被误读的“无聊”与部署的苦涩教训

Dyna Robotics常被媒体称为拥有“全世界最无聊的机器人”，其作品如Dyna-1负责叠毛巾，新发布的Dyna-2及其助手Taku则在洗衣房默默完成从投放、洗涤到烘干折叠的全流程。联合创始人Jason Ma认为，这种“无聊”恰恰是对一家机器人公司最高的赞美，因为真正的价值在于解决实际问题而非展示花哨动作。在Dyna-1长达10个月的部署过程中，团队经历了所谓的“Bitter Lesson”（苦涩教训）。Jason Ma指出，“一个deployment上发现的问题，跟你在同时部署10台、100台、1000台发现的问题都是完全不一样的”，每次规模扩大都会暴露出全新的系统挑战。这种从实验室到真实场景的跨越揭示了“不能落地的话，不是因为你没有腿或者你没有手，是因为模型不够好”以及整个系统架构的不足。这种教训虽然苦涩，但也带来了领先优势，因为“如果你解决了（这些部署难题），那你就会领先其他公司很多”。

从VLA到WAM：百万小时数据的Scaling Law探索

在模型架构上，Dyna经历了从VLA（视觉语言动作模型）到WAM（世界动作模型）的转变，并大幅扩展了预训练数据规模。Dyna将第一人称人类视频数据的预训练量扩大到了100万小时，这一举措揭示了机器人数据规模定律的端倪。随着训练视频从100小时、1,000小时增加到1万、10万乃至100万小时，模型不仅提升了动作预测能力，更实现了“跨本体迁移（cross-embodiment transfer）”——即模型能预测其从未在预训练数据中见过的机器人动作。Jason Ma强调，“每一次我们把数据10X（十倍增加），这个模型的prediction就变好”。尽管第三人称视角的数据可能具有不同的Scaling Law斜率，但第一人称数据的巨大规模证明了“数据越大就越好”的趋势。这种基于海量人类行为视频的训练方式，为具身智能提供了类似GPT-3时刻的数据基础，尽管Jason Ma认为机器人领域可能不会完全复制语言模型的“GPT moment”，因为“Robotics有没有GPT moment，可能也没有那么重要的感觉”。

硬件协同设计与务实的商业落地路线

Dyna选择了“一体化集成”的第三条路，即同时研发大脑（模型）和本体（硬件），而非单纯的Model-first或Hardware-first。Jason Ma解释称，“客户最后就在乎，在他们的这些场景里，能不能把这些很复杂的任务、很多样性的任务能完成”，他们并不关心底层使用的是VLA还是World Model。因此，Dyna坚持“把大脑和本体放在一起去做”以实现最佳效果。从第一性原理出发，团队认为机器人形态越接近人类，从人数据迁移的效果越好，因此在权衡后选择了半人形加底盘的设计，而非全双足或灵巧手。Jason Ma指出，“现在如果不能落地的话，不是因为你没有腿或者你没有手”，灵巧手的硬件成熟度尚不足以支持快速遥操和部署。这种务实策略使得Dyna能够专注于“从product出发的角度去想，哪一些问题是我们必须要解决的”，通过优先级排序确保技术投入服务于最终的商业落地目标。团队内部也明确区分了纯基础研究与可部署方案，“灵巧手的硬件成熟程度其实还没有到能直接落地的状态”。

强化学习背景与可观测性的系统构建

Jason Ma的研究兴趣源于博士期间对强化学习的探索，受AlphaGo击败李世石启发，他深信“在固定的场景里，如果这个奖励函数比较确定的话，AI它肯定能找到比人能想出来的方案好”。这种背景塑造了Dyna对机器人决策逻辑的理解。在真实部署中，Jason Ma强调“一套系统能不能落地……不仅仅是模型必须要百分百能做得好”。除了算法性能，“observability（可观测性）”成为关键壁垒：团队必须实时监控模型决策、机器人行为以及计算资源的争用情况。这种对系统完整性的关注，使得Dyna能够在客户现场持续迭代。“你必须要知道在这一天，你这个模型干了啥……有没有一些resource contention”。这种从学术研究的“taste”到工程落地的转变，奠定了Dyna在具身智能领域的独特路径：“确保我们在技术研发……做更正确的技术判断和一些选择”，从而在从Demo到商业化的过渡期中保持竞争力。

实体机器人的RL困境：为何真机并行度低且仿真难

强化学习（RL）在机器人领域的应用必须极其谨慎，因为实体物理环境带来了巨大的不确定性。与游戏或语言模型不同，机器人缺乏高质量的模拟器。在游戏领域，游戏规则本身就是完美的模拟环境；在LLM中，语言模型自身可以模拟语言的演进过程。然而，对于机器人而言，在模拟器中进行强化学习虽然能解决跑步、跳舞等任务，但在抓取或密集接触操作（contact-rich manipulation）方面仍存在显著差距。因此，作者不鼓励直接在真机上运行强化学习，因为真机的并行化程度极低。相比之下，模拟器可以同时启动4000个环境进行训练，这种效率差异是选择特定应用场景的关键因素。为了平衡商业化与技术进步，团队初期选择了叠毛巾和衣服作为切入点，因为这类任务容错率高，即使机器人出错也不会造成致命损害（如捏碎瓶子），目前尚未发生撕烂衣物的情况。

从VIP到Eureka：解决奖励函数设定的核心瓶颈

在博士期间，作者发现机器人学习最大的瓶颈在于无法设定有效的奖励函数。与围棋有明确的胜负规则不同，机器人在物理世界中的任务（如拿杯子、切菜）没有标准答案和数学化的工程定义。为了解决这一问题，作者在Meta FAIR期间发表了VIP论文，提出从人类视频的时间顺序中学习价值函数（Value Function）。通过观察第一人称视角的视频，模型可以判断当前步骤在任务中的完成度（例如“解决了百分之多少”）。2021年，FAIR发布的Ego4D数据集提供了3000小时的大规模第一人称视频数据，这为从人类行为中学习奖励模型提供了基础。尽管当时机器人数据稀缺，但利用互联网上易采集的人类视频作为先验（Prior），是一种可扩展且合理的方法。作者强调，在问题定义未统一的情况下，单纯击败基线方法意义不大，必须从第一性原理出发解决奖励函数缺失的根本问题。

Eureka与DrEureka：递归自我改进与仿真验证

2023年，作者在英伟达合作发表了Eureka论文，展示了让GPT-4自动生成奖励函数代码（Reward Code）的能力。这一过程并非直接驱动机器人，而是先生成代码，在仿真中运行强化学习得到策略（Policy），再将性能反馈给GPT-4进行递归自我改进（Recursive Self-Improvement, RSI）。最初，团队尝试使用人的视频学习转笔的奖励函数，但因缺乏真机验证条件且仿真能力未知，转而采用手搓奖励函数的思路并引入AI生成。随后发布的DrEureka工作将这一方法应用于真实世界，教机器狗在瑜伽球上保持平衡。作者指出，早期研究往往过于超前（too early for its time），虽然Eureka的效果惊艳且开源了代码，但直接用于产品落地尚不成熟。因此，在创立Dyna Robotics时，团队更倾向于将已验证的方法进行规模化（Scale up），而非直接复用早期的学术方法。

创业动机：从实验室Demo到真实世界部署的跨越

作者选择离开Google等大厂创立Dyna Robotics，核心动力在于追求在真实世界中的更大影响力。在学术界和企业实验室中，研究往往局限于研究员自我评估的Demo，缺乏真实的客户反馈和地面真值（Ground Truth）。例如，DrEureka中教狗在球上平衡的任务虽酷，但与实际应用场景无关。作者认为，机器人学习的战场不在实验室写论文，而在真正的应用场景中验证有效性。在大厂工作的经历不仅提供了人脉和导师资源，更让作者意识到部署（Deployment）的重要性。经过300天的部署教训后，团队找到了机器人Scaling Law的关键。与GPT-6等新一代模型相比，早期的Eureka主要依赖语言模型的代码生成能力，而现在的AGI模型具备更强的空间推理和视觉理解能力，能直接完成更复杂的任务。最终，给智能体系统设定明确的目标和奖励函数是训练成功的关键。

摒弃单一技术执念，以客观视角应对科研与创业

在探索机器人技术的道路上，作者并未局限于某一种特定的技术路线。从利用人类视频数据学习、使用视觉语言模型（VLM）进行推理，到在模拟器中构建奖励函数，这种高覆盖范围的研究背景使其在创业时保持客观。作者认为，不执着于单一技术路线有助于公司长期发展，避免陷入死胡同。每个时刻选择当下最好的方法是核心策略。这种务实的态度也体现在对博士研究的建议上：做PhD最重要的是探索新问题，而非在已有问题上刷分。正如作者所言：“你要写的论文就是这种没有办法有baseline的论文，你去创新一个新的问题。” 在Eureka和VIP GVL等项目中，由于缺乏基线方法，必须自行定义问题和构建基准，这证明了清晰的问题定义（problem statement）是研究的核心价值所在。

创始团队的互补性与务实的硬件哲学

Dyna Robotics由Lindon、York和作者三人创立。2024年3月，作者在Google工作期间经Monica介绍结识了刚被收购的Lindon和York。三人的结合源于对“将机器人带入真实环境”的共同愿景，而非仅仅停留在实验室。Lindon负责CEO层面的战略与管理（找钱、找人），作者主导技术路线与里程碑，而York则是极强的工程管理者。争议被视为发现问题的必要手段：“如果没有争议那就是you don't talk enough”。在技术路线上，公司坚持技术与商业的共鸣点。例如选择“叠毛巾”作为首个落地场景，并非因为技术最简单，而是因为其容错率高（不会像洗盘子那样打碎物品），且能验证模型达到100%成功率的商业价值。作者强调，只做智能层而忽略硬件会导致系统稳定性无法掌控，因此公司从一开始就规划了软硬一体的发展路线。

部署中的持续学习与简单有效的技术品味

在Dyna-1发布初期，团队面临从单次运行5分钟到最终每天折叠800多条餐巾的巨大跨越。这一过程并非简单的硬件升级，而是通过持续学习（Continual Learning）实现的。在5周的部署周期内，模型利用自身的rollout数据和针对性的错误恢复机制，收集高质量数据并不断迭代。越简单的方法往往更work且更具可扩展性是贯穿始终的技术品味。尽管Dyna-2具备在推理阶段生成未来3秒视频的能力（110毫秒延迟），但团队并未将其作为常规手段，因为推理时生成视频成本高昂且复杂。相反，他们倾向于用更简单的机制解决失败恢复问题。例如在叠毛巾任务中，难点不在于折叠本身，而在于累积误差（compound error）的纠正。通过引入“有目的的失败恢复”机制，模型能够识别并修正之前的微小偏差。简单、精巧且易于规模化的技术方案，才是推动机器人技术真正落地的关键。

鼎泰丰试点：毫米级精度与99.4%成功率的陷阱

Dyna Robotics在早期研发阶段便选择鼎泰丰作为试点客户，旨在通过真实场景迭代模型。叠餐巾任务看似简单，实则对整齐度要求极高。与只需大致折叠的毛巾不同，餐厅餐巾需达到几毫米级别的精度差异，这直接决定了任务是“及格”还是“不及格”。模型需将餐巾放入盒中并保持整齐，若摆放不当极易散乱。内部评估采用1-5级标准，其中等级4和5是客户唯一接受的合格线。尽管实验室数据显示Dyna-1模型的成功率高达99.4%，但在真实部署中，仅有75%的餐巾能达到客户要求的等级4或5。这一巨大落差揭示了实验室指标与商业落地标准之间的鸿沟，也证明了单纯堆砌成功率无法解决语言指令遵循（Language following）、速度及精细操作等实际部署问题。

规模化部署的“苦涩教训”与自主工作流追求

Dyna-1长达10个月的部署过程被团队称为“苦涩的教训（Bitter Lesson）”。最大的认知冲击在于，实验室里的成功模型与真正可部署的产品之间存在巨大差距。即便在单一场景下表现优异，一旦扩大规模至10台、100台甚至更多机器人时，才会暴露出运营和部署层面的全新问题。团队意识到，对于流水线或传送带等任务，99%的成功率意味着每100次操作就有1次失败，这在连续作业中是不可接受的，会导致下游需要额外的人工或机器进行质量保证（QA），从而破坏了机器人的自主性。因此，Dyna Robotics确立了技术路线的核心目标：机器人必须能独立包揽整个工作流（Workflow），无需人工干预或QA介入，即使速度较慢也能产生商业价值。这种对规模化部署（Scale up）的信念，成为发现深层工程问题的关键。

架构演进：从VLA补丁到World-Action Model基础创新

面对部署中暴露的局限性，团队并未仅在Dyna-1基础上打补丁，而是回归基础模型架构进行重构。原有的视觉语言动作模型（VLA）框架被认为存在结构性缺陷，难以支撑更广泛的泛化能力。因此，Dyna-2转向了世界动作模型（World-action model）。与VLA仅预测机器人轨迹不同，World Model通过预测整个世界未来的发展轨迹（包括像素变化）来训练模型，从而学习到更本质的特征和信息。这一选择得益于预训练视频模型的成熟，团队利用互联网上海量的第一人称视角（Egocentric data）数据进行预训练。虽然早期依赖遥操数据收集高质量后训练样本，但Dyna-2的后训练中遥操数据占比大幅减少。这种架构转变旨在解决VLA泛化性不足的问题，并为实现通用机器人智能平台奠定更稳固的基础。

百万小时数据验证：跨本体迁移的Scaling Law

在Dyna-2的研发过程中，团队通过不同量级的预训练数据发现了机器人领域的Scaling Law（规模定律）。研究涵盖了从100小时、1000小时到1万小时和10万小时的第一人称视频数据。结果显示，随着预训练数据量每增加一个数量级（10X），模型的预测能力显著提升。最令人惊喜的发现是跨本体迁移的规模定律（Cross-embodiment transfer scaling law）：尽管预训练数据仅包含人类运动，但当人类视频数据量增大时，模型在预测机器人动作轨迹上的表现也随之变好。这意味着模型学习到了物理交互的通用规律，而非仅仅记忆特定本体的运动模式。这一发现证实了利用互联网海量视频数据进行预训练，结合少量高质量遥操数据后训练的高效路径。正如团队所言：> “在预训练时，使用覆盖范围最广的数据能让模型更好地泛化；而在后训练中，遥操数据仍是收集最高质量数据的唯一方法。”

突破遥操瓶颈：百万小时人类数据的规模定律探索

在机器人领域，传统的遥操作数据采集难以达到一百万小时的量级，这限制了 Scaling Law（规模定律）的有效性。Dyna Robotics 认为，要实现具身智能模型的突破，必须从更具可扩展性的数据来源入手。他们选择了人类的第一人称视角（Ego-centric）视频数据，尽管这类数据与机器人的最终形态存在差异，但泛化能力（generalization capability）极强。由于拍摄者衣着、手臂形态各异，模型能学到更通用的任务策略而非特定硬件特征。

“如果从一个很 scalable 但跟 robot 其实关系不是很大的数据，能达到能获取 Scaling Law on robots，那我觉得这是一个非常大的突破。”

这种数据采集成本远低于遥操作方案。无需训练人员使用复杂设备，只需佩戴相机记录日常活动即可。数据规模是核心：目前公开可获得的预训练规模最大约为 100 万小时。虽然具体成本未透露，但人类视频数据的获取效率远高于需要标注动作轨迹的机器人数据。这种策略旨在减少对昂贵机器人数据的依赖，解决具身智能中的数据瓶颈问题。

数据质量与架构演进：从视频预测到世界动作模型

随着数据量从 10 万小时扩展至 100 万小时，性能提升的斜率（slope）有所放缓。这并非因为 Scaling Law 失效，而是因为高质量标注数据的稀缺。在早期阶段（1万-10万小时），数据多为精心标注的高质量视频；而在百万级别时，大量无动作标签（action label）的视频被纳入训练。为利用这些未标注数据，团队引入了世界动作模型（World-Action Model）架构。

该架构允许对无标签视频进行纯视频预测（video prediction）训练，从而大幅扩展可用数据量。相比之下，仅做联合视频与动作建模（joint video action）会因缺乏标注而限制数据规模。虽然纯视觉预测无法完全捕捉物理世界的确定性（如水的重量、门的摩擦力），但视频数据的重复性高，信息密度相对较低。对于触觉等高频信息模态，可能无需百万小时数据即可通过后训练习得。因此，后训练（post-training）将成为适配不同客户需求的关键方向。

鼎泰丰部署实战：从模型到产品的全栈优化

在鼎泰丰（Tingyi）的落地场景中，Dyna Robotics 展示了从研发到产品的完整迭代过程。初期 Dyna-1 模型每小时叠放 35 张纸巾，日均约 480 个；而客户目标为每天 1500 张（基于 18 小时班次）。经过优化，Dyna-2 模型实现了每小时叠放 95 张纸巾，日均达到 1590 张，成功满足客户需求。

这一成果不仅依赖模型改进，更得益于数据基础设施（Data Infra）、持续学习（Continual Learning）及硬件部署的整体协同。团队强调，机器人技术栈长且复杂，需遵循“木桶原理”，将模型、硬件、部署、数据基础设施和可教性（Teachability）作为物理智能体一起进行规模扩展。底层基础设施建设是支撑百万小时训练的关键，往往被视为幕后英雄但不可或缺。未来方向将聚焦于如何利用少量高质量后训练数据适配特定场景，以及探索触觉等多模态数据的融合。

模型版本 每小时叠放数量 (张) 日均叠放数量 (张, 18小时班次)
Dyna-1 (初期) 35 ~480
Dyna-2 (优化后) 95 1,590
客户目标值 - 1,500

通用机器人的现实里程碑与数据偏差管理

在探索机器人能力的边界时，任务难度随目标逼近而指数级上升。初期实现单一动作（如每小时叠30个餐巾）相对容易，但进一步提升则需模型与数据的双重突破。对于“通用机器人”这一概念，完全实现100%零样本（zero-shot）完成所有任务是不现实的。真正的里程碑在于：模型能理解模糊需求，并通过少量数据微调（fine-tuning）即可适应客户特定任务，达到70%-80%的任务成功率。这种务实的目标设定比追求虚幻的“全能”更具工程价值。

关于数据偏差（bias）的风险，业界常担忧生产环境数据会导致模型过拟合于特定任务。然而，预训练阶段主要依赖多样化的人类活动视频（human video），其数据量远超内部采集的生产数据。因此，预训练的核心目标是追求通用性（generality）。偏差本身并非坏事，而是可调控的参数。例如，若希望机器人擅长编程或灵巧操作，只需在预训练数据混合（data mixture）中放大相应数据的比例。这种基于最终目标倒推数据配比的策略，使得模型能在保持通用基础的同时，向特定领域倾斜。

从固定式机器人到物理智能体（Physical Agent）的演进

在洗衣房场景中，Dyna Robotics 发现了一个反直觉现象：固定式机器人（stationary robot）性能越好，人工干预率反而越高。这是因为叠得越快，桌面堆积的毛巾越多，人必须更频繁地介入清理。这种“越聪明越累”的局面迫使团队转向物理智能体（physical agent）的开发。与几年前需要人工不断按Tab键辅助的自动补全模型不同，物理智能体旨在像编程Agent一样，一次性完整执行长程任务。它不再局限于单一动作，而是承包从洗、烘到叠的全部工作流。

即将发布的 Dyna-2.1 搭载自研半人形机器人 Taku（寓意工匠精神），展示了这一愿景。该机器人能独立完成将毛巾送入洗衣机、设定温度旋钮、烘干及折叠等端到端流程。其核心优势在于高自主性（autonomy）与鲁棒性：即使发生掉落，机器人也能自行捡起并放入脏衣筐；在操作精密部件（如洗衣机旋钮）时，能通过多次试错确保精准度。这种无需人工介入的完整工作流闭环，才是替代人力的关键。

硬件本体与部署渠道的核心竞争力

Dyna Robotics 坚持自研机器人本体的战略逻辑在于：模型与形态的结合才能产生最佳效果，且硬件是分发渠道的关键。在AI领域，若仅做模型而依赖系统集成商（integrator）进行分发，一旦遇到更优或更便宜的开源模型，公司将陷入被动。拥有自有硬件本体意味着掌握了Distribution（分发渠道）。正如 ChatGPT 依赖电脑和手机才能触达用户，机器人智能若没有载体也无法落地。通过软硬一体，公司不仅能优化运控与模型速度的协同（尤其是移动操作带来的高难度），还能确保在开源浪潮中保持独立性与商业价值。

行业趋势：物理智能层与合成数据的争议

针对 π（Pi）等公司专注“物理智能层”的路线，Dyna Robotics 持谨慎态度。目前尚无成功案例证明纯软件层的物理智能能独立实现商业闭环。若下游客户无法通过该层获得投资回报率（ROI），上游智能提供商同样难以获利。这种“夹心”处境类似于早期无人车公司面临的困境，缺乏自有硬件导致成本高昂且难以控制体验。此外，关于世界模型（WAM）与视觉语言动作模型（VLA），两者最终将合并，核心都在于预测未来。然而，学术界利用世界模型生成合成数据（synthetic data）提升策略鲁棒性的效果存在争议。从40%到70%的提升可能通过常规方法实现，但在95%-99%的高精度区间，合成数据的有效性仍是未解之谜。随着李飞飞 Neo Lab 被 AMD 收购等事件发生，世界模型因算力成本高、应用场景未验证而面临整合风险。

关于“全本体智能”与单一大脑的学术探讨

针对Skild公司提出的S1理念——即通过一个“大脑”适应任何任务、控制不同机器人本体的Omni-bodied Intelligence（全本体智能）概念，Dyna Robotics联合创始人York持审慎态度。他认为最有价值的大脑是人类大脑，因为人类仅用单一神经系统控制自身身体便已具备极高的适应性。若能复现这种能力，某种程度上即达到了Physical AGI（物理通用人工智能）的标准。

“我觉得最有价值的大脑就是人的大脑，我们的大脑只控制我们的身体，但这个已经足够好了。”

从纯学术视角看，如何用单一模型控制多种不同机器人仍是前沿课题。尽管已有大量相关论文发表，但行业尚未出现真正的突破：即在A机器人上训练模型后，能直接迁移并在B机器人上表现优异。目前看来，在一个特定身体上使用一个大脑完成所有任务是更具可行性的路径。这一观点强调了硬件与算法耦合的重要性，而非单纯追求模型的通用性。

行业泡沫、Demo争议与“气泡公式”

Figure AI等公司频繁发布激进演示视频，引发了行业内的争议。虽然其硬件精致、运控丝滑值得学习，但过度激进的Demo展示可能导致公众产生错误的预期（Mis-expectation）。行业批评指出，这些视频往往通过拼接少量成功片段来营造“万能机器人”的假象，如叠被子、浇花等复杂家务场景。这种炒作虽能带动行业热度（Hype），但也造成了技术现状与公众期待之间的巨大落差。

York提出了一个有趣的“气泡公式”：泡沫 = (当前能力与公众期待的差距) × 需要填补这个差距的时间。他认为，虽然行业存在泡沫，但并非纯虚无的炒作，因为已有足够多的进展能在特定场景落地。对于像Dyna这样踏实做部署的公司而言，噪音主要来自投资人受Demo影响产生的质疑。因此，公司需要坚定的使命（Mission）来抵御外部干扰，专注于本质上必须做的技术积累。目前行业最大的瓶颈仍在于数据规模与硬件产量，而非模型架构本身。

自动驾驶经验迁移与仿真数据的前沿地位

特斯拉在自动驾驶领域的积累对机器人行业有显著的正向溢出效应。York指出，数据基础设施（Data Infrastructure）是可以直接迁移的核心资产。此外，在模型推理层面，自动驾驶中成熟的预测未来1-2秒轨迹的标准做法（Standard Practice）正被机器人领域借鉴。过去三年，如ALOHA等论文推动了这一转变，要求模型不仅预测下一步动作，而是完整预测后续一段时间的动作序列。

然而，机器人领域面临的核心痛点是数据稀缺。虽然第一视角（Ego-centric）数据和遥操作采集有价值，但仿真（Simulation）被视为未来最重要的前沿方向之一。因为Ego数据和通用操作接口（如UMI夹爪）涉及高昂的人力与设备维护成本，而仿真本质上是算力问题（Compute Problem）。只要有足够的算力和智能生成能力，即可规模化产生数据。

“如果是simulation（仿真），那就是所有东西就是一个compute problem，你有足够多的算力你就可以生成很多的数据。”

这是一个“鸡生蛋、蛋生鸡”的开放性问题：更好的Ground Truth数据能提升仿真质量，而更高质量的仿真又能生成更多训练数据。这需要行业共同攻克。

终局推演：切换成本、分发渠道与ToB战略

关于机器人行业的终局，York认为物理世界的切换成本（Switching Cost）极高。客户一旦部署了成熟的机器人系统，极难更换。因此，早期分发渠道（Distribution）的积累具有复利效应。在模型层切换成本低的情况下，拥有硬件平台和分发渠道的公司更具护城河。即使其他公司（如OpenAI、Anthropic）提供更优的模型，硬件厂商也可通过集成第三方模型来保持竞争力。

在落地策略上，硅谷呈现分裂态势：一方追求ToC家用机器人（如Figure、1X），另一方坚持先做工业/ToB场景。York坚定支持先进工厂（ToB）的路径，原因有三： 1. 部署门槛低：工厂环境无需像家庭那样考虑隐私、儿童安全及完整产品包装，可专注于模型闭环。 2. 测试集可控：ToB场景如同拥有明确的Test Set，便于迭代；而家用机器人面对千差万别的家庭环境（如Airbnb或不同户型），泛化难度极大。 3. 技术复用性：ToB中解决的模型泛化和速度问题，与ToC大同小异。做好ToB可为未来进入家庭场景打下坚实基础。

“做home robot（家用机器人）你就永远都看不到test set，因为就算你去租几个Airbnb...这个家肯定长得很不一样。”

综上，Dyna Robotics选择深耕ToB领域，利用部署数据飞轮（Flywheel）建立优势。他们不担心大厂的模型竞争，因为硬件与模型的整合平台能力以及早期分发渠道的锁定效应构成了其核心壁垒。随着Physical AI蛋糕变大，不同细分领域的公司有望共存，而非简单的赢家通吃。

机器人规模化与商业价值的核心逻辑

Jason认为，将热爱的技术带到全球平台并产生实际影响力是Dyna Robotics的核心驱动力。其终极目标是通过提高实体生产力（Increase physical productivity）和降低体力劳动（Reduce manual labor），让人类拥有更多自由时间去做想做的事。鉴于美国、日本等国家面临严重的人工短缺问题，如果机器人能真正优化整个工作流（workflow），其商业价值巨大。这种技术落地有望带来“无限富足”的概念，但实现这一愿景需要模型技术与实际应用场景的深度融合。

Dyna-3的技术展望与Tokenization争议

在探讨Dyna-3及未来模型时，Jason提出了一个关键的科研疑问：Tokenization（词元化）是否适用于机器人领域？ 传统的Transformer模型将事物离散化为token，但机器人的动作往往是连续且非离散的。Jason指出，Tokenization会将连续信息离散化从而丢失部分精度，因此在需要高精度的任务中，直接预测连续动作可能比离散化更有效。尽管目前Dyna-3的具体发布细节尚不明确，但他认为当前是机器人领域最激动人心的时刻（most exciting time）。公司正探索不同方向，包括基础模型、世界模型以及后训练技术，旨在解决泛化能力这一核心痛点。

从RL到世界模型：技术路线的反思与转型

Dyna Robotics的名字源于强化学习（RL）之父Richard S. Sutton提出的“Dyna”框架，这暗示了公司早期的技术印记。然而，Jason强调，模型技术只是整个Stack（技术栈）的一部分。他反思了强化学习的局限性：RL最有效的场景必须拥有明确的模拟器和奖励函数，而现实机器人缺乏这些属性。因此，公司采取了“先有问题再找解决方案”的策略，而非盲目套用RL。基础世界模型（World Model）的构建优先于强化学习的应用，因为缺乏模拟器或世界模型的RL难以在真实世界中成功。这一转型体现了从追求算法本身到以创造客户价值为核心的工程思维转变。

真实部署场景与办公室内的反馈循环

Dyna Robotics的新办公区不仅是研发中心，更是模型评估（Model Eval）和部署测试的实验室。这里展示了多种自主运行任务：包括分拣手套、针具等物品的传送带任务；餐厅中用铲子盛放食物并关闭餐盒的任务，展示了精细的按压动作（Pressing action）；以及汽车工厂中高精度组装和冰箱内部插管等极具挑战性的任务。这些Demo均基于Dyna-2基础模型进行后训练（Post-training）得出，证明了其高鲁棒性。此外，办公室内还展示了机器人从冰箱取饮料的场景，结合了视觉识别、语言理解及全身协调（coordination）。这种“在办公室中部署”的方式形成了良好的反馈循环，让机器人直接服务于内部员工，从而快速迭代优化。

部署教训与未来展望：被真实世界纠正的300天

采访的核心主题围绕“部署（Deployment）”展开。Jason反复强调，客户并不关心底层使用的是VLA、WAM还是其他新模型范式（如GPT-6 Astra带来的变化），唯一的指标是“机器人能否稳定地把工作做完”。Dyna Robotics在过去两年中，通过真实世界的部署被不断纠正，积累了宝贵的经验教训（Bittersweet Lesson）。公司选择坦诚分享这些从部署中获得的洞察，而非仅展示实验室里的完美数据。未来，随着Dyna-2在更多场景中的部署以及Dyna-3的推出，硅谷101将持续关注其在模型和数据这两个关键方向上的新进展。

“Deployment（部署）是这场采访中Jason提得最多的词。他说，客户不在乎你用的是VLA还是WAM……‘机器人能不能稳定地把工作做完’才是唯一的指标。”

“我觉得RL（强化学习）最重要的问题，就是做决定要不要做RL（强化学习）这件事……从历史这个RL发展的角度来看，你会发现RL最work的场景，都是我一开始说必须要有一个模拟器，然后这个奖励函数必须非常明确。”

“Dyna觉得最开始成立的时候，它的RL（强化学习）的印记还挺强的。但是慢慢地我觉得它已经转型了……我们是更追求从一个问题出发，去想解决方案。”

结论

Dyna Robotics通过300天部署验证了具身智能的Scaling Law：百万小时第一人称人类视频预训练可实现跨本体迁移，Dyna-2在鼎泰丰试点达成95张/小时效率并满足1,500张日均目标。其核心优势在于软硬一体架构与持续学习机制，解决了VLA泛化不足及累积误差问题。然而，实验室99.4%成功率与现场75%高合格率存在显著落差，凸显了毫米级精度要求下的部署鸿沟。当前技术瓶颈在于缺乏高质量仿真与遥操数据，纯软件层物理智能尚难独立闭环。公司坚持ToB路径以积累分发渠道护城河，通过物理智能体实现全工作流自主闭环是验证商业价值的唯一标准。