🎙️ 访谈链接 ：对 Dyna 创始人 Lindon Gao 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
📝 笔记说明：这是一期近 3 小时的播客。本文为个人学习笔记，主要依据节目官方简介、公开报道与论文资料整理，部分技术概念做了延伸补充；涉及对谈原意的部分，建议以原声为准。
💡 一句话总结：在具身智能最喧闹的时刻，Lindon Gao 给出的答案并不性感------不谈通用智能的宏大叙事，只谈工作流、ROI，以及机器人能不能 24 小时稳定干活；而在商业之外，他用《沉思录》和王阳明处理创业者的恐惧与执念。
📌 节目名片
| 项目 | 信息 |
|---|---|
| 🎙️ 节目 | 张小珺Jùn｜商业访谈录（第 154 期） |
| 🎤 嘉宾 | Lindon Gao（Dyna Robotics 创始人兼 CEO） |
| ⏱️ 时长 | 约 2 小时 51 分（10,279 秒） |
| 📅 发布 | 2026 年 10 月 15 日 |
🧭 本文结构
-
🧑💼 人物与公司：第四次创业
-
🧭 路线选择：Product-research，而不是"纯大脑"
-
⚖️ 五条反直觉的商业判断
-
🧘 修心：从"不能犯错的 CEO"到放下包袱
-
🛠️ 工程与方法论：机器人公司的日常
-
🌟 我的四点感悟
-
🎧 原声回听清单
-
📚 附录：术语速查
🧑💼 一、人物与公司：第四次创业，押注"能干活"的机器人
Lindon Gao 是一位美国连续创业者，Dyna Robotics 是他的第四次创业。此前最知名的经历是创办智能购物车公司 Caper AI 。2021 年 10 月，Instacart 以 3.5 亿美元（现金加股票）收购 Caper AI，这是 Instacart 当时历史上最大的一笔收购。收购后，他在 Instacart 任职约三年，之后出来创办了 Dyna。
Dyna Robotics 于 2024 年 成立，总部位于美国加州 Redwood City，并在上海设有硬件研发中心。公司联合创始人包括前 Google DeepMind 研究科学家 Jason Ma 、Caper 联合创始人 York Yang。
| 项目 | 信息 |
|---|---|
| 🏢 公司 | Dyna Robotics（2024 年成立，总部位于美国加州 Redwood City，上海设有硬件研发中心） |
| 👤 创始人兼 CEO | Lindon Gao |
| 🤝 联合创始人 | Jason Ma（前 Google DeepMind 研究科学家，曾在 NVIDIA AI、Meta AI 工作，宾大 GRASP Lab 博士，Eureka 论文第一作者）；York Yang（Caper 联合创始人，毕业于浙江大学与 UCLA） |
| 💰 融资 | 2025 年 3 月完成 2350 万美元种子轮；2025 年 9 月完成 1.2 亿美元 A 轮 |
| 🏦 投资方 | A 轮由 RoboStrategy、CRV、First Round Capital 共同领投；Salesforce Ventures、NVentures（NVIDIA 旗下）、Amazon Industrial Innovation Fund、Samsung Next、LG Technology Ventures 等参投 |
| 🌍 团队分布 | 访谈中提及：中国硬件与供应链团队约 40--50 人；美国研究团队约 200 人 |
Caper AI 于 2016 年成立于纽约，创始团队包括 Lindon Gao、York Yang、Yilin Huang 和 Ahmed Beshry，主打 AI 智能购物车与自动结账设备。
值得注意的不是履历本身，而是它如何塑造了他的判断：Caper 让他看到零售技术如何真正落地，也让他对"真实商业 ROI"有了体感。这或许解释了他后来为什么对"通用智能"的叙事保持距离。
🏢 背景补充：Instacart 是什么？ Instacart 是北美领先的生鲜杂货科技与配送平台，常被类比为"美国版美团"或"美国版饿了么"。用户通过 App 下单后，平台匹配附近的"购物者"去合作超市采购，并在一小时内送达。它自己并不拥有商品库存，而是帮实体零售商把生意做到线上。2021 年收购 Caper AI，正是为了用智能购物车和结账技术强化线下零售布局。
🧭 二、路线选择：Product-research，而不是"纯大脑"
这是理解 Dyna 的起点。
在硅谷，Physical Intelligence（Pi）走的是"纯大脑"路线：从通用智能出发，探索机器人大脑。Dyna 的选择截然相反：以具体工作流为最小单元，从真实任务出发，反过来驱动模型的预训练。
关键判断是："做通一个场景就等于做通了所有场景。"
Lindon 的逻辑不是"一个任务一个模型"，而是赌一套可复用的生产能力系统------做 1 个工作流和做 100 个工作流，相差的主要是 100 个工作流的数据，而不是 100 套研究方法。
一个佐证是：Dyna 的数采员已经可以训练模型，示范与部署视频也由数采团队完成。这意味着部分研究经验正在被固化为可重复执行的流程。
折叠、餐巾、洗衣房是 Dyna 验证技术的三个实操案例；公开报道中提到的落地场景还包括切菜、装盘、清洁等。在折叠泛化的研究中，团队看到了当时预训练水平下后训练的天花板，从而反向加强了预训练投入。
🧠 概念补充：大脑派与身体派 行业里常把具身智能公司分为两派：
大脑派赌"智能决定上限"，优先研发通用机器人大模型，追求跨本体泛化，代表如 Physical Intelligence（Pi）、自变量机器人、千寻智能等。
**身体派（本体派）**赌"硬件决定下限"，专注机器人硬件、关节电机、运动控制，代表如宇树科技、众擎、Agility Robotics 等。
Dyna 的 Product-research 更像第三条路：不纠结派系标签，而是盯着商业闭环。它既不是纯大脑幻想，也不是纯硬件竞赛，而是用真实工作流把模型、数据与硬件串成一个可交付的系统。
⚖️ 三、五条反直觉的商业判断
| # | 判断 | 一句话概括 |
|---|---|---|
| 1 | 不比人快，要比人久 | 24 小时工作的机器人，匹配 8 小时工作的人类 |
| 2 | 智能提升 ≠ 商业闭环 | 客户不问成功率，只问 ROI |
| 3 | 本体形态是 ROI 问题 | 两条腿的价值，要能覆盖两条腿的成本 |
| 4 | B2B 需求将超过 B2C | 人的欲望无限，家庭数量有限 |
| 5 | 规模化不完整的产品是负债 | 宁可不量产上一代 |
⚡ 1. 机器人不需要比人快，只需要比人跑得久
Lindon 重新定义了价值指标："最重要的价值指标不是比人做得快，而是比人做得久。"
团队的目标是用 24 小时工作的机器人匹配 8 小时工作的人类。他称 Dyna 已经超过了这个目标。据公司公开信息，DYNA-1 在 24 小时不间断运行中任务成功率超过 99%，机器人已在酒店、餐厅、洗衣房和健身房等场景每天部署约 16 小时。
🧠 2. 智能提升 ≠ 商业闭环
即使模型能在任意新环境中 zero-shot 完成任意任务，"确实是智能的提升，但我认为这不是商业闭环。"
客户不问成功率，只问 ROI。Dyna-1 已经达到人类吞吐量的 60%，同时保持严格的质量标准。
📊 概念补充：ROI ROI 是 Return on Investment（投资回报率），公式为：ROI =（收益 − 成本）÷ 成本 × 100%。
在访谈语境里，ROI 不是财务报表上的精确计算，而是一种商业决策的底层逻辑：企业客户不关心模型多聪明、泛化能力多强，只关心"买这台机器人，省下的人力成本能不能覆盖它的价格和维护费用"。
🦿 3. 本体形态是 ROI 问题，不是信仰问题
对于人形机器人，Lindon 的提问方式很务实："这两条腿带来的价值，是否远远超过了这两条腿的成本？"
Dyna 的机器人采用半人形上半身（双臂，各 7 自由度）+ 四轮底盘 + 可折叠下半身的设计，刻意不走双足路线。
🏭 4. B2B 通用机器人需求将超过 B2C
与"家庭人形机器人是皇冠明珠"的叙事相反，Lindon 认为 B2B 需求更大。
理由是人的欲望是无限的：如果劳动力成本趋近于零，消费品变便宜，人们会买更多；而家庭机器人的天花板受限于家庭数量。
📦 5. 规模化不完整的产品是一种负债
他选择不量产上一代机器人，因为"我认为它从根本上不会成功"。
这与典型的"先拿收入、后迭代"本能相悖。
🧘 四、修心：从"不能犯错的 CEO"到放下包袱
这是访谈标题中"修心"的落点。节目官方简介里最核心的一段是：
💬 过去，他曾要求自己做一个"不能犯错的 CEO"。但后来他意识到，恰恰是这种对犯错的恐惧，让自己"为了不能犯错而做了很多错误的决策"。直到去年年底，他才刚刚渡过了这段艰难。
节目摘要中有一句信号式的话："低谷越深，越需要修心。"
📜 4.1 《沉思录》：把注意力放回可控之事
《沉思录》是古罗马皇帝马可·奥勒留（Marcus Aurelius）写的一部个人哲学札记，也是斯多葛派哲学的里程碑式作品。
马可·奥勒留是古罗马"五贤帝"之一，被称为"帝王哲学家"。这本书大部分是他在戎马倥偬间写给自己的对话录，并非为了出版，而是用于自我反省和修炼。全书共十二卷，由一段段长短不一的箴言和反思组成。
它的核心主张包括：区分可控与不可控之事、克制欲望、专注于履行社会责任、坦然面对死亡，并强调不仅要思考善，更要付诸行动。
对创业者而言，外部的不确定性------融资周期、技术路线被证伪、客户流失------大多不可控；真正可控的，是自己的判断、动作和心性。这与 Lindon 反思"不能犯错的 CEO"心态可以互相印证：对犯错的恐惧本身，反而制造了更多错误。
🧠 4.2 王阳明：事上磨练，致良知
王阳明的心学与斯多葛哲学形成了有趣的呼应。他讲"知行合一"，讲"事上磨练"，讲"致良知"------修心不是躲进山里，而是在具体的事上练。
这恰好对应了 Dyna 的方法论：不是先在实验室里想清楚一切再下场，而是在折叠衣服、整理餐巾、运营洗衣房这些具体工作流里，一边做一边修正判断。
🌿 4.3 《人生只有一件事》：东方实践版
《人生只有一件事》是台湾《商业周刊》创始人金惟纯写的一本人生哲学书。它的核心观点很直接：人生只有一件事，就是"活好"。其他所有问题（家庭、事业、人际），根源都在于自己还没"活好"。
金惟纯的经历比较特别。他曾被李敖称为"台湾新闻界大才子"，28 岁成为《中国时报》主笔，30 岁赴美研读企业管理，35 岁回台创办《商业周刊》。在连续多年亏损后，他带领公司扭亏为盈，并把它做成台湾最具影响力的财经杂志之一。2009 年 6 月，他在事业高峰时卸任执行长，转而投身生命教育。这本书就是他"学怎么活"十多年的笔记。
书里不讲大道理，而是把"活好"拆解成日常小事上的修炼：
-
从"我"开始：认为人生问题的本质在于自己的"起心动念"。比如要学"听话"、学"说话"、学"赞美"、学"做小事"，甚至学"认错"和"感恩"。
-
具体修炼：提出很多反直觉的观点，比如"接受自己""放下评判心""管好念头"。它强调通过修正自己对待他人的方式，来化解关系中的难题。
-
职场与家庭：在职场中"甘愿受，欢喜做"，在家庭中"事事关心而不担心"。
这本书可以看作王阳明"事上磨练"的现代生活版：不是去改变外部世界，而是先在具体的小事上修正自己的心念。
🔁 4.4 《Atomic Habits》：忘记目标，专注系统
《Atomic Habits》（中文译名《掌控习惯》）的作者是詹姆斯·克利尔（James Clear），核心观点是：微小的习惯，通过时间的复利，能带来巨大的改变。
书中强调"忘记目标，专注于系统"。这与 Lindon 选择 Product-research 路线、从具体工作流出发沉淀可复用生产系统的思路，在底层逻辑上是相通的：不要盯着一个宏大的终点，而要把能持续产生结果的系统搭起来。
🛠️ 五、工程与方法论：机器人公司的日常
这一部分把访谈里零散出现的技术概念串起来。它们共同回答一个问题：为什么"做通一个场景"这么难，又为什么值得做。
📹 5.1 Demonstration：数据是瓶颈
训练机器人干活，最传统的方法是人类示范（Human Demonstration）。比如，人类戴上 VR 设备或使用遥操作（Teleoperation）设备，手把手地控制机械臂去折叠一件衣服、抓取一个杯子。这个过程中录下来的轨迹数据，就是 demonstration。
虽然人类示范的数据质量很高，但成本极其昂贵：
-
极其耗时：采集 1 小时的高质量机器人操作数据，可能需要人类操作员花 5--10 个小时。
-
难以规模化：人不可能 24 小时不间断地做示范，数据量很难像互联网文本那样爆发式增长。
因此，"decrease demonstration"（减少示范）成了衡量机器人模型聪明程度的重要指标：
-
过去/初级模型：教机器人叠一种新衣服，可能需要人类示范 1000 次。
-
现在的目标 ：通过引入海量互联网视频预训练，或利用强化学习（RL），目标是哪怕人类只示范 10 次，甚至零示范（zero-shot），机器人也能学会。
这直接呼应了 Dyna 的 Product-research 路线。如果每换一个工作流都需要人类重新大量示范，这种模式就无法规模化，ROI 极低。只有做到"减少人类示范"，让机器人具备强泛化能力，才能真正实现商业闭环。
🧩 5.2 Corner cases：Demo 看常见情况，商业化拼长尾
Corner cases（边角案例/极端情况） 指的是那些发生概率极低、但在特定条件下必然出现、且容易导致系统崩溃或表现极差的情况。
在机器人领域，corner cases 通常包括：
-
光照与遮挡：仓库灯光突然反光、物体被挡住一半、阴影正好落在关键位置。
-
物体形变与材质：塑料袋塌陷、衣服皱成一团、透明玻璃杯反光导致视觉识别失效。
-
动态干扰：人类突然从机器人面前走过、其他机器人挡住路径、传送带上的物体突然滑落。
-
长尾物理交互：机械臂抓取时打滑、物体重量分布不均导致翻倒、边缘卡住等。
-
指令歧义：人类发出模糊或矛盾的指令，例如"把那个东西拿过来"，但场景中有多个相似物体。
为什么它至关重要？因为"客户不问成功率，只问 ROI"和"机器人要比人跑得久"这两句话，背后都和 corner cases 密切相关：
-
纯"大脑派"在仿真环境或标准数据集上能做到很高的成功率，但一旦进入真实工作流，corner cases 就会暴露出来，导致机器人频繁卡死、停机。
-
Dyna 从具体工作流出发，本质上就是在系统性地收集和解决真实场景中的 corner cases。只有把这些长尾问题一个个啃下来，机器人的实际可用率才能达到商业闭环的要求。
简而言之：Demo 看的是常见情况，商业化拼的是解决 corner cases 的能力。
🧪 5.3 A/B Test：不靠直觉争论
A/B Test（A/B 测试），也叫对照实验，是一种通过对比来验证"哪个方案更好"的方法。
核心逻辑是：
-
单变量：每次只测一个改动，比如只改抓取策略，不同时改模型参数。
-
随机分流：两组条件尽可能一致，排除其他干扰。
-
数据说话：用统计学判断差异是真实有效，还是偶然波动。
在 Dyna 这类 Product-research 路线里，A/B test 是打磨真实工作流的关键工具。比如在折叠衣服、清洗餐巾的场景中，团队可以对比不同抓取策略的成功率、不同模型参数下的吞吐量、不同硬件配置下的 ROI。
它的本质和 Lindon 强调的"客户只问 ROI"一致：不靠直觉争论，而是用真实场景下的对比数据，来决定技术方案和商业决策。
🤖 5.4 Eureka 与 DrEureka：让大模型自己设计奖励函数
《Eureka》是 Jason Ma（马也骋）在英伟达期间主导的一项研究，全称是 "Eureka: Human-Level Reward Design via Coding Large Language Models"（通过编码大语言模型实现人类水平的奖励设计），论文发表于 ICLR 2024（arXiv:2310.12931）。
在机器人强化学习中，最头疼的问题之一是设计奖励函数。要让机器人学会一个动作，比如转笔，人类工程师得反复编写和调整奖励代码，这个过程极其耗时且依赖经验。
Eureka 的核心创新是：用 GPT-4 这类大模型来自动写奖励函数。它把模拟环境的代码喂给大模型，让模型直接生成奖励代码，再通过强化学习训练机器人，并根据训练反馈不断迭代优化。
关键成果包括：
-
超越人类专家 ：在包含 10 种不同机器人形态的 29 个测试环境中，Eureka 在 83% 的任务上表现优于人类专家设计的奖励函数，平均性能提升 52%。
-
完成高难度动作 ：首次让模拟环境中的 Shadow Hand 学会了连续转笔，这是人类手动设计奖励很难实现的灵巧操作。
-
发现反直觉策略：在部分任务中，Eureka 生成的奖励与人类直觉负相关，但实际效果更好，类似 AlphaGo 下出人类看不懂的棋。
后来，Jason Ma 团队还发表了后续工作 DrEureka （RSS 2024，arXiv:2406.01967），进一步用大模型自动设计"域随机化"参数，解决从仿真到真实世界的迁移问题。论文报告的结果包括：在 Unitree Go1 四足机器人上，前进速度比人类设计的奖励与域随机化方案高 34% ，行进距离高 20% ；在 LEAP 灵巧手上，20 秒内的方块旋转次数比人类方案多出近 300%。
这篇论文体现了他"用基础模型解决机器人底层问题"的思路，也呼应了访谈中的 Product-research 路线：用 AI 自动化那些原本依赖人类专家反复试错的工作，从而让机器人能力的规模化成为可能。
🌟 六、感悟
💎 1. 创造新的价值，而不是节省成本
如果机器人只是把人已经在做的事做得更便宜，它面对的是一场成本竞争；只有当它能做人做不了、不愿做或做不好的事------24 小时不间断、危险环境、稳定零差错------它才真正创造了新的价值。ROI 算的是账，但账的上限取决于价值本身。
🤝 2. 交互形态非常重要
同样的智能，放在不同的交互形态里，商业结果可能完全不同。Dyna 选择半人形上半身加轮式底盘，而不是双足，本质上是在交互能力与成本之间做取舍。形态不是信仰，是产品定义的一部分。
🛤️ 3. 选择一个合适的赛道
赛道选择决定了数据飞轮能不能转起来。从这期访谈看，工作流越标准化、越重复、越缺人，越容易形成"部署---采数据---迭代模型"的闭环。选错场景，再强的模型也只能停留在 demo 里。
🔧 4. 工程能力很重要
想法不值钱，把想法变成稳定运行的系统才值钱。数采员能训练模型、示范与部署由同一团队完成，说明 Dyna 正在把工程经验固化成流程。将想法转化为现实的过程和实践，本身就是壁垒。
🎧 七、原声回听清单
以下时间点来自节目官方简介（时间以实际进度为准）：
| 时间点 | 内容 | 值得留意什么 |
|---|---|---|
| 00:01:41 | "我们是蟑螂，我们死不了" | 创业生存心态，很可能与修心部分呼应 |
| 00:24:49 | "我可以闻得到钱" | 商业直觉与机会识别，可能涉及 Caper 的经验教训 |
| 00:40:32 | 机器人开放地图和 "product research" 路线图 | 技术路线的完整阐述 |
| 02:00:08 | 中国 | Dyna 的中国硬件与供应链团队，以及中美团队分工 |
| 02:13:01 | 丢下包袱，迷雾中探出一条自己的路 | 修心与决策转变的核心段落 |
📌 补充：01:00:31 左右关于"不量产上一代"的段落为个人听记补充，不在节目官方提纲中，回听时可按需定位。
📚 八、附录：术语速查
| 术语 | 一句话解释 |
|---|---|
| Product-research | 以真实工作流为最小单元，用落地任务反向驱动模型预训练 |
| 纯大脑路线 | 优先研发通用机器人大模型，追求跨本体泛化能力 |
| 大脑派 / 身体派 | 前者赌"智能决定上限"，后者赌"硬件与运动能力决定下限" |
| ROI | 投资回报率；在此语境中指"这笔投入在真实商业里能不能算得过账" |
| Demonstration | 人类通过遥操作等方式给机器人做操作示范，质量高但成本昂贵 |
| decrease demonstration | 减少训练新任务所需的人类示范次数，是模型泛化能力的指标 |
| Corner case | 低概率但必然出现、容易导致系统失效的长尾情况 |
| A/B Test | 控制变量、随机分组的对照实验，用数据判断方案优劣 |
| YC | Y Combinator，全球最著名的创业加速器之一 |
| Eureka / DrEureka | 用大模型自动设计强化学习奖励函数 / 域随机化参数的研究 |
📖 延伸：YC 是什么？ YC 指 Y Combinator，由保罗·格雷厄姆（Paul Graham）于 2005 年创立，核心模式是给极早期创业公司一笔小额种子资金、换取少量股份，并让创始团队参加约 3 个月的密集训练营，最后通过 Demo Day 对接投资人。它已投资超过 5000 家初创公司，包括 Airbnb、Dropbox、Stripe、DoorDash、Instacart 等。在本期访谈的语境里，YC 代表硅谷最经典的"早期押注 + 密集赋能"模式；而 Lindon 讨论的 Product-research、ROI、不量产不成熟产品，则是创业者走出加速器后需要独自面对的更深层抉择。
🌫️ 写在最后
这期访谈最打动我的，不是某个结论，而是一种姿态：在没人看得清方向的时候，既不假装看清，也不停在原地------用最小的工作流去验证，用修心去承受验证失败的代价。
迷雾不会因为焦虑而散去，但判断可以因为练习而变准。
🔗 参考资料
-
[Dyna Robotics 官方融资公告：120M Series A](https://www.dyna.co/news/series-a "Dyna Robotics 官方融资公告：120M Series A")
📝 本文为个人学习笔记，仅供交流，版权归原节目所有。
🏷️ 标签：具身智能｜机器人｜Dyna Robotics｜创业｜张小珺商业访谈