机器人不需要保姆：Dyna创始人Lindon Gao的任务、工作流与修心

先说结论：这期张小珺商业访谈录第 154 期（2026-10-15 发布，171 分钟）的嘉宾是 Dyna Robotics 创始人兼 CEO Lindon Gao——11 岁赴美、14 岁做游戏装备买卖、上一次创业 Caper AI（智能购物车）2021 年以 3.5 亿美元卖给 Instacart（据 thebotscout、automate.org 等多方资料），Dyna 是他的第四次创业。整场访谈最有价值的不是融资数字，而是一个创业者当众拆解自己踩过的坑：DYNA-1 折餐巾做到 99% 成功率、拿了 10 多个客户，他却拒绝量产，因为员工每小时要给机器人补一次料——任务做成了不等于工作流做成了，机器人需要保姆就不是产品。围绕这个判断，他讲清了三件事：为什么从"任务"升级到"工作流"、为什么把数据战略从"高质量"转到"百万小时第一视角"、为什么创业十年后开始修心。对行业观察者来说，这期提供了一个罕见样本：一家硅谷机器人公司如何在"大脑派"与"身体派"的中美分歧之间，走"product research"第三条路。以下均为嘉宾观点与节目转述，未经独立核实。

蟑螂、购物车与 3.5 亿美元：四次创业的底层账本

Lindon 的创业史本身就是一份"反共识清单"。14 岁倒卖游戏装备赚上万美金，大二把珠宝库存尾货做成 to B 供应链生意（一周三四个小时、年入十几二十万美金），运营近十年后主动关掉——“我一个小时都不想花了”。第一次正式创业 Caper 赶上 2017 年 Amazon Go 点燃的无人零售热潮，全行业都在给商店装天花板摄像头、做整体改造，他去见了 150 个超市老板推销整店方案，“免费给你要不要？也不要”——没有 ROI，省几个收银员却要背装修和维护。于是他把传感器塞进购物车：谁推车谁付钱、车里放什么就付多少，同一个问题、简单一个数量级的技术。

真正难的是活下来。YC 毕业批次融资倒数，四个联创搬进一间房子，月烧 7000 美金烧了两年半；账上只剩一两万美金时 cold email 1100 多个天使投资人，转化了两个。他给团队的说法是：“我们是蟑螂，我们死不了。“种子轮见 100 多家机构只有 First Round Capital 投，A 轮见 60 多家全拒后 Lux Capital 接盘，B轮拿到两个 term sheet 外加一个收购 offer，拒了两次，2021 年以 3.5 亿美元卖给 Instacart（此数字有多方外部资料佐证）。这段经历给他留下的核心方法论后来全部搬进了 Dyna：做产品永远做有价值的事，而 ROI 不成立就没有 product market fit——他在访谈里反复强调，无人零售的真正价值不是省收银员工资，而是屏幕互动提高了客单价；很多机器人公司以为签了客户就是 PMF，但客户要求的节拍和定制化远超产品形态能承载的程度。

选机器人赛道同样是被"锤子找钉子"的直觉驱动：卖掉公司后认真探索过 AR（六到八个月，判断技术不 ready）、量子、核能，最后选机器人，因为"行业形态跟无人零售当年很像”——人人拿着酷技术找场景。第三位联创的筛选标准也很 Dyna：硅谷聊了二十来人，画像只有两条——research taste 极强（他从 Jason Ma 论文从 fancy 到简单干净的演化读出品味），且愿意把研究落到产品上。Jason Ma 是前 Google DeepMind 研究科学家、Eureka 论文一作（外部资料已证实）。

99% 成功率却不量产：从任务到工作流的关键一跃

2025 年 Dyna 给自己定的研究目标非常具体：成功率拉到 99%、速度拉到人类的 50-60%，才有商业化希望。DYNA-1 交出的答卷是折餐巾 24 小时、99% 以上成功率——但真正的故事在 2025 年 6-9 月的真机部署里。Lindon 复盘的细节极具行业参考价值：客户每天需要 1300 张餐巾，DYNA-1 24 小时只能折 850 张（速度不达标，靠研究补上）；偶尔一次抓两张餐巾，人手一抖就重抓，机器人要花两分钟恢复，而正常折一张只要 20 秒——10% 的双抓率就能让全天产出崩盘，这个问题只能用强化学习让模型自己解决，预训练帮不了；叠好的餐巾要按位置整齐码放，发现 VLA 的语言跟随能力不够，又把账记回预训练。

最致命的发现是"保姆问题”：每半小时到一小时，员工要在手机上定闹钟过来补一次料。任务范围内智能体已经不是瓶颈，但工作流没有闭环——你去 scale 一个不完整的产品，它未来就是你的累赘。于是去年底 Dyna 做了两个决定：战略上从"任务"升级为"一个员工"（上料、折叠、下料、上架全链路，工作流成功率是 99 的 n 次方的指数问题）；产品上重做预训练、推出轮式底座半人形机器人。今年 9 月底公司发布了 Dyna 2.1（Taku），官方口径是可自主完成完整洗衣班次、以 MTBI（平均干预间隔）而非单任务成功率作为商业指标（据 roboticfirms、SIG.AI 报道）——正好印证了这次访谈里"机器人不需要保姆"的产品哲学。

这个"一个场景做透等于做通所有场景"的框架也解释了他的市场观：Dyna 不按行业分场景，按工作流复杂度分级——L1 叠餐巾、L4 洗衣房全流程、L5 酒店客房打扫。落地场景必须选在智能体能力范围之内，战略方向则要投向能力范围之外。至于为什么先 B 端不做家庭：家庭对泛化要求最高、预期最主观、安全 corner case 最多，泛化"三五十年可以完成"，但做成产品要打磨到极致中的极致；B 端有标准、可衡量、付费意愿明确，且酒店洗衣房就是"通往家庭的最小单元"。

百万小时与 scaling law：一次数据战略的自我推翻

访谈里认知浓度最高的一段，是 Lindon 承认自己去年在数据上做过一个后来被推翻的判断。DYNA-1 时代，大量 AB test 显示"最高质量的数据训出最好的模型"，他让团队 all in 高质量数据；转折来自做工作流时的第一性思考——他想抵达机器人基座模型的"GPT-3 时刻"，就该从最 abundant（量大价低）的数据里提取可 scale 的东西，而不是去 scale 稀缺的高质量数据。这与语言模型界的经验一致：先到 internet scale，再做 ablation 提纯才有意义；前提没达到就做质量优化，不是第一性原则。

沿着"三五年后机器人数据的终局形态是什么"的推演，答案落在 egocentric/exocentric（第一/第三人称人类视频）。他声称 Dyna 已发布行业最大的数据集（百万小时级），并在 ego-centric 数据上看到了很强的 scaling law 迹象——“这对行业是一个重要节点，因为过去一到两年大家都说数据是最大瓶颈、intelligence ceiling 很难破”。按他的叙述，机器人数据的终局形态 debate（遥操、机器手采集等）本质是拿手段当信仰：robot hands 是工程问题不是研究问题，去年行业从"遥操派"集体转向 UMI、今年开始谈 ego+仿真，说明路径一直在变，创始人要做的是在最本质的事情上下注，别拜手段。他自己最近的困扰也很直白：“怎么拿到更多数据”——并暗示下一阶段 scale 数据需要更大资金（公司累计融资 1.44 亿美元、A 轮估值超 6 亿美元，据 thebotscout/yespress；访谈中他说现有收入"挺多的，完全够模型研发"）。

对"大脑派 vs 身体派"的中美分歧，他给出一个不对称答案：美国认为大脑是唯一问题、身体会自己解决；中国认为供应链是唯一问题、大脑长期会自己解决。他两边都要（“全栈派”），但给了一个违反多数人直觉的表述：大脑是机器人的下限，本体是机器人的上限——大脑决定这件事能不能做，硬件和运控决定能做多好。十年视角他押供应链更重要，因为终局是成本和质量战。这也解释了 Dyna 在上海保持 40-50 人硬件供应链团队、整链跑通、新机器人百台级初步量产（一代故意不量产）的布局。他评同行：宇树"非常优秀"，sim-to-real gap 做得小是硬突破；智元资金充足容错率高，可以铺更广产品线。

不犯错的 CEO：包袱、转念与迷雾中的方向感

访谈最后三分之一从商业转向修心，但它是理解这家公司战略节点的钥匙。Lindon 18 岁确诊强直性脊柱炎（“周杰伦也有这个毛病”），免疫系统攻击脊椎、睡觉更痛；他没有停留在怨恨，而是把病痛当成一场为期十余年的自我实验，靠作息和饮食把毛病"调顺"——自律（五点起、六至七点运动、晚上少吃碳水）从那时成为底层习惯，理由很工程师：“CEO 最重要的决策是找方向，脑袋模糊就做不出本质高质量的决策。”

真正的难关在去年底。团队在"做落地还是做 research"上分裂，公司 identity 受冲击；他自己背着"成功过的创始人不能犯错"的包袱——“为了不犯错而做的决策，本质上就不是好的决策”，加上被市场节奏带着走（别人发什么就追什么），做了不够第一性的技术选择、浪费了团队时间。解法不是硬扛，而是放下包袱和噪音后"把战线拉长"：找到一个既要求提升智能体、又要求落地基础设施同时够得着的战略点（完整工作流），把两派凝聚到同一个目标上。度过难关后他的第一情绪是感恩——老师、团队、妻子和三个女儿、两位力挺到底的联创。他说现在读《沉思录》、王阳明、也读《人生只有一件事》（他推荐的书），发现东西方体系核心都是修行与转念：改变不了世界的时候，改变自己看世界的过滤镜。第四次创业的目标也从"证明自己不是昙花一现"变成"活成真正的自己"——机器人是世界杯，“打出纯真的自己、打得尽兴"就算赢。

对读者意味着什么

综合外部核验，有三条链条值得带走。其一，机器人商业化的度量衡正在更换：单任务成功率 99% 的 demo 时代正在过去，MTBI（平均干预间隔）、完整班次、24 小时产出对标 1 人 8 小时，才是 B 端客户真正付费的单位——Dyna 用"不量产一代产品"为这个判断付了真金白银的学费（嘉宾称洗衣工作流机器人的 24 小时产出已超过一名员工 8 小时，为公司口径）。其二，数据战略的次序比质量更关键：在 internet-scale 多样性到位之前优化数据质量，是把 LLM 时代的老教训在机器人行业重讲一遍；ego-centric 百万小时 scaling law 若如公司口径成立，数据采购与训练基础设施（Lindon 快问快答里"最重要的 bottleneck"正是 infrastructure）会成为下一阶段的军备竞赛——这是创始人说法，尚待独立验证。其三，长跑行业的创始人心理结构：在看不到终点也看不清四周的迷雾里，方向感（十年产品终局倒推研究路线）加修心（放下不犯错包袱、拒绝被市场带节奏）不是鸡汤而是治理结构——它决定了团队在战略迷失期是分裂还是收敛。

仍需保持怀疑的地方：百万小时数据集与 scaling law、24 小时产出超人、1-2 年内场景 PMF，全部是创始人单方口径；美国十万家酒店的 TAM 估计也明显高于公开统计口径（约 5.5 万家，嘉宾口径可能含广义住宿设施）。下一观察点很明确：他预告的"如何使用机器人的产品”（B 端到每个人的路径）将在明年揭开，以及下一个 release 能否兑现"不让人当机器人保姆"的承诺。