AREX Viewpoint Article
机器人迷雾中，Dyna创始人如何找到方向
导读
2026年10月13日，Dyna Robotics 开发的半人形机器人 Taku 出现在纽约纳斯达克收盘敲钟仪式上。据 X 用户 @925forever 发布的消息，这是史上第一次有人形机器人参与这一仪式；当日陪同 Taku 的是 RoboStrategy 首席执行官 Andrew Kang。两天后，Lindon Gao 的这期播客上线，正好把这个突然进入公众视野的机器人拉回到它真正的商业逻辑。
播客里 Lindon 没有把 Dyna 的目标描述成“让机器人更聪明”或“尽快实现通用智能”。他明确说，Dyna 走的是与 Pi 等纯大脑研究路线不同的 product-research 路线：先想清楚未来产品形态，再倒推研究问题。这个背景解释了 Taku 为什么不是用来展示单点动作，而是被设计成能连续完成整段工作流的物理智能体。
Lindon 在视频中给出了判断机器人价值的硬标准。他把产品归结到 ROI：硬件机器人如果 ROI 不成立，就不是真正的产品；拿到一个付费客户也不等于可规模化的 PMF。他还说，具身智能要成立，任务必须在自己的工作范围内比人产出更多。这个标准让读者可以把 Taku 的纳斯达克亮相从公关事件中剥离出来，判断它真实交付的是折叠餐巾、洗衣房等可以被验证的产出，而不是机器人本体。
视频还补充了 Taku 背后的数据选择。Lindon 提到 Dyna 在百万小时人体第一视角数据上观察到强 scaling law 迹象，并把 egocentric 数据视为机器人数据的最终形态。这解释了 Dyna-2.1 的学习系统为何强调利用人类经验，也说明 Taku 并非依赖单一场景特调，而是在押注一个能泛化的数据路线。官方页面把 Taku 定义为端到端工作流的物理智能体，恰好与这条路线一致。
比技术路线更关键的是，Lindon 把这期对话变成了一次对自己决策方式的复盘。他承认曾经背负“不能犯错的 CEO”包袱，结果为了不犯错而做出一系列错误决策，直到放下包袱才恢复第一性原则思考。Taku 进入真实客户和公开市场之后，Dyna 面临的将不只是模型能力竞赛，还有成本、质量和供应链战；创始人能否在迷雾中保持清晰，直接决定这个产品能否从亮相走向规模化。
因此，纳斯达克敲钟提供了一个新鲜的新闻由头：Dyna 的机器人第一次被推到非常商业化的前台。而视频的实际增量是，它把这个高光时刻背后的路线、标准和自我修正过程讲清楚了。读者带着 ROI、完整工作流和 egocentric 数据这三个关键词，便能继续看核心结论，评估每一个声称能完成“整份工作”的物理智能体是否真的站得住。
核心结论
- 机器人创业必须走「产品研究」路线，用真实工作流倒逼模型预训练，而非从通用智能出发：Dyna 与纯大脑研究路线的根本区别在于，研究是否被产品形态约束。以具体任务为最小单元跑通落地闭环，再据此明确预训练泛化方向，才能让落地成为验证智能体的闭环，而非研究的对立面。
- 机器人商业化的第一性原理是 ROI 和可规模化的产品市场契合，而非单纯的技术突破：Lindon 反复强调，硬件机器人如果 ROI 不成立，就不是真正的产品。签下一个客户不等于可规模化的 PMF，具身智能的任务选择标准必须回到能否比人产出更多。
- 机器人不需要达到通用智能就能被每个人用上，产品形态比智能上限更关键：Lindon 用 GPT-3 到 ChatGPT 的跃迁说明，真正的用户飞跃来自产品形态变化而非单纯的模型升级。机器人的普及本质上是产品定义问题，而非等待 physical AGI 实现。
- 第一人称视角数据是机器人预训练的最终形态，Dyna 在其中发现了 scaling law 迹象：Lindon 判断 egocentric 数据是机器人数据的最终形态，并在百万小时预训练集上观察到强 scaling law 迹象。这意味着机器人基础模型可能找到了类似语言模型的规模化路径，但天花板仍不明确。
- 大脑决定机器人能不能做，本体决定能做多好，但长期看供应链可能比大脑更重要：Lindon 提出与主流相反的下限/上限判断：大脑决定任务可行性，硬件和运控决定执行质量。放眼十年，客户最终拿到的是硬件，行业可能进入成本和质量战，供应链的重要性将超过大脑。
观点拆解
1. 机器人创业必须走「产品研究」路线，用真实工作流倒逼模型预训练，而非从通用智能出发
-
「产品研究」不是放弃研究，而是用产品护栏倒推预训练方向：Dyna 与 Pi 等纯大脑研究路线的区别，不在于是否做研究，而在于研究是否被产品形态约束。Lindon 明确表示公司始终以 research 为导向，但研究带有 product guardrail，先想清楚未来产品形态，再倒推需要攻克的研究问题。这意味着落地不是研究的对立面，而是研究的导航系统。
“我们公司其实一直都是一个以 research 为导向的公司，只不过说，我们 research 的导向是有 product guardrail 在这里面的。所以说，其实我对未来的产品形态是非常清晰的，所以说我是在倒推，为了达到这个产品形态，我们所需要做的 research 是哪些。”
“本质上面其实我们是一个非常 heavily research 团队，因为如果不是 heavily research 的话，我们也做不出 DYNA-1 本质的一个突破。”
-
落地是验证智能体的闭环，而不是与大脑研究并列的另一条路线：Dyna 的核心判断是：智能体能力才是机器人落地的真正瓶颈。因此，落地场景被设计为验证和反馈智能体能力的闭环，而非单纯的商业部署。公司百分之八九十的 capacity 都投入在智能体上，落地的基础设施被刻意做得足够简单，以降低验证成本。
“我们一直觉得智能体是落地的一个瓶颈，而且我们一直需要提高智能体才可以真正的落地。可是我们只不过是说，在我们提高智能体的时候，我们同时也把落地变成了一个验证智能体的一个闭环。”
“公司的百分之八九十的 capacity 全部都是在智能体上面。而且我们就是把落地的整个 engineer infrastructure 做得足够的简单，所以说，其实对我们来说落地不是大家所想象的那么困难，没有那么重。”
-
以任务为最小单位跑通落地闭环，再据此明确预训练泛化方向：Dyna 的战略节奏体现了「从真实任务倒逼研究」的完整逻辑：2025 年以最小任务单位跑通落地闭环，围绕 DYNA-1 做后训练优化；2026 年才据此明确预训练模型需要向哪个维度泛化。这种先落地验证、再反推预训练方向的顺序，正是 product research 路线区别于传统发散式研究的关键。
“25 年其实就是战略节点是怎么样子，让我以最小的一个单位，就是一个任务单位，怎么做到落地的一个闭环。”
“在 2026 年其实我们就是以一个员工的这个战略来走的。其实，那在这时候其实就是，我们知道了我们预训练模型需要往哪个维度去泛化，而且我们的预训练的方向是什么样子。”
2. 机器人商业化的第一性原理是 ROI 和可规模化的产品市场契合，而非单纯的技术突破
-
ROI 不成立，硬件机器人就不是一个真正的产品：Lindon 把产品判断最终收敛到 ROI 上：如果客户算不过账，技术再酷也没有商业基础。他用 Caper 早期无人零售的教训说明，超市老板拒绝 Amazon Go 式方案，不是因为技术不好，而是因为省下的收银员成本无法覆盖投入和维护，这直接推动他转向购物车方案。
“他就说性价比不高，我没有 ROI。你让我花几十万，帮我省几个收银员。其实我收银员也不光只是做收银的。”
“我一直把产品归根到 ROI 上面。你 ROI 成不成立，你 ROI 不成立，特别是在硬件机器人行业，我觉得 ROI 不成立就不是一个产品，就没有 product-market fit。”
-
签下一个客户不等于可规模化的 product-market fit：Lindon 批评机器人行业里常见的误解：把拿到一个付费客户当作 PMF。他认为真正的 PMF 必须建立在可规模化的商业飞轮上，否则后续的定制化和节拍要求会让公司无法满足客户对机器人本质价值的期待。
“多拿一个客户，如果说你的产品没有达到 ROI，你多拿一个客户是没有意义的。除非说你知道长期我上量之后，ROI 是可以自动成型。可是如果说整个商业飞轮本身没有建起来，是没有办法达到一个 product-market fit。”
“如果说落地不能达到一个 scalable product-market fit，我觉得我就不会去做这件事情。”
-
具身智能的任务选择标准是：能否产出比人更多的 output：Lindon 认为具身智能要找到 PMF，关键是选择能够达到 ROI 的任务。判断标准很直接：机器人在自己的工作范围内，能否比人产出更多。如果达不到，就无法形成商业闭环。这也是他选择具体场景并坚持打通部署飞轮的原因。
“具身智能做什么样的任务才能够 PMF 呢？做可以达到 ROI 的任务。就是他们如果说在一个自己的工作范围之内，可以产出比人更多的 output，他们就可以达到 PMF。”
“我们在我们所选的场景下面，我们基本上都可以达到。如果达不到的话，就成为不了商业闭环本身。”
3. 从单任务到完整工作流是机器人落地的关键跃迁，折叠餐巾场景验证了这条路径
-
单任务成功不等于可落地，完整工作流才是商业闭环的前提：Lindon 指出，早期基础模型只能完成单一步骤，无法连续执行下一步，因此不足以落地。真正的问题在于，如果机器人只会在桌面上叠餐巾，就需要一个“机器人保姆”来上料、下料和归位，这直接摧毁了可规模化的商业价值。只有把上料、折叠、下料、归位全部做完，才能去掉保姆，形成真正的商业闭环。
“他们一般只能做一件事情做成功，然后如果说再做同样的事情、再做下一步的话，就会做得不好，所以当时的情况是不足以落地的。”
“最大的原因其实就是我们需要一个机器人保姆，机器人保姆这件事情是一个非常大的问题。那我们怎么样子把这个机器人保姆给去掉，那就代表着我们要做整个工作流。”
-
折叠餐巾场景验证了从任务到工作流的进化路径，DYNA-1 到 DYNA-2 是这一跃迁的技术载体：DYNA-1 首次展示了可商业化的折叠餐巾 Demo，以 99% 以上的成功率连续运行 24 小时。但 Lindon 意识到，只有叠餐巾动作本身不够，必须把取料、上料、折叠、下料、放架、再取新桶的完整链条跑通。这个从任务到工作流的进化，正是 DYNA-2 的核心方向，也标志着公司在 system two、system one 和 system zero 三个系统上的大幅进化。
“当时我们是首家公司首次 show 了一个可被商业化的 Demo，就是我们当时是折叠餐巾，可以折 24 个小时，99% 以上的成功率。”
“我不光需要叠餐巾，而是我要去没餐巾的时候我也需要知道我的餐巾的库存在哪里，我要去拿，拿完之后我需要回到我的桌面上，把餐巾放下来，放在桌子上，然后我需要叠，叠完之后叠好的餐巾我需要拿到哪里去，然后放在哪个 shelf 上面，然后再拿一个新的桶，再拿过来，再重新开始叠，这才是整个工作流。”
-
酒店洗衣房是第一个可泛化到十万家美国酒店的落地场景，也是通往家庭机器人的必经之路：Lindon 选择酒店洗衣房作为第一个完整工作流落地场景，因为每个酒店洗衣房都需要两到五个人，且洗衣环节对酒店运营至关重要。洗衣房工作流一致性高、容错率高、节拍要求低、付费意愿强，并且可以泛化到美国十万家酒店，TAM 达到数十亿美元。更重要的是，洗衣房是通往家庭场景的最小单元，如果洗衣房都做不成，家庭机器人更不可能成立。
“在每一个酒店洗衣房其实都需要两到五个人，看这个酒店有多大。而且酒店本身在洗衣这件事情上面是特别重要的。”
“本身可以泛化在美国的 10 万家酒店里面，所以说本身的 TAM 其实就是好几个 billion，这只是第一个工作流。而且我觉得洗衣房本身是大家通往 home 的一个最小的一个 unit，如果洗衣房都做不成了，我觉得 home 肯定也做不成。”
4. 机器人不需要达到通用智能就能被每个人用上，产品形态比智能上限更关键
-
机器人的“ChatGPT时刻”不是通用智能实现，而是产品对每个人有用：Lindon 认为，讨论机器人是否到达某个技术时刻并不重要，关键是机器人何时能真正为人类创造价值并实现可规模化的产品市场契合。他重新定义了 ChatGPT 时刻：不是 physical AGI 被解决，而是产品变得对每个人都有用。
“我觉得重要的是什么时刻，机器人才能给人类真正带来价值，然后机器人才能真正达到 scalable product-market fit 本身。”
“我觉得 ChatGPT moment 是任何人可以，就是 it's useful to anyone。”
-
机器人普及是产品定义问题，不需要达到通用智能就能被每个人用上：Lindon 直接挑战了行业将机器人通用等同于 physical AGI 的主流认知。他提出，机器人能否被每个人使用，本质上是一个产品定义问题，而非智能上限问题。这意味着产品形态可以在当前智能水平上找到适配路径，而不必等待通用智能完全实现。
“可能绝大多数人把机器人通用理解为 physical AGI 已经解决了，可是我从我的角度去看的话，我觉得这是一个产品定义问题。”
“我觉得其实机器人不需要 intelligence，不需要达到通用就可以被每一个人都可以用上。”
-
GPT-3 到 ChatGPT 的跃迁本质是产品形态变化，而非单纯的模型升级：Lindon 用 GPT-3 到 ChatGPT 的案例说明，模型层面虽有变化，但真正的用户飞跃来自产品形态从 API 转变为浏览器对话。这个类比支撑了他的核心判断：机器人的普及同样不能忽视产品形态，智能体必须被包装成适配当时智能水平的产品。
“GPT-3 到 ChatGPT 本质的变化是一个产品变化，是一个从 API 形态变成了一个 browser chat 形态，才达到了一个非常强的用户飞跃。”
“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。”
5. 第一人称视角数据是机器人预训练的最终形态，Dyna 在其中发现了 scaling law 迹象
-
人体第一视角数据在百万小时预训练集上展现出强 scaling law，是行业的重要节点：Lindon 表示，Dyna 在百万小时的人体第一视角预训练集上发现了非常强的 scaling law 迹象。他认为这之所以重要，是因为过去一两年机器人行业的智能天花板难以突破，核心瓶颈被普遍归结为数据。这一发现意味着，机器人基础模型可能找到了类似 GPT-3、GPT-4 那样的规模化路径。
“在用人体第一视角数据上面，是可以在 one million hours 的一个预训练集下面，我们发现了非常强的 scaling law 本身。我觉得这是对行业来说应该是一个非常重要的一个节点。”
“如果说我们想要达到 GPT-3、GPT-4 的一个机器人 foundation model moment，我们需要以最低质量数据去从中提取出可以 scale 的地方，而不是去 scale 一个高质量数据。”
-
egocentric 第一人称视角数据被判断为机器人数据的最终形态，Dyna 据此 all in：Lindon 从五到十年的维度思考机器人数据的最终形态，认为 egocentric 和 exocentric 会成为数据的最终形态，而 egocentric 是其中最大的数据集。他进一步解释，押注 teleop 或 UMI 等非 egocentric 数据形态，某种程度上是在赌机器手不能工作，但行业共识是机器手本身是工程问题而非研究问题。因此 Dyna 选择以 egocentric 为方向全力投入。
“数据形态在接下来三年五年十年之后，最终的 robot 数据形态会是什么样子的。当时我们想来想去，我们都想不到任何比 egocentric 和 exocentric 会成为数据的最终形态。”
“我们要去 bet teleop 或者要去 bet UMI，或者说要去 bet 一些不是 egocentric 数据的形态本身，我觉得我们就是有点程度上面是在 bet 机器手不可以 work。可是我们觉得应该行业的共识是 robot hands 本身是一个工程问题，而不是一个 research 问题。”
-
数据形态选择取决于训练目标，仿真与真机数据不应被对立起来：Lindon 认为，数据 mixture 没有必要区分仿真派还是真机派，一切都取决于 training objective，即团队想要训练出什么样的模型。他以 OpenAI、Anthropic 和 Google 为例，说明不同团队对预训练能力的目标存在分歧，因此机器人团队在数据策略上的选择也没有绝对对错。
“我觉得 data mixture 其实没有必要去说我是仿真派还是我是真机派，我觉得全部是 training objective 来的，就是你的 goal 是什么，你想要 train 出什么样子的模型。”
“我觉得在机器人团队，可能每个团队也有自己对预训练想要达到的能力是有一定的分歧，所以说我觉得就没有对错。”
-
egocentric 上的 scaling law 是 Dyna 看到的突变，但天花板仍不明确：Lindon 指出，目前还无法完全知道机器人预训练的天花板在哪里，这让他感到兴奋。他类比语言模型的发展，认为 AI 领域常常在看似平坦的状态后突然出现突变，而 Dyna 在 egocentric 数据上找到 scaling law 本身就是他们看到的一个突变。对于 AGI 的最终形态，他认为从机器人角度看，就是给出一个模糊指令就能完成整件事，与 coding Agent 或 general purpose Agent 的最终形态类似，但时间难以断定。
“我觉得我们现在还不是完全知道天花板在哪，所以说我觉得这是一个非常令人兴奋的一个时代。”
“很多科技发展，特别是在 AI 的领域上面，其实可能很多时候是一个非常看似非常平坦的一个状态，可是突然哪一天它有一个突变。所以说，我觉得我们自己看到的一个突变，就是我们在 egocentric 上面找到 scaling law 本身。”
6. 大脑决定机器人能不能做，本体决定能做多好，但长期看供应链可能比大脑更重要
-
大脑决定“能不能做”，本体决定“能做多好”，这是与主流相反的下限/上限判断：Lindon 明确把大脑定位为机器人的下限、本体定位为上限，理由是大脑决定任务是否可行，而硬件和运控决定执行质量。这个判断直接挑战了“大脑是上限、本体是下限”的常见认知，构成了本期最具争议性的观点之一。
“大脑是机器人的下限，我觉得本体是机器人的上限。这个跟很多人观点还是相反的，别人可能会觉得大脑是上限、本体是下限。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的多好。”
-
大脑与本体高度耦合，不拥有本体就很难在B2B场景达到质量和效率要求：Lindon 用折餐巾的例子说明，动作能多快、多精确，取决于数据、运控和硬件能力；而不同的运控算法会训练出完全不同的模型表现。因此他认为，如果不掌握机器人本体，就很难在真实B2B落地中满足质量和速度效率。
“如果说在数据、运控和硬件的能力下，如果可以允许，我是可以动作动得更快，我的动作可以更精确。”
“用两个不同的运控算法就可以训出两个非常不一样的模型，一个可能是非常非常丝滑、非常漂亮，另外一个可能就是一个非常糟糕的机器人。”
“我很难想象说，真正去做B2B落地场景，如果你不own这个机器人本体，你是很难达到他们的质量和速度效率的。”
-
放眼十年，供应链可能比大脑更重要，行业最终会进入成本和质量战：Lindon 对比了中美两派对大脑与供应链的不同侧重，并给出自己的长期判断：客户最终拿到的是硬件，量产和产品形态才是关键，因此十年维度上供应链可能比大脑更重要，行业可能走向成本和质量战。
“如果说真的让我往10年去看这些事情，我觉得可能供应链更重要。因为其实供应链本身是客户最终拿到的是硬件。”
“大脑决定了你这个产品的下限，身体决定了你这个产品的上限。所以我觉得长期来说，可能会形成一个成本和质量战。”
7. 机器人行业尚未收敛，但正在经历局部收敛，一到两年内可能出现更清晰的模式
-
行业整体仍处于迷雾之中，远未达到收敛时刻：Lindon 认为机器人行业始终被迷雾笼罩，技术路线尚未收敛，这既是挑战也是机会。对他而言，在复杂且未收敛的环境中看清一条属于自己的路，本身就是创业的核心命题和成就感来源。
“全球的机器人行业还远远没有达到收敛的时刻，这是一条无比漫长的长跑，你看不见终点，有时候你也看不清楚四周。”
“这整个行业其实一直都是迷雾笼罩，可是如果能在迷雾中探出一条你自己的路，我觉得对我来说就非常有成就感。”
-
行业正在经历局部收敛，DYNA-1 之后成功率与执行速度成为共识方向：尽管整体尚未收敛，但 Lindon 观察到每个阶段都有一定的局部收敛。以 DYNA-1 为例，行业开始向机器人的成功率和执行速度靠拢，同时在 UMI、egocentric、世界模型等方向上也在逐渐形成共识。
“可是在每一个时段，其实都有一定的收敛。比如说我们做出 DYNA-1 之后，其实大家都往机器人的成功率或者说执行速度上面，其实是有一定的收敛。”
“其实在对比如 UMI 也好，egocentric 也好，世界模型也好，其实行业也是渐渐地往这个方向收敛。”
-
一到两年内，模型架构与数据能力有望形成更明确的收敛模式：Lindon 判断行业已经处于收敛过程之中，团队大致知道哪些方向对、哪些方向不对。他预测未来一到两年内，行业会在模型架构和数据能力上出现更清晰的共识，形成更收敛的模式。
“我觉得我们是渐渐在一个已经在一个收敛的过程当中，我们大概知道说哪些方向对，哪些方向不对，哪些是重要，哪些是不重要的。”
“我觉得可能在接下来一到两年之后，我觉得是有机会看到一个更收敛的一个模式，大家可能会更往比较类似的一些，不管是从模型架构也好，或者说从数据能力也好，其实都会开始有一定的收敛。”
8. 创业的本质是修心，放下「不能犯错的 CEO」包袱才能做出真正高质量的决策
-
低谷期创业的本质是修心，反复被拒不是终点，而是逼自己成长的强化学习：Lindon 用自己见了一百多个投资人才获得融资的经历说明，创业最苦的时候恰恰是成长最快的时候。他把每一次失败重新定义为“强化学习”，这种视角转换帮助他在低谷中提升了对自我和世界的认知，而不是被拒绝击垮。
“越是低谷的时候越需要修心。”
“每一次失败对我来说就是一个强化学习，就是下次怎么做得更好。”
-
「不能犯错的 CEO」包袱会扭曲决策，放下它才能恢复第一性原则思考：Lindon 承认，因为自己曾经成功过，所以一度背上“不能犯错”的包袱，结果反而为了不犯错而做出很多错误决策。只有放下这些心理包袱和外界噪音，他才能用更清澈的思考维度去解决战略迷失问题，而不是靠堆工作时长。
“后面其实我是放下了一些心里的包袱，或者说干扰我的一些噪音，然后才能真正让我可以用非常清澈的一个思考维度去解决这个问题。”
“在这个包袱下，反而让我的很多决策变得非常的不明智，或者说甚至是为了不犯错而做的决策。”
-
转念改变的是看世界的过滤镜，修心让创业长跑更长久、更少内耗：Lindon 认为，每个人都是带着主观的过滤镜看世界，而转念可以让同一个事实呈现出完全不同的辽阔空间。他把创业比作一场看不到终点的马拉松，只有通过改变自己的念头和过滤镜，才能减少内耗，获得足够的精神体力跑完全程。
“当你选择同样的事情，你一个不同的方向去看这件事情的时候，你的世界会变得非常辽阔。”
“如果是通过改变自己，改变自己的念头和改变自己的一个对这个世界的过滤镜来行走这条创业道路的话，我觉得会更长久。”
总结
机器人行业的真正分水岭不在技术路线的优劣，而在创业者是否愿意放下对通用智能的执念，回到最朴素的商业逻辑：找到能算过账的真实工作流，用产品形态适配当前智能水平，再让落地反馈倒逼研究。Lindon 的路径选择揭示了一个更深的判断——在未收敛的赛道中，确定性不来自外部共识，而来自创业者能否在迷雾中修心转念，用第一性原则做出属于自己的高质量决策。这或许才是机器人创业最稀缺的能力。
信息源
视频来源
- Lindon Gao: Finding Clarity in the Fog of Robotics, Disagreements & Choices, and Wang Yangming：
外部资料
- 925forever：
- Dyna-2.1: A Physical Agent for End-to-End Workflows：