对Dyna创始人Lindon的3小时访谈：机器人世界的迷雾、分歧与抉择，修心、《沉思录》与王阳明

一台机器人在酒店洗衣房里叠餐巾，叠到第 100 张就停了。它没坏，只是餐巾用完了。店里的员工要在手机上设个闹钟，每半小时过来看一眼，给它补一摞。有时候忙忘了，机器人就在那儿空转半小时。

这是 Dyna Robotics 在 2025 年真实跑出来的场景。创始人兼 CEO Lindon Gao 把这件事叫作「机器人需要保姆」。同一时期，他带着折衣服的机器人在 CoRL 上被人围观，风头很足。真正让他决定不放大规模的，是洗衣房里那个闹钟。

Lindon 是福州人，11 岁去美国，这是他的第四次创业。上一家做无人零售的 Kaper 在 2021 年以 3.5 亿美元卖出，那年他 30 岁。之后他在 Instacart 待了三年学管理，再出来时和老搭档杨世远看了 AR、核聚变、量子计算，最后选到机器人。在硅谷，Dyna 和 Pi 那种纯大脑研究团队路线不同，Dyna 自称 product research：从一个具体工作流出发，用产品闭环倒推预训练该往哪走。张小珺和他聊了三个小时，聊到折餐巾折到第 100 张卡住的细节，聊到中国供应链，聊到去年年底那场关于「做研究还是做场景」的内部分裂，也聊到他怎么靠王阳明和《沉思录》把自己从「不能犯错的 CEO」这个包袱里捞出来。

被拒几百次之后，他管自己叫蟑螂 0:01:41

Lindon 的第一次生意在 14 岁，初中。他打游戏，发现游戏里的账户和装备能卖钱，就自己搭了个交易平台，赚了上万美金。后来生意淡了，他把网站卖掉。那之后是零零散散的各种小买卖，今天卖软件，明天卖鞋子。他长大的环境里，周围人都在做小生意，他跟着学，跟着做。

大二他做珠宝。先是在各处找到卖不掉的库存，收了在 eBay 上卖，卖得不错，慢慢变成一个生意。后来他把它从 to C 转成 to B，给美国的珠宝设计师供货，把中国的珠宝供应链和这些设计师连起来，自己抽成。这门生意他做了快十年，一周花三四个小时，一年赚十几二十万美金。他觉得性价比不错，但后来越来越不想花这个时间，就关掉了。

他的教育路径很自由。父母没怎么管他，他自己选。一开始学医，是父母的意愿，在纽约大学医学院读了两年，不想读了，转金融。转金融是因为大家都想去投行，他也想跟大家比一下。投行做了两年多，直接跳出来创业。

Kaper 做的是无人零售。2017 年 Amazon Go 出来，行业里冒出几十家公司。Lindon 拿着这套概念去见了一百五十个超市老板，问他们要不要装。没有一个人想要。他追问，免费给你呢？还是不要。理由很实在：花几十万省几个收银员，收银员还不只做收银，装修要停业，技术还要维护，ROI 算不过来。

他换了个产品形态，把传感器融合和视觉识别塞进购物车。谁推着车谁付钱，放进什么商品就识别什么商品。解决的问题一样，技术简单得多。

Kaper 第一次报 YC 就进了，导师是 Sam Altman 和 Geoff Ralston，两位后来都做过 YC 的总裁。导师天天催他 launch、launch、iterate。但从 YC 出来，他们是整个 batch 里融资倒数的那一档，总共只拿到 30 万美金。四个联合创始人住进一栋房子，加上一两个早期员工，一个月烧 7000 美金，烧了两年半，才拿到 200 万种子轮。

为了撑到那笔钱，他自己 cold email 了一千多个天使投资人，最后转化了两个。账户里只剩一两万的时候，这两个人各给了差不多 5 万。真正出去融种子轮，见了一百多家机构，全拒，只有 First Round Capital 出手。A 轮想融千万级，见了六十多个投资人，几乎全军覆没，最后是 Lux Capital 投了 1000 多万。

我们是蟑螂，你们是蟑螂，我们死不了。

这是他当时跟团队说的话。B 轮时他们手里有两个 term sheet 和一个收购 offer，对方被拒了两次，最后他们决定卖掉。3.5 亿美元，2021 年。他说那一刻的第一反应是「这件事做对了」，不是「突然有钱了」。他想去做一件更大的事。

之后他去了 Instacart，待了三年，最多时直接和间接管三百多人。他说自己去那里就是为了学管理。他以前是野路子，觉得商业本质和产品形态该是这样，就带着工程团队干。在 Instacart 他学到的是怎么向 CEO 要资源，怎么把自己做的事情 frame 清楚，怎么挖底层动机再对齐。也学到有些人改不了，除非他自己突破认知边界。

他身上有一种运动员式的自律。五点起床，六点到七点运动，晚上十一点睡，晚上少吃碳水。他提到《Atomic Habits》，说习惯一旦不占 mindshare，做起来就自然，不做反而不舒服。他把 CEO 看成脑力运动员：睡得不好、吃得不对，就没办法把事情想透，而 CEO 最重要的决策是找方向。

我的梦想是星辰大海，可是我的路径是需要脚踏实地。

团队说他「闻得到钱」。他自己解释，这是一种方向感：知道最终赚钱的形态长什么样，就知道前面该怎么铺垫。

反共识：选一个别人看不上的场景 0:40:32

Dyna 的三个核心人物，Lindon 看方向，杨世远管技术和组织，Jason 管研究。Lindon 说自己能看见一家公司从现在到十年之后的大致样子，以及战略要走哪几步、会在哪里出问题。杨世远是他的第二次搭档，两人合作十多年，他给的评价很高：共情能力强，结构性强，能把产品一路推到真实场景里，技术和管理都强，是稀有的技术天才。

找 Jason 花了不少功夫。他们在硅谷聊了二十来号人，对研究合伙人的画像很清楚：research taste 要极强。怎么看 taste？看论文。Jason 博一博二时的论文很花哨，越到后面越简单干净，核心概念越来越清晰。这种自我进化的轨迹，比任何一篇论文都有说服力。第二条是现实主义，不光有学术追求，还想把事情做到产品上。

Lindon 把 Dyna 的路线叫 product research。传统的 research lab 是发散式探索，往 AGI 走，各种可能性都试，试出苗头再收敛。product research 有 guardrail：所有研究要对长期产品有价值，研究优先级有框架，这个阶段先做这件事，下个阶段再做那件，不同时铺开。因为团队的时间和精力有限，只能在最重要的事情上下注。

外界看他，觉得他选了折叠这个场景很怪。融资时有人直接问：你为什么去做洗衣服？洗衣服行业才多大？为什么不去做工厂、做物流？

他的判断依据是模型能力。当时的基础模型很慢，做事也乱，最要命的是只能成功做一次，同样的事再做一遍就不行。他给团队定的目标是成功率达到 99%，速度做到人的 50% 到 60%，才有商业化的可能。在这个技术天花板下，场景必须满足一个条件：容错率足够高。做一杯拿铁，手一抖打翻了，就是给别人添活，还赔一杯。折衣服折坏了可以重折。

折叠还有两个好处。它是 isolated 的，一个人站在那儿一直折就行。它的痛点足够普遍，酒店、洗衣房都有专职的折叠工。而且这件事足够难，对模型的本质提升有空间。软体物件和硬体不一样，杯子只有一个状态，口朝上，其余都是倒下或翻转；折衣服每一步都依赖前一步成功，还必须在尺码、款式、面料上泛化。

他们后来发现，泛化没想象中那么贵。当时以为要在很多个环境里采集折 T 恤的数据，才能在新环境里 zero shot，实际十几个场景就够了。

九个月部署，发现机器人需要一个保姆 0:53:13

2025 年，Dyna One 在 CoRL 上展出，折餐巾能连续折 24 小时，成功率 99% 以上。团队很自豪，这是第一个可以被商业化的 demo。张小珺说，当时很多人围着那台机器人看。

然后是六到九月的现场部署。问题一个接一个冒出来。

第一，那台机器人在展会上折的餐巾并不完整。一张餐巾要折五次，它只折四次，最后一次留给服务员。因为折到最后餐巾又厚又小，要躺平，没躺平就会摊开。

第二，速度不够。客户是餐饮行业里非常大的一个客户，一天要 1300 张餐巾。Dyna One 二十四小时只能折 850 张。团队在速度上做了很多研究，最后达标。

第三，也是最要命的，机器人会一次抓两张餐巾。人手也会抓两张，人一两秒就处理了，机器人要花两分钟。正常折一张只要 20 秒。只要当天有 10% 的概率出现双抓，这一天的产出就达不到。

第四，折好的餐巾往回收箱里放，放得很乱。外人过来看一眼，觉得这根本没折好。团队要开始 condition 模型，让它按第一个位置、第二个位置、第三个位置整齐摆。

这些问题的处理方式，团队内部争论过。每次遇到 corner case，就有工程师提出来用工程手段绕过去。Lindon 坚持不用。他的理由是，要做到 scalable 的产品市场匹配，必须用模型解决。抓两张餐巾这种事，预训练解决不了，得靠强化学习让模型自己学会。

更麻烦的事在后面。餐巾每半小时到一小时折完 100 张，机器人就不动了，因为没料了。店里员工要在手机上设闹钟，过来补一摞。客户反馈说机器人没达标、太慢，团队去看数据，发现机器人有连续半小时的空窗期。问过去，才知道是没人及时上料。

机器人需要保姆这件事情是一个非常大的产品问题。

他决定不 scale。已经签了十个以上客户，他还是停了。判断依据是：这件事只解决了任务，没解决整个工作流。一个只完成任务的机器人，客户得配一个人伺候它，那这个产品在财务上就不成立。

从任务到工作流，缺的是上料和下料。餐巾快没了，机器人要知道库存放在哪，去拿，拿回来放到桌面，折完，再把折好的送到该放的架子上，换一个新桶，重新开始。这条链路里每一步都有成功率和失败率，串起来就是 99% 连乘，指数衰减。把整条链跑通，难度比单点任务高一个量级。

中间还撞上一个具体障碍：他们想用语言控制模型，把折好的餐巾放到回收箱的指定位置，发现 VLA 的语言跟随能力不够强。这个问题的根被归到了预训练。

于是有了 Dyna Two。硬件是轮式底盘加人形上身。软件分三层：system 2 是身体推理层，理解物理属性、当前状态、任务进行到哪个阶段、下一步该干什么，然后给 system 1 发语言指令；system 1 是世界动作模型，把语言翻译成动作；system 0 是运控，用强化学习把动作轨迹做得又快又稳又准。

商业化上他给团队定的指标很有意思：不比人快，比人久。美国一个工人一天干 8 小时，一个机器人干 24 小时，产出能打平，账就成立。他说现在已经超出了。

一场关于数据的赌注 1:27:29

Dyna 早期预训练和后训练的投入是一半一半，现在是预训练多得多。转折点是一个发现：模型绝大多数鲁棒性来自预训练，后训练改不了根。

他们踩过一次坑。Dyna One 那段时间，团队做大量 AB test，结论是最高质量的数据能训出最好的模型。Lindon 跟团队说，go all in on high quality data。他后来承认，那段时间他跟做语言模型、视频生成模型的人聊，是选择性听自己想听的部分。对方说做 ablation 拿掉一些数据模型反而更好，他就拿这个 observation 去支持自己的判断。

做工作流之后，他的结论变了。先要有 internet scale 的多样性，把最广的人类经验装进去，再做 ablation、再做质量优化才有意义。数据量还没到那个量级之前做太多质量优化，不符合第一性原则。

再往上想一层：三年、五年、十年之后，机器人数据的最终形态是什么？他和团队想了一圈，答案是以人体第一视角为主的数据，加上外部视角。理由很直接：如果为了采集数据去造各种奇特的机器手，那是在为一个工程问题下研究赌注。行业共识是机器手本身属于工程问题，不属于研究问题。

他们用一百万小时的人体第一视角数据做预训练，发现了很强的 scaling law，说这是行业目前最大的数据集。过去一两年整个行业卡在智能 ceiling 上，大家都说数据是瓶颈。他们想验证的是：能不能从最低质量的数据里找到可 scale 的地方，把数据量堆上去。

真机派和仿真派的论战，他觉得没必要。技术路径是手段，不该被拜。用什么数据，取决于训练目标，取决于你想训出什么样的模型。他举了语言模型的例子：OpenAI 早期 all the way 走 consumer application，模型更 friendly；Anthropic 很早就押 coding agent；Google 押多模态。每家对预训练要达成什么能力有自己的判断，没有对错。

行业风向也确实一年一变。2025 年年初大家还在争真机派和遥操派，年底认知集体转向世界模型，2026 年又开始聊第一视角和仿真。变的是路径，不变的是那个问题：什么数据形态是最终形态。创始人要在最本质的事情上下注。

Dyna 对预训练的要求有两条：减少示范次数，部署就能更快；语言跟随能力，这是把不同工作流串起来的基本链条。泛化的衡量维度也就两个，跟教人一样：示范几次能学会，用语言说一遍能不能做对。

哪些问题预训练解决不了？抓两张餐巾这种突发的物理意外。哪些能解决？折好的餐巾摆到回收箱第几个位置，这纯粹是语言可控性的问题。

大脑是下限，本体是上限 1:49:07

外界给 Dyna 贴的标签是「deployment 公司」，做场景多、做研究少。Lindon 说这是很大的误解。公司百分之八九十的 capacity 都在智能体上，从第一天就在做机器人大脑。PR 上讲场景讲得多，是因为 Dyna One 就是按商业化逻辑推出来的产品，但支撑那个突破的底层是研究。

他也不认为自己是场景派，把机器人送进真实场景所需的工程基础设施被他们做得很轻。现在任何素材源都能训一个模型，因为预训练泛化能力够强，不需要大量示范。对外发布的所有现场视频，都是素材团队拍的，研究和工程团队没参与。

人形这件事，他的判断标准是 ROI。加两条腿带来的价值，能不能远远超过这两条腿的成本。他没说一定不做，也没说一定做，看方向对不对。

家庭场景，他的态度很克制。家庭对泛化能力的要求是所有场景里最高的，但泛化只是一个维度。还有消费价值，还有做事的速度，还有顺不顺你的心，盘子喜欢这样放还是那样放，还有安全。这些维度叠起来，才决定一个产品成不成立。他说机器人泛化到每个家庭，可能三五十年能完成，但技术能完成，不等于产品有市场。

B2B 优先，他的推理很干脆。美国失业率 4.5%，business 占了 95.5% 的人口。一个家庭三个人可能只需要一台机器人，B2B 的需求量大得多。B2B 还更好标准化，不用处理情绪和审美，安全问题在某种程度上可控。「如果我连洗衣店的员工都没法做好，怎么在每个人的家里洗不同的衣服？」

酒店这门生意他算过。每家酒店的洗衣房要两到五个人，看酒店大小。洗衣如果出问题，房间就给不了客人。疫情期间招不到人，有些酒店老板自己去洗衣房干活。美国有 10 万家酒店，洗衣房的工作流大同小异。他管这叫通往 home 的最小单元。

他对场景的分类方式不太一样。不按工业、商业、家庭分，按工作流的复杂度分。点餐是短工作流，上料下料就完了，算 level one 或 two。洗衣房整条链路算 level two 到 three，一致性高，但链条长，开洗衣机门要用力，毛巾会掉地上，corner case 多。酒店房间打扫更难，可能到 level four 或 five。

这个分法和智能水平挂钩。进场景要在当前智能体能力范围之内，下一步的战略方向要在范围之外。沿途下蛋的目的不是现金流，是试探这个 level 的智能体边界在哪，哪些 corner case 会引导预训练的方向。

中国团队四五十人，专做硬件研发和供应链，整条链已经跑通，进入初步量产，百台级别。公司总共不到 200 人，美国比中国多，美国以研究为主，中国以硬件为主。

十年维度上，他觉得供应链更重要。大脑决定这个产品能不能做，身体决定能做多好。客户最终拿到的是硬件，长期会打成成本和质量战。他评价宇树在硬件研发上把 sim-to-real gap 做得很小，是很强的突破口；评价智元资金充足，容错率高，产品线可以铺得更广，这本身就是一种战略。

大脑和本体的关系，他给了一个反过来的说法：大脑驱动本体。摄像头的帧率、用 global shutter 还是 rolling shutter、视角要多广，全部由研究团队定。硬件要迭代三版才能进量产、进场景，供应链也还没收敛，晚三年做硬件，就少了三年迭代。灵巧手会换，但要等它 ready，现在的灵巧手还不足以支撑商业化。

至于智能和产品哪个更重要，他选智能。「没有智能就没有产品，智能是产品最重要的一部分。可是产品会影响智能，智能要做到多智能才可以成为一个产品。」他拿 GPT-3 到 ChatGPT 举例：模型层面有变化，但真正带来用户飞跃的是产品形态，从 API 变成浏览器里的对话框。机器人也一样，不需要智能达到通用，就可能被每个人用上，这是产品定义问题。

去年年底那场战，和「不能犯错的 CEO」 2:13:01

2025 年年底，Dyna 内部有过一次很大的分裂。表面上是路线之争，一拨人要做场景，一拨人要做研究。往深了看，是团队 identity 的冲击：我们到底是谁。

Lindon 说自己没有派系。他更偏研究那一头，理由是他要的是可规模化的产品市场匹配，一个不能 scale 的场景他不会做。偏场景的是团队里一些工程师。争到最后，他们把战线拉长，找到一个更远的目标：一个员工。要让机器人真正替代一个员工一天的产出，就得把上料、下料、任务、整条工作流全部做掉。这个目标同时要求智能体变强、基础设施变好、后训练技术变快，两拨人都能在这个点上打。

他把这段时间的教训说得很直白。战略下一步没想好，就去看别人在做什么，觉得要赶上，缺乏自己对市场的判断和第一性原则思考。团队被市场带着飘，今天这个出了要去看，明天那个出了又要去看，非常难受。等到找到自洽的方向，团队才收敛，momentum 才起来。

更深的包袱是他自己背的。他成功过一次，团队是冲着他的经验来的，他给自己的要求是「不能犯错的 CEO」。他非常怕犯错。

为了不犯错而做决策，其实本质上就不是一个好的决策。

这个包袱污染了他的判断。他后来意识到，恰恰是这种恐惧，让他做了很多错误的决策。他还提到自己以前有一个自我证明式的念头：要证明自己不是昙花一现。那是外界评价体系里的东西。

2025 年年底到 2026 年年初，他度过了这个状态。度过的第一情绪是感恩，感恩老师，感恩团队，感恩妻子和孩子。两个联合创始人从头到尾力挺他。他说，我作为一个 CEO，本来是为了不犯错做了很多错误决策，你们还愿意包容我、扶持我把事情做完。

放下包袱之后，思考才变清澈。他说解决一个问题不靠工作时长，他在投行时一周干一百到一百二十个小时是常态，可是有些东西靠堆时间是堆不出来的，得换一个思维模式。

强直性脊椎炎、王阳明和《人生只有一件事》 2:25:25

Lindon 十八九岁确诊强直性脊椎炎，免疫系统攻击自己的脊椎，周杰伦也有这个病。疼，睡觉时更疼，打喷嚏也疼。他当时怨恨世界，觉得自己怎么这么不幸运，每天活在痛苦里。

真正的转折不是病好了，是他转念了。他把这个病当成一个实验：改变作息会怎样，改变饮食会怎样，改变自己会怎样。他花了十多年在自己身上做这个实验，摸出规律，把毛病调顺了。他的自律也是从那时候开始的。

同一套方法被他用到了创业上。以前跟投资人聊，觉得对方完全不懂自己在说什么，觉得对方很傻，然后继续说自己的。现在他会想，投资人的思考维度跟他不一样，对方看到的世界可以拿来参考。他最近聊的一些投资人，给了他很多以前无法接受的启发。

他读过《沉思录》，也读王阳明，读佛教和基督教的东西。他说这些体系的核心概念非常接近，都是修行，都是你怎么和这个世界相处，怎么转念，怎么让自己活得更好。他承认自己是讨好型人格，会在乎别人怎么看他，演讲视频回看会纠结自己哪里停顿了。后来他想通一件事：这个世界上最在乎你长什么样的人，就是你自己。别人看完两分钟视频，就去看下一个了。

张小珺问他，现在创业的驱动力是什么。他说是更好地活成真正的自己。人刚出生时看山是山，长大之后知道世俗有规矩，做了会被笑，就变成看山不是山。他想活回随心所欲的样子，那才是自由。

他把这次创业叫世界杯。所有行业里非常强的人都在这个赛道，每个人有自己的战略和打法，他带着敬畏心来。成功很难定义，如果能让每个人都有机会用上他们的机器人，算一个。失败的定义他给得很个人：如果他真的认为这件事失败了，那就是修心的失败，是一个心理状态。

快问快答里，全球最喜欢的食物是福州的拌面扁肉，最喜欢的地点是老婆和孩子在的地方。他有三个女儿，一岁、两岁、三岁。推荐的书是《人生只有一件事》。

三个小时聊下来，有几件事对读者是有用的。

判断一个机器人产品成不成立，先看工作流的最后一公里。上料、下料、异常恢复、摆位，这些不构成技术叙事的部分，决定客户会不会在三个月后把机器关掉。Dyna 在折餐巾上做到 99% 成功率，仍然因为一个闹钟停下来，这个细节比任何 demo 视频都有信息量。

商业闭环的价值在反馈，不在收入。他把闭环当成摸石头过河时手里那根棍子，有反馈才知道下一步研究往哪走。对做硬件的团队，部署飞轮本身要两三年，等智能体做完再去跑部署，等于落后两三年。

数据策略上，先 scale 多样性，再谈质量优化。这是他从 all in 高质量数据里退回来的一步，也是他承认自己「选择性听取证据」的地方。创业者对自己的判断保持这种诚实的复盘，比判断本身更稀缺。

最后一条是关于人的。一个背着「不能犯错」包袱的 CEO，会为了不犯错而做错决定。这个包袱不会写在 OKR 里，也不会出现在董事会上，它藏在每一次「我们要不要也跟进一下」的犹豫里。Lindon 说他放下包袱之后，第一感受是感恩。这可能是这期节目里最不像机器人行业的一句话，也是最难做到的一句。