆放”则是可通过语言解决的任务。这种区分帮助团队明确哪些瓶颈需预训练解决，哪些需在部署时处理。
“做通一个工作流，并不代表我的 pretraining 不做了……而是我的 post training。是我我们唯一的下蛋的地方。”
“其实我觉得做同一个场景，就是就等于做通了所有的场景……剩下就是一个数据问题。”
产品定义与 PMF 的时间窗口
对于机器人何时达到类似 ChatGPT 的“Moment”，Lindon 认为关键不在于时间长短，而在于何时能真正为人类带来价值并实现 Scalable Product Market Fit（可扩展的产品市场契合）。他预计在未来一到两年内，机器人将在特定场景中实现 PMF。
Lindon 重新定义了机器人的“通用性”。他认为机器人不需要达到 Physical AGI（物理世界通用人工智能） 的智力上限才能被大众使用。这是一个产品定义问题：机器人是一个智能体，也是一个具体的产品形态。它不需要无限的上限智能，但需要基于当前的智能水平做出可用的产品。
“机器人本身其实就是一个智能体和一个产品形态，而不是只是一个智能体形态。”
“机器人不需要 intelligence，不需要达到通用就可以被每一个人都可以用上……它不一定就是需要智能达到无限的上限，但是它需要基于当时的智能做出一个产品来。”
产品形态与智能体的辩证关系
Lindon强调，机器人不仅仅是一个智能体（Agent），更必须成为一个完整的产品形态。这意味着仅拥有高上限的智能是不够的，关键在于基于当前的智能水平设计出可用的产品。他引用了 ChatGPT 的诞生作为类比：从 GPT-3（2020年6月）到 ChatGPT（2022年11月），模型层面的变化其实很小，本质上只是从 GPT-3 到 GPT-3.5 的迭代。然而，真正的飞跃来自于产品形态的变化——从开发者 API（API）转变为浏览器聊天界面（Browser Chat）。这种壳的匹配使得用户基数实现了指数级增长。因此，Dyna 在智能体研发上投入巨大精力（包括全身控制、语言可控性、推理能力等），但所有努力都指向一个产品最终局。这个最终局并非单纯指“人形机器人”这一硬件形态，而是如何使用机器人的产品体验。虽然目前主要面向 B2B 市场，但 Lindon 认为通过优化交互形态和 ROI（投资回报率），未来完全可以实现 B2C，让每个人都能用上机器人。硬件是否为人形并非核心，ROI 才是决定性的响应指标。
战略演进：从任务闭环到员工价值
针对外界认为 Dyna 侧重本体和场景而非大脑的误解，Lindon澄清团队本质上是 Heavily Research（重度研究） 驱动的。他指出，智能体是落地的瓶颈，而落地则是验证智能体的闭环。在时间分配上，公司 90% 的资源投入在智能体研发，而落地工程被简化以支持快速迭代。回顾战略节点：2025年的核心是以“最小任务单位”实现落地闭环，重点优化后训练以提升执行质量、速度和语言可控性；2026年的战略升级为“员工价值”，即机器人需完成上料、下料及整合任务的全工作流，以匹配人类员工一天的产出。这一转变要求预训练模型在泛化能力上取得突破，并强化推理与语言可扩展性。Lindon 特别提到，团队曾就“Research vs Engineering”产生争论，最终找到交集：通过完善工作流（Workflow）来同时驱动智能提升与落地验证。
部署飞轮（Deployment Flywheel）：商业闭环的真实挑战
Lindon 指出，具身智能实现 PMF（产品市场契合）的关键在于在特定场景内产出比人类更多的 Output。他反驳了“创业一两年就谈商业闭环太早”的观点，强调打通闭环的每一个阶段比单纯追求收入更重要。他引用前公司 Keeper 的经验指出，部署环节（Deployment）极其困难且耗时，往往需要两三年才能跑通。即使智能体模型完成，落地时仍会暴露硬件、软件、运控算法等复杂问题（例如餐巾折叠数量突然下降且原因不明）。因此，必须建立 Observability Stack（可观测性堆栈） 和 Support Main Stack。Lindon 认为，闭环提供反馈机制，没有反馈就无法明确 Research 的方向。他在当前工作流中已“闻到钱的味道”，即初期商业闭环的可能性，而后续战略将指向更广阔的市场。
闭环反馈与供应链的战略抉择
Lindon强调，商业闭环的核心价值在于提供反馈。在机器人研发中，“摸石头过河”极其困难，若缺乏闭环和反馈机制，团队将难以判断Research（研究）的方向是否正确。建立最小化、最短时间的闭环，是为了在探索中快速验证接下来两三步的路径。
这一战略逻辑直接推动了团队在中国建立四五十人的硬件研发与供应链团队。Lindon指出，没有强大的供应链支撑，智能体无法做出世界级的机器人。目前该团队已跑通全链路条件，进入百台级别的初步量产阶段。值得注意的是，上一代产品因本质跑不通而未选择量产。针对外界关于团队去年年终后“低调”的疑问，Lindon解释称：首先，团队的Research Taste（研究品味）门槛极高，许多成果在行业发布前数月已完成，但因未达到99%的完美度而选择暂不公开；其次，在战略未完全清晰时，不愿为了PR（公关）而发布片面故事。机器人是一场比大语言模型更长期的长跑，团队倾向于在战略凝合后完整讲述故事。
“有闭环才有反馈，有反馈你才知道你下一步该怎么走。”
“智能体没有供应链是没有办法做出世界级的机器人的。”
智能与硬件的辩证关系及行业收敛
在讨论长跑中的关键要素时，Lindon认为智能是产品最重要的一部分。没有智能就没有产品，但产品的形态反过来决定了智能需要达到何种程度才能落地。虽然美国派系常认为大脑（软件）重要而硬件大同小异，中国派系则认为供应链最关键，但Lindon提出一个独特视角：大脑决定产品的下限（能不能做），本体/硬件决定产品的上限（做得多好）。从十年维度看，供应链可能更为重要，因为最终客户拿到的是硬件。
对于国内竞争对手，Lindon表示尊重并认为行业目前处于互相学习而非激烈竞争的状态。他特别提到宇树科技在硬件研发和缩小Sim-to-Real Gap方面的优势，以及智源凭借充足资金获得的高容错率。关于行业收敛速度，Lindon认为虽然整体离完全收敛尚远，但已出现阶段性共识（如成功率、执行速度）。预计在未来一到两年内，模型架构和数据能力将呈现更明显的收敛趋势。
“大脑是决定这件事情到底可不可以做，硬件是决定这件事情到底能做得多好。”
“我觉得现在可能大家都是在一个互相尊敬或者互相学习的一个状态下面。”
全栈自研、数据瓶颈与代际跃迁
Lindon坚持大脑驱动本体的研发逻辑，硬件规格（如相机FPS、快门类型）均由Research团队界定。他反驳了“大脑提升导致硬件失效”的观点，指出是硬件达到了上限从而限制了大脑的发挥。因此，全栈自研并非过早，而是必要的Co-develop（共同开发）过程。硬件本体需至少迭代三版才能进入量产，若现在不开始做全栈，三年后将失去宝贵的迭代时间。
在从Dyna One到Dyna Two的过程中，团队经历了脱胎换骨式的重构，涵盖模型架构、预训练数据及推理逻辑。最艰难的时刻源于战略困惑：是追求落地闭环还是纯粹Research？最终团队选择聚焦工作流场景，以同时满足商业化与智能上限提升。目前该目标已达成。
当前最大的困扰是数据获取。Lindon认为团队的上限高于同行，因为能训练的数据更多。尽管目前账上资金充裕且未大量烧钱，但在下一阶段大规模Scale up（扩展）数据时，将对人才、算力和资金提出更高要求。关于灵巧手，团队计划更换，但需等待技术真正Ready以支持落地。
“硬件本体是需要刷起码三版，你才可以真正进入量产，才可以真正进入场景。”
“我觉得我们是脱胎换骨，变成了一个新的公司。
从垂直工作流到通用市场的战略跃迁
Lindon确认，Dyna在智能体领域已达成既定目标。当前阶段被定义为“1.0”，其核心在于验证了完整的洗衣工作流。这一阶段的复盘重点在于明确智能体进化的方向，确定预训练所需的提升幅度，以及通过泛化和语言结果来支撑工作流的建立。资金方面，虽然账上充裕且足以支持研发，但Lindon指出，绝大多数成本集中在人才、算力和数据。尽管上一阶段未大量烧钱，但进入“2.0”阶段后，随着数据的大规模扩展（Scale up），资金需求将显著增加。
“2.0”阶段并非简单延长1.0的叙事，而是脱离场景受限。Lindon强调，这并非为了讲一个更大的故事，而是要进入通用市场。目前系统的飞轮已经搭建完成：数据输入后能转化为商业价值，形成闭环。虽然该场景并非垂直领域，但明年可见成果。Lindon估计，每个战略节点真正“打完”可能需要半年到一年的时间，但路径非常清晰。
“我觉得是脱离了场景的场景的受限...就是去做一个更大的市场，是一个通用市场。”
“其实飞轮其已经搭起来了...剩下就是给他更多的数据，他就可以学新的东西。”
极致精简的组织形态与Agentic Coding的效率革命
Dyna的企业文化呈现出Lab属性偏高、团队纯粹且韧性极强的特点。Lindon和联合创始人York均热爱创业本身，倾向于与真正喜欢做事的人共事，这种Passionate（热情）的状态使团队能抵御行业浮躁。在组织形态上，Lindon观察到自Coding Agent出现后发生了质变：传统大公司（如Google）的层级结构被打破，组织变得极度扁平化。CEO或高管可以直接通过执行工程师、研究员或其上层经理直接操控方向，极大提升了决策速度。
目前Dyna团队规模不到两百人（美国略多），配置上美国侧重Research，中国侧重硬件。Lindon的管理理念是“招最精的人做最重要的事情”，团队平均素质极高，大多数IC（个人贡献者）拥有前管理经验。这种最小单位形成一颗心的状态，降低了管理成本并促进了心流状态的产生。Lindon认为小组织是阶段性状态，未来规模会扩大（比现在大但远小于传统千人团队），因为AI使得工程成本下降。Agentic Coding的爆发让迭代速度呈指数级提升，原本需要一个月的工作现在只需一周，从而允许团队同时探索更多方向。
“我觉得组织形态是有个非常质变的改变...在目前的AI状态下面，其实我组织变得非常非常的扁。”
“以前你一件事情需要一个月做...现在这件事你是需要一周了，那你就可以同时探索四件事情。”
修心、转念与回归本真的创业驱动力
作为第四次创业者，Lindon的心态发生了根本性转变。早期他依赖外界标准（融资额、估值、收入）评判成就，现在则转向向内求索，致力于理清底层逻辑以做更深刻的事。这种转变源于十多年前开始的“修心”过程，其契机是患有强直性脊椎炎。Lindon将病痛视为一个实验（Experiment），通过调整作息和饮食，最终不仅调理好了身体，更学会了转念。他发现，当改变看待事物的角度时，世界会变得辽阔。
这种“转念”也应用于与投资人沟通。过去他因认知维度不同而感到被误解，现在则能接纳并从中获得启发。Lindon坦言自己曾有讨好型人格，极度在意他人评价（如演讲后的自我审视）。通过阅读《沉思录》、王阳明心学及佛教/基督教哲学，他意识到核心概念都是修行。最终，他的创业驱动力不再是证明自我，而是活成真正的自己——从“见山是山”到经历世俗规训后的“随心所欲”，追求一种不被他人看法束缚的真正自由。
“其实这个世界上最在乎你长什么样子的人就是你自己...反正我只不过是大家看视频的两分钟。”
“我是想更好的活成真正的自己...真正自由就是你可以选择做你所随心所欲想做的事情，而且而不不在乎别人的看法。”
从“见山不是山”到真正的自由
在成长过程中，我们往往会被世俗的规矩所束缚。当做了某些事情后，害怕别人的嘲笑和评判，这种状态类似于亚当夏娃吃了智慧果后的样子。随着阅历增加，人容易陷入“见山不是山”的迷茫中。Lindon认为真正的自由是随心所欲地做想做的事，且不在乎别人的看法。尽管外界常因他的外貌和成功经历而认为他轻松无包袱，但他坦言自己曾经历过严重的内耗。不过，随着身体变得更健康、气色更好，他的精神状态也随之改善，如今已越来越不敏感，也不再内耗。
真正自由就是你可以选择做你所随心所欲想做的事情，而且而不不不在乎别人的看法。
在迷雾中探寻路径与修心
这次创业对Lindon而言具有特殊意义，因为他热爱这个行业。他将机器人行业比作世界杯，汇聚了全球最强的人才和战略打法，因此他带着敬畏之心投入其中。这次创业最大的挑战在于极高的问题复杂性。在一个技术尚未收敛、环境浮躁且困难重重的背景下，如何看清一条路是对他方向感的巨大考验。尽管行业始终笼罩在迷雾中，但能在其中探出自己的路让他充满成就感。
关于外界评价，Lindon指出最不准的地方在于人们误以为Dyna只是一个部署（deployment）公司，而实际上他们从第一天起就不是以单纯的部署为核心；最准的地方则是认可其产品的价值。对于成功的定义，他认为很难量化，但从公司角度而言，让每个人都有可能性用上机器人是成功的关键。而失败的定义则是主观的：修心的失败即真正的失败。
在应对难关时，Lindon区分了“改变世界”与“改变自己”。有些难关可以通过影响他人或环境解决，但更多时候需要靠修行去超越。他提到去年底曾陷入战略迷失的困境，当时团队方向不明。通过放下“不犯错”的心理包袱和屏蔽噪音，他找回了清澈的思考维度。
如果这是你自己的难关，就是要靠修行去去超越的。
放下“不犯错”包袱与享受旅途
Lindon反思了去年底至今年初的心理转折点。作为连续创业者，他曾背负着“不能犯错”和“证明自己不是昙花一现”的巨大包袱。这种恐惧导致他做出许多为了规避风险而非基于第一性原则的决策，甚至因缺乏对市场的独立判断而随波逐流，导致团队凝聚力下降和时间浪费。当他意识到为了不犯错而做的决策本质上不是好决策后，他放下了这些包袱。
度过这一难关后，Lindon内心充满了感恩。他感谢老师、团队以及家人在关键时刻的力挺与包容，正是这种支持让他能够重新聚焦。他发现解决复杂问题往往不靠堆砌工作时间（如投行时期每周工作120小时），而是需要转换思维模式。当团队找到自洽的方向后，整个组织开始收敛并产生强大的动能。
Lindon将创业比作一场不知道终点的马拉松。在旅途中，尤其是看不到终点和四周时最为痛苦。但他认为，如果创业者能通过改变自己的念头和对世界的滤镜来行走这条路，会比单纯追求物质成就更长久。人生不应只盯着终点看，否则无法享受过程。每个节点只是checkpoint而非goal，只有学会在迷雾中打开自己、发现最纯粹的自己，才能在这条漫长的道路上保持坚定与快乐。
从执念到修心：创业路上的认知迭代
回顾过往，Lindon坦言自己曾陷入一种结果导向的思维陷阱。在“转念”之前，他始终盯着最终的目标看，坚信一定要做成某件事、达到某种状态。这种对结果的执着反而让他无法享受过程（process），导致内心并不真正愉悦。如今，他的思维方式发生了根本性转变：不再执着于单一的结果，而是接受“掉进一个坑，爬出来；再掉进一个坑，再爬出来”的循环。他认为这是大多数创业者必须经历的必经之路——在不断的挫折与复原中完成心智的成长。
“其实我就反而就觉得让我不是非常 enjoy 这个 process，所以说我现在其实我现在的思维是非常不一样的。”
“掉进一个坑，爬出来，再掉进一个坑，再爬出来，其实就这就是我觉得很多创业者需要经过的一条路。”
个人偏好、家庭与必读推荐
在轻松的问答环节中，Lindon分享了他的私人生活。当被问及全球范围内最喜欢的食物时，他毫不犹豫地选择了福州的拌面扁肉，强调这是他的家乡味道。关于喜欢的地点，他给出的答案极具温情：“我老婆和孩子在的地方，我都喜欢。”
Lindon育有三个女儿，分别是一岁、两岁和三岁。尽管孩子尚幼，但他透露自己是在三十岁时结婚的，并非传统意义上的早婚。
在推荐“少有人知道但必须知道的知识点”时，他幽默地反问：“修心算吗？”随后，在推荐一本对人生产生过真实影响的必读书时，他给出了《人生只有一件事》。这本书呼应了他前文提到的从执念到修心的思维转变，强调聚焦核心、回归本质的生活哲学。
“一个全球范围内你喜欢的地点。我觉得我老婆和孩子在的地方，我都喜欢。”
“那就是人生只有一件事。你心目中影响机器人进程的几篇论文？我觉得是Jason的Origam啊。”
技术基石：论文、基础设施与多模态认知
在探讨机器人技术的核心驱动力时，Lindon指出Jason的Origam论文对其影响深远。这篇论文不仅重新定义了机器人未来自我学习的形态，也是他认识Jason的主要契机。
基于当下的认知，Lindon认为一个关键的重要押注（Bet）在于基础设施（Infrastructure）。他解释说，模型的迭代速度以及模型在规模化（scale up）范围内的表现至关重要，因此团队投入了大量精力在此领域。
最后，他解读了其工作室名称“语言及世界工作室”的技术内涵。从机器人角度看，“世界”对应的是 Vision（视觉）、物理属性以及所有感官输入；而“语言”则代表机器人对世界的认知，并将这种认知转化为 Action（行动）。对他而言，语言和视觉这两个模态对机器人来说都是最重要的。