无聊是最高赞美：Dyna被部署教训了300天，在一百万小时人类视频里找到机器人Scaling Law

先说结论：这期硅谷101视频播客（约121分钟，主持人带一位行业联袂主持——Blue River Technology 机器人工程师张军武，对谈 Dyna Robotics 联合创始人兼首席科学家 Jason Ma）两条主线互相咬合。一条是部署交的学费：Dyna One 十个月真实部署被 Jason 称作"bitter sweet lesson"——实验室 99.4% 的成功率，到了客户（鼎泰丰，转写注见文末）那里只有约 75% 能过验收标准，单任务成功不等于商业闭环，真正的度量衡是"整条工作流无人干预地跑完"。另一条是学费换来的回报：预训练数据全部换成第一人称人类视频后，节目所称的"一百万小时"里，从一百小时、一千小时、一万小时到十万小时每一档十倍扩容，模型不仅更会预测人的动作，对预训练里从未见过的机器人动作的预测也同步变好——Jason 将其称为跨本体迁移 scaling law（公司口径）。更冷的判断在他对行业的读法上：机器人大概率没有 GPT 时刻（正如无人车从来没有），模型层切换成本极低、物理世界切换成本极高，所以护城河不是模型而是部署网络与硬件平台。以下均为嘉宾观点与节目转述，未经独立核实。

99.4%为什么不够：部署是唯一的评估

《纽约邮报》最近给 Dyna 的标题是"全世界最无聊的机器人"，创始人团队却当它是最高赞美——主持人开篇点题：机器人真的开始工作，本来就应该是无聊的。Jason 在这个框架下反复回到同一个判断：真实部署是衡量机器人的唯一评估，“不能落地的话，不是因为你没有腿或者没有手，是因为整个系统不足够好”。

这背后是一串用真金白银换来的数字。Dyna One 时期在鼎泰丰叠餐巾（节目称比叠毛巾难得多：餐巾折缝讲究到几毫米，内部评分 1–5 级，客户只接受 grade 4 和 5），实验室成功率做到了 99.4%，但按客户标准算 pass rate 只有约 75%——因为"折好了"和"达到能上架的整齐度"是两回事，第三张叠歪了，后面全部跟着歪，误差是复利式的。产能同理：Dyna One 每小时叠约 35 条、一天约 480 条，客户的要求是 18 小时班次 1500 条；Dyna Two 把数字推到每小时 95 条、每天 1590 条才算达标。Jason 特别强调最后一段的难：从一天 1400 条到 1500 条已经没有 low-hanging fruit，“越接近目标，难度越高”。

最难的部分不是折叠本身，而是叠错了怎么掰回来（intentional failure recovery）。问他怎么解决，他说"这个就不能透露了，RL 是一种，但我们有多种秘密的 recipe"。

联袂主持张军武补了一个行业墓碑注脚：他老东家 Vicarious 也做到过 90%+ 的成功率，还是没能活下来（后被收购）。99% 意味着一千次里有十次失败，在流水线上就足以把整线弄混。Jason 由此解释 Dyna 为什么一开始就拒绝从传送带类任务切入：成功率不到 100%，机器人做完下游还得有人或机器做 QA，等于机器人给 人加活而不是替代人力；反过来，如果一个机器人能把整条工作流全包、不需要任何 QA 和干预，哪怕慢一点，也有商业价值。

最能说明问题的是一个略带荒诞的悖论：固定工位的叠毛巾机器人，模型越好，人的干预率越高——叠得越快，桌面堆满得越快，人就得越勤快地把毛巾搬走；模型不好，则根本没人买。两头都不成立，逼着 Dyna 把产品定义从"任务"升级成 physical agent：像如今把整个任务一口气做完的 coding agent 之于当年的 auto-complete 一样，洗衣房里的洗、烘、叠、上架全部端到端包掉。

部署规模本身还是一种发现机制。“在一个 deployment 上发现的问题，跟同时部署十台、一百台、一千台发现的问题完全不一样，每次 scale 都会 flush out 新问题。“Jason 说有些团队没有这种必须把部署做下去的 DNA，长期看会是劣势。

一百万小时第一人称视频：跨本体迁移的Scaling Law

这期技术含量最高的部分，是 Jason 复盘 scaling law 实验怎么做出来的。他们把预训练数据换成第一人称（egocentric）人类视频，从一百小时、一千小时、一万小时到十万小时逐档扩容，每一档"数据 ten x，预测就变好”。不 surprising 的一半是：数据多了，模型更会预测人的动作——毕竟预训练只有人的数据。真正 surprising 的一半是：模型对机器人动作的预测也同步变好，而它在预训练里根本没见过这些机器人。这就是节目所称的 cross embodiment transfer scaling law。

为什么这件事重：遥操数据永远到不了一百万小时的量级，而越可规模化的数据源，离机器人本体形态就越远——这是一个 trade off。如果能在离机器人"最远"的数据上拿到对机器人有效的 scaling，具身模型的智力提升就不再被机器人数据这个瓶颈卡死。成本结构也顺带被改写：人类第一视角数据"有些贵”，但远低于遥操——不需要机器人、不需要教人操机，发一台相机让人录下每天的工作就能用。这一百万小时（节目称公开信息里机器人预训练的最大规模）大部分来自合作伙伴，一部分来自内部异构设备，视角五花八门（头戴相机等），这种多样性反而喂出了泛化。

两张暗处的账也值得记。其一，从十万到一百万小时这段曲线的斜率变低了，Jason 的解释不是规律失效，而是行业根本不存在一百万小时带标注的高质量视频——前几档全是精标数据，到百万小时级很多视频没有标注。他说如果有真正的一百万小时高质量数据，“我们非常 confident 不会被 slow down”。其二，他们发现纯视频预测的训练效果好于"视频+动作"联合训练，原因朴素：给人类视频标注手部关节的动作轨迹太费人力，去掉动作标注才能解锁更多数据。

Jason 同时坦白了这条路线的本质缺陷：视频学不到门是轻是重、透明杯子里有没有水——视觉是高度冗余的模态，触觉、声音的信息密度高得多，也许根本不需要一百万小时的触觉数据。触觉要不要加，行业争议很大，Dyna 的态度是"从实践里发现什么 work"。下一步计划：把 scaling law 往几百万、一千万小时验证；他还留了一个行业观察——目前所有机器人 scaling 结果几乎都只在单个轴上扩（数据或模型或算力），“三个轴同时做好，一定能发现不错的 scaling law，只是工程量大”。

从VLA到世界动作模型：越简单越能Scale

Dyna One 是 VLA（视觉-语言-动作模型）。Jason 的复盘直白：在 VLA 上可以打很多补丁，但"在一个不是特别 solid 的 foundation 上很难把东西做大"，于是他们一边部署 VLA，一边做更可 scale 的架构研究，结果就是 Dyna Two 的世界动作模型（WAM）：不只预测机器人的动作轨迹，把整个世界接下来会怎么演进也一起拿来训练，让模型学到更本质的特征去支持推理（泛化、语言跟随等，公司口径的"质的提升"）。出发点很务实：预训练视频模型天然就会预测视频，而当时根本没有 JEPA 类的预训练 checkpoint 可用。

两个"克制"尤其能看出他的技术品味。第一，虽然模型已具备 110 毫秒生成未来 3 秒视频的能力，但 inference-time 视频生成很贵，“很多问题可以用更简单的方法解决，就用更简单的方法”——他反复讲 ML 的 big idea 都不复杂，简单、优雅的东西才能 scale，太复杂的多步管线一步出错就全盘皆输。第二，对 RL 的态度：RL 成立的前提是好模拟器加明确的奖励函数，机器人两条都不满足，“问题都没看清楚，就直接用一个 solution"是他反对的姿势——正确顺序是先把 world model 基座做好，再考虑 RL。节目里有个首尾呼应的彩蛋：Dyna 这个名字来自 Richard Sutton 的 Dyna 论文（用 world model 做 RL 的框架），绕了一圈，公司路线又回到了名字的出处。

Jason 的个人史是这些判断的注脚：在 Meta FAIR 做 VIP（2022，从人类视频的时间顺序里学奖励函数），在 NVIDIA 做 Eureka（2023，让 GPT-4 自动写 reward code、在仿真里跑 RL 再反馈给 GPT-4 迭代——他自己说这就是现在大家叫的 RSI，递归自我改进；转笔 demo 用的 Shadow Hand 要几万美金所以只做了仿真；Jim Fan 是 last author），在 Google 用 VLM 直接 in-context 写奖励函数。他自评其中一些工作"too early for its time”，所以创立 Dyna 时反而很少用自己的老方法，“把肯定能 work 的方法先 scale up”。预训练与后训练的分工也由此清晰：预训练要最大的 coverage（人类视频），后训练要极致的稳定与质量——而遥操是采集最高质量数据的唯一方法，只是用量大减：现在几十分钟数据就能学一个新任务，换一台洗衣机也只要十几到几十分钟的数据。

Jason 还特意把 infra 从幕后拉出来：百万小时级别的训练首先是 infrastructure 问题，“没有好的 infra，job 跑几次就挂”，Dyna 专门写了 infra 博客——在他看来这些不被看见的团队配得上被知道。

六根支柱一起Scale：护城河是分发，不是模型

节目给出了 Dyna 对"什么才是真正的 scaling"的公式化回答：model + hardware + deployment + data infra + teachability + physical agent，六根支柱一起 scale——机器人 stack 太长，木桶原理，缺一块就做不好。最新落点是 Dyna 2.1 和自研本体 Taku（取日文 Takumi，匠心）：之所以要做自己的机器人，是因为部署多次之后发现商家要的不是一个会某个任务的机器人，而是把整个工作流全包的机器人。演示里的细节值得留意：毛巾掉了会捡起来、判断已脏、丢进脏衣筐；往洗衣机里探身不会撞头（全身运控）；拧转盘会试好几次直到拧对模式。这些全部出自同一个 Dyna Two base model 加 post-training。

商业逻辑的核心词是 distribution。Jason 的类比：ChatGPT 再聪明，没有手机和电脑也没人用得上。如果手上有成千上万台在跑的机器人，别家做出更好、更便宜甚至开源的模型，对 Dyna 都是利好——直接换入就行；只做模型的公司则永远被动，要依赖 integrator 帮你分发，“如果你的 intelligence 不是最好的，人家为什么 distribute 你的而不是别人的？“这直接引出他对 Physical Intelligence（专注大脑层的代表公司）的评价：research 很强，但 physical intelligence layer 这个东西还没有被证明，没有真正落地的成功先例；预训练和后训练不在一起做，很难达到商业价值，下游客户拿不到 ROI，你也拿不到——两头受压，他用无人车类比：Waymo 可能跑不过特斯拉，因为没自己的车，成本下不来。他也公允地补了一句：PI 开源的数据和模型对行业贡献很大，只是"从开源模型到商业部署的 gap 很大”。

终局判断因此是结构性的：物理世界换一套系统的 switching cost 极高（客户用顺了很难换），模型层的 switching cost 极低（谁好用用谁），所以会有很多个 winner，越早分发越能复利，最终价值沉淀在 service。他顺带点评：大厂做机器人有天然缺陷——team 边界让沟通损耗大，硬件决策难回滚（这一代几百台先生产出来才能做下一代），迭代慢；OpenAI 正快速组建机器人团队，他说不担心，因为 Dyna 的飞轮在部署数据和质量洞察上。落地路线上他旗帜鲜明先 B 后 C：进工厂比进家容易得多（不用做完整消费产品、没有隐私和儿童问题），而家庭机器人"永远看不到 test set”——你租几间 Airbnb，跟美国家庭去 Best Buy 买回家用的场景完全是两回事；B2B 看得到 test set，先把 to B 做好，to C 反而可能更快。Dyna 目前没有做家庭机器人的打算，“to B 的机会 still too big”。

行业切片：World Labs卖给AMD、Figure的demo伦理与泡沫公式

节目后半段的行业快照信息密度不低。录制当天下午刚出的新闻：李飞飞的 World Labs 被 AMD 收购（节目口径，未核实）。Jason 的解读是世界模型找 use case 本身就难——video generation 已经很卷，world model 更 unproven，太烧算力、infra 要求高，“接下来会有很多公司陆续被收购”。对 Scale AI 的 S1（“any task any robot, one brain"的全本体泛用大脑），他敬而远之：最有价值的大脑是人的大脑，只控制自己的身体就已经足够好——做成那样某种程度上就是 feasible AGI；他更关心一个身体上一个大脑做任何任务。对 Figure，他先给尊重（硬件精致、运控丝滑，“这些是我们公司也在学习的点”），再接住行业的批评：demo 剪辑（十次里成功两三次拼在一起）会制造错位预期，“大家觉得通用机器人应该到了，但说实话现在还没有到”。

联创 York 的泡沫公式被主持人翻出来：bubble =（当前能力与公众预期的 gap）×（补上这个 gap 所需的时间）。Jason 认同，并给出现在泡沫"还好"的判断——hype 之下有真实 progress，已经能在某些场景落地。若一定要他排"离预期差距最大的前三原因”，答案是数据和硬件：“这两者永远都是瓶颈”，而模型架构几个月换一次热点，不是最本质的东西。

结尾的办公室巡礼把前面的论点全部落到实物上：传送分拣、餐厅装填、汽车工厂精密组装（他称之为当前最难任务之一）、冰箱冷媒管插接（会重试到成功）、切菜、药品分拣（药片滑、力度敏感）、开冰箱取饮料（视觉+语言+全身协调）——全部 demos 出自同一个 Dyna Two base model 加各自的 post-training。美国团队 70–80 人，3D 打印自己的夹爪。他的收尾一句是：just keep building。

对读者意味着什么

链条一：数据可得性决定架构，架构决定成本结构。 机制：遥操无法到百万小时 → 预训练转向最可规模化、但离机器人最远的人类第一视角视频 → 跨本体迁移 scaling law 若如公司口径成立，机器人智能的边际成本从"设备+操机员工时"降为"相机+合作分成" → 二阶影响是数据采购与标注（尤其动作标注的取舍）、训练 infra 成为新的军备竞赛 → 观察指标：几百万到一千万小时能否维持斜率、无标注视频在预训练中的占比。启发：判断任何具身智能团队，先问它的数据战略里"哪个数据源能指数增长"，而不是 demo 里叠得多整齐。

链条二：度量衡决定产品形态。 机制：99.4% 单任务成功率在客户那里只值 75% 的验收率 → 度量单位从"任务成功率"换成"整条工作流无干预跑完" → 固定工位悖论（模型越好人工干预越多）逼出 physical agent 与自研本体 Taku → 二阶影响是客户从"试点"走向"主动要更多台"（节目称鼎泰丰与洗衣房客户都提出加机器）→ 观察指标：续约率、单客户部署台数、MTBI 类指标。启发：机器人公司的验证信号不是发布会，而是第二个、第十个场地是谁付的钱——这与 Dyna 上期访谈的结论完全一致，且这次有了产能数字背书。

链条三：切换成本的不对称决定谁拿走利润。 机制：物理世界 switching cost 高、模型层 switching cost 低 → 部署网络+硬件平台成为复利资产，别人更好的模型反而是利好 → 纯 intelligence layer 公司两头受压（下游无 ROI 则自己无 ROI，Waymo/特斯拉类比）→ 二阶影响：开源模型繁荣会先喂饱有分发的一方 → 观察指标：各家实际在跑的台数、大厂机器人团队的迭代速度。启发：在"模型终将商品化"的假设下，把注押在离客户最近、切换成本最高的那一层——这条原则对任何 AI 应用创业同样成立。

链条四（个人可迁移）：先有问题，再选工具。 Jason 对 RL 的克制（没有模拟器和奖励函数就不硬上）、对 inference-time 视频生成的克制（贵的能力只在真需要的场景用）、对自己旧论文的克制（too early 的方法不因私心进产品线），是同一套决策纪律的三次投影。对研究者与工程师的可迁移版本：新问题（没有 baseline 的问题）比刷分更有价值；对创业者的版本：别被别人的 demo 带节奏，mission 之外都是 noise。

仍需保持怀疑的地方：百万小时规模、跨本体迁移 scaling law、75% pass rate 与产能数字，全部是公司/节目单方口径，博客与播客均非可独立复现的评测；“行业没有一个 intelligence layer 成功先例"是嘉宾立场，Physical Intelligence 支持者显然另有论证；World Labs 被 AMD 收购为节目中提及的当天新闻，本文未做独立核实；主持人名字及个别公司名转写存疑（见下注）。

转写注：本文依据本地 ASR 转写整理，专名按上下文校正，存疑处保留原样并标注：鼎泰丰（转写多处作"锦泰丰/顶泰丰/顶台风/云台风”，据上期节目与公开报道校正）；Physical Intelligence（转写作"派"，一次作"Facebook Intelligence Pie"，疑为口误加转写误差）；Intrinsic（转写作"Intrinsik"）；UMI（转写作"Woomi"）；Ego4D（转写作"Eagle4D"）；JEPA（转写作"JPAD"）；宇树（转写作"语数"）；Yuke Zhu（转写作"岳可"）；“bitter sweet lesson”（结尾转写作"Better Speed Lesson"）；主持人自称"陈倩"、联袂主持"张军武/Blue River Technology"均按转写保留。上一期硅谷101采访的受访者为联合创始人 York Yang，本期为 Jason Ma；张小珺商业访谈录第154期（见本博客前文）与 Latent Space 探访（亦见前文）分别覆盖了 CEO Lindon Gao 与同一位 Jason Ma 的另一侧面，可互为参照。