154. 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

一家机器人公司做出能把餐巾叠好的机器，并不意味着它已经拥有可扩张的产品。Dyna 创始人 Lindon 在这次访谈里反复回到这个差别：演示一个任务、持续完成整个工作流、在客户现场形成经济回报，是三件难度递增的事。Dyna 先在折叠场景里测试模型，再把问题延伸到取料、上料、收纳和异常处理；公司由此改变了研发重点，也重新处理了研究与部署之间的内部拉扯。

模型架构之外，Lindon 还讲到他此前经营无人零售公司时怎样从客户的拒绝中重做产品，为什么在一次战略迷失中放下了不能犯错的 CEO 包袱，以及《沉思录》、王阳明和其他思想传统如何影响他面对创业压力的方式。技术路线、组织选择和个人状态在他的叙述中彼此相连。

无人零售的教训：客户为哪一种价值买单

Lindon 在中国出生，十一岁赴美。少年时期他做过游戏账号、软件和鞋类等零散买卖；大学里，他把珠宝库存与美国设计师的需求连接起来，后来又从医学转读金融，在投行工作两年多后直接创业。他把这些早期经历概括为对做成一件事所获得回报的偏好，而不是单纯追逐金钱。

他较早的一次完整创业是 Caper，起点是 2017 年兴起的无人零售。彼时 Amazon Go 展示了没有收银员的商店：用户取货离开后由系统结账。Lindon 原本考虑把传感器与摄像头铺进超市，改造整个门店；他拜访约 150 位超市老板后发现，即使免费提供，许多人也不愿采用。装修、维护和设备成本无法被少量收银员节省覆盖，而且收银员本来还承担其他工作。

团队于是把视觉识别和传感器放进购物车。谁推车，谁就是付款者；车内的商品则由设备识别。这个改动降低了技术和改造门槛。团队后来发现，商家的收益还包括购物车屏幕带来的商品推荐、凑单优惠和广告机会。对 Lindon 来说，这段经历留下的判断是，产品价值必须能够回到投资回报率。只签下客户、或只拥有一项看起来很酷的技术，并不能证明产品与市场匹配。

这条路并不顺利。Caper 从 YC 出来后融资靠后，团队曾以很低的月支出共同生活；Lindon 冷邮件联系过上千位天使投资人，才得到两位投资者的支持，机构种子轮前又经历了大量拒绝。他后来承认，当时只顾讲自己的项目，没能理解投资人关心的维度。公司最终在 2021 年被收购，他选择出售的原因是希望把六年间积累的产品和交付经验用于更大的难题。

Dyna 不把研究和部署看成两条分开的路线

离开 Caper 后，Lindon 在 Instacart 工作约三年，学习在更大组织中争取资源和管理团队。他与长期合作的伙伴探索过 AR、量子和能源等方向，最后回到机器人：这既与无人零售的硬件经验相近，也让他看到行业里仍有许多技术先行、应用后补的做法。Dyna 从一开始就希望做的是能改变现实世界的产品，但公司没有把自己定义为只追求短期部署的一方。

他使用产品研究来描述公司的方法。研究项目应当由一个足够清楚的产品终局约束：团队先设想未来需要什么产品，再倒推当前值得投入的研究，而不是同时向所有可能性发散。这个框架并不要求每项研究立刻赚钱；它要求团队能解释，某项能力未来如何进入产品，以及为什么应该现在做而不是以后做。

这套说法也解释了 Dyna 内部曾出现的分歧。2025 年末，部分成员希望尽快做客户部署，另一部分成员则希望把资源留给更高难度的研究。Lindon 认为二者都不足以单独定义方向：只要落地仍停留在不能扩张的任务上，收入就不是长久的产品形态；但若脱离具体工作，团队也很难知道模型到底卡在哪里。后来团队把目标改成一个完整岗位所覆盖的工作流，让研究和工程围绕同一问题推进。

折叠餐巾为何是第一个试验场

Dyna 早期看到的基础模型速度慢、动作混乱，而且往往只能把一件事成功做一次。Lindon 当时给团队定的门槛是约 99% 的成功率，以及达到人工速度的 50% 至 60%；在他看来，达到这个区间才有商业化的可能。团队用折叠餐巾和衣物来检验这一目标，并在 24 小时折叠餐巾的演示中报告了超过 99% 的成功率。

选择折叠并非因为它最容易。布料是软体，每一步都依赖上一步的状态，衣物尺寸、面料和环境变化又要求模型泛化。它的好处在于出错可以重折：拿铁被机器人打翻会直接增加损失，而折坏一张餐巾可重新处理。洗衣房和酒店又确实有专门负责折叠的员工，场景相对隔离，适合用来验证模型对软体操作、速度和跨环境适应的能力。

团队在后训练中测试过：要让模型在陌生环境里零样本处理 T 恤折叠，需要多少不同环境的数据。Lindon 说，最初预计会需要很多，后来发现十多个环境已足以出现一定泛化能力。这是他的团队在当时预训练能力下得出的实验观察，不代表所有衣物或所有机器人系统都能以同样规模的数据完成迁移。

现场暴露出的问题，不在一张餐巾上

2025 年 6 月至 9 月，Dyna 把折叠系统部署到客户现场。客户起初同意把餐巾的五次折叠改成四次，最后一次交给服务员完成；实际使用后，这个省略步骤仍让工作人员觉得麻烦。更直接的约束是产量：一位大型餐饮客户每天需要约 1,300 张餐巾，而当时系统连续运行 24 小时只能完成约 850 张。团队后来提升了速度，却发现速度并不能概括现场的所有损失。

例如，机器人偶尔会一次抓起两张餐巾。人工折一张大约需要 20 秒，系统处理这类双张异常却要约两分钟；如果这种情况占到一成，当天总产出就会显著下降。折好的餐巾放进箱子时也可能杂乱，客户会误以为没有折好。Dyna 没有用更多固定工程规则遮住这些异常，而是试图用模型、强化学习和条件控制处理它们。这是团队的技术选择，其前提是可扩张的产品不能依赖为每个例外手写补丁。

更大的问题是系统需要人照看。每折完一批餐巾，店员仍得定时送来新的物料；有人甚至要在手机上设闹钟，每半小时或一小时查看一次。客户看到机器空闲时，会以为它速度不够，但日志显示空窗往往来自无人上料。Lindon 据此停止扩大第一代系统的规模：一个需要保姆的机器人没有完成客户购买它所需的工作，也就没有形成他认可的可扩张产品与市场匹配。

下一步因而从任务扩展为工作流。机器人需要找到库存、取来未折餐巾、放到工作台上折叠、把成品送往指定货架，再拿回下一箱材料。Dyna 表示已在不同场景跑通完整工作流并拥有商业客户，但尚未完全落地；这与单一桌面折叠任务已经可做是不同层次的主张。

可靠的工作流，需要把成功率相乘

将多个动作串成工作流会放大每一步的失败率。Lindon 的解释很直白：如果每个环节都只有约 99% 的成功率，连续经过多个环节后，整体成功率仍会下降。因此，系统不只要会折叠，还要在识别库存、移动、开门、放置、执行动作和恢复异常时保持可靠。这也是 Dyna 从固定桌面设备转向带轮底盘、上半身具有人形操作能力的系统的原因之一。

他把这套系统分成三个层面。System Two 负责具身推理，理解当前环境、任务所处阶段和下一步意图；System One 将语言指令转化为面向世界的动作；System Zero 则处理轨迹、运动控制和强化学习，让硬件把动作做得更快、更稳、更准。这个划分是 Lindon 对公司技术积累的概括，而非行业通用标准。

在他的定义里，泛化至少有两种可观察方式：示范多少次后能学会新任务，以及语言指令能否引导它完成任务。Dyna 看到这两方面有所提升，但访谈没有公布详细测评。公司因此没有对外展开其所谓第二代系统的具体能力，也没有承诺一个已确定的通用机器人时间表。

预训练提供广度，现场工作流告诉团队缺什么

Dyna 早期把预训练和后训练的投入大致对半，后来则明显加重预训练。Lindon 认为，多数鲁棒性来自预训练，而后训练更适合把某个工作流打通、暴露瓶颈。他以餐巾叠放为例：把成品放到箱中指定位置，可望通过语言理解等预训练能力改善；一次抓两张导致产出下降，则更像需要在现场策略中专门处理的问题。

数据策略也随之改变。团队先前相信高质量数据最重要，随着做完整工作流，转而更看重覆盖广泛人类经验的大规模数据，再从中做筛选和蒸馏。Lindon 说，Dyna 在第一视角人类数据的百万小时级预训练中观察到明显的规模效应；这是公司自己的实验判断，外界无法仅凭访谈核验其数据集、模型或效果。他也不把真机数据和仿真数据当成二选一：数据如何组合，应由模型要学的能力决定。

这种路线的短期目标是减少示范次数，提高语言跟随能力。前者意味着新客户部署时不必为每项任务采集大量示范，后者则让系统有机会把多个任务拼成工作流。Lindon 同时保留了调整空间：市场、数据和模型能力继续变化后，当前判断也可能被新的产品反馈修正。

大脑决定能不能做，本体决定能做多好

访谈开头，Lindon 将美国和中国机器人圈的常见倾向概括为大脑派与身体派：前者更相信智能是核心难题，后者更重视供应链和本体。但他并不愿站到其中一边。对 Dyna 来说，研究团队需要先界定相机帧率、快门形式、视角等硬件要求；本体也会限制模型最终能表现出的速度和精度。智能提高后，旧硬件未必立即失效，却可能不足以执行模型已经能够规划的动作。

这也是他支持软硬件共同迭代的理由。硬件通常要经过多版修改才可能进入量产，供应链也需要时间收敛，不能等模型问题完全解决才开始。Dyna 从第一天就在中国建立硬件研发和供应链团队；Lindon 说，该团队约四五十人，面向完整工作流的机器人已进入百台级初步量产。这些数字是他的陈述，未附带第三方审计或客户部署数据。

家庭机器人在 Lindon 的产品排序中并不靠前。家庭对泛化、安全、动作速度和个人偏好的要求都更高；即使机器人能进每个家庭，也不自动说明用户愿意购买或认为服务符合预期。他估计机器人能力泛化到家庭或许要三五十年，但同样强调这不等于市场一定成立。相较之下，B2B 场景的流程、安全边界和投资回报更容易先被定义。酒店洗衣房只是一个起点：它有明确人力缺口、任务容错空间，也能让团队学习跨酒店和不同 SOP 的泛化。

部署是另一条需要几年跑完的链路

即使智能体能完成动作，Lindon 仍把部署视为独立难题。他用 Caper 的经历说明，产品能铺到客户现场后，仍要数年才可能建立稳定的交付循环：硬件会故障，软件、模型和运动控制也会失常，现场还需要日志、可观测性、支持和维护体系。一天没有达到餐巾产量时，团队必须分辨原因是模型、设备、物料还是人工流程，不能把一切归结为智能不足。

这解释了 Dyna 为什么在早期就进入客户现场。对他而言，部署的作用不是把尚未完整的产品尽快卖得更多，而是让团队尽早遇到所有会破坏闭环的例外。客户现场的反馈能帮助区分哪些问题要靠扩大预训练解决，哪些问题需要改变工作流、硬件或运维设计。

组织也围绕这一节奏设计。Lindon 将 Dyna 的内部形态描述为偏研究实验室：美国团队以研究为主，中国团队偏硬件和供应链；他偏好由资深个人贡献者承担清晰的任务，减少层级传递。他认为编码智能体降低了工程成本，让团队能在同样时间内探索更多方向，因此比起单纯扩大人数，更重要的是让研究、工程和执行能更快迭代。这是他的管理经验，并非对所有机器人团队的普遍结论。

他预计机器人行业在未来一两年可能出现更多路径收敛，例如对成功率、执行速度、数据和模型架构的共同要求。但他没有把这种预测当作终局。对于机器人版 AGI 何时出现，他的回答是无法判断；他只把它描述为接到模糊指令后，仍能把整件事完成的能力。Dyna 希望面向更广泛市场的下一步尚未公布，访谈没有给出足以判断其形式或时间的细节。

战略迷失时，他先放下不能犯错的包袱

2025 年末到 2026 年初的调整，也牵动了 Lindon 对团队的带领方式。任务落地却没有形成完整闭环时，他一度不知道该继续押注部署，还是投入更长期的研究；团队也受到市场热点和外部公司的影响，方向变得摇摆。他后来把问题归因为战略缺少自己的第一性判断，而不是某一项技术选择绝对错误。

他所说的转变，是不再把自己当成必须永远正确的成功创业者。这个包袱曾让他为了避免犯错而做出并不明智的决策。放下外部评价后，他与联合创始人和团队把目标重新收敛到完整工作流：提高智能体能力、完善部署基础设施，并用预训练与后训练之间的反馈继续推进。对他而言，团队的支持也让这次调整成为可能。

这条心理线索可以追溯到 Caper 的低谷。Lindon 说，连续被投资人拒绝时，他会读《沉思录》，并把一次失败视为下一次调整的材料。后来他接触王阳明、佛教和基督教等不同传统，关注的是人如何理解自身与世界的关系，而不是把它们当作同一套理论。他还提到，自己长期面对强直性脊柱炎带来的疼痛，曾通过调整作息、饮食和运动来观察身体反应；这种把困境改写为可研究问题的习惯，也影响了他处理创业压力的方式。

他并不把修心等同于冥想或逃离现实。在他的区分中，有些难题要通过改变产品、组织或外部条件来处理；有些难题来自个人对失败、评价和控制感的反应，必须靠改变自己的看法来穿过。机器人行业尚未收敛，路径、终点和竞争格局都难以看清。Dyna 目前能给出的不是终局答案，而是一套从客户现场收集反馈、再据此修改研究和产品的做法。