苏度科技押注软硬全栈 称机器人家用商业化三年内难落地
张小珺Jùn｜商业访谈录
大脑仅决定机器人任务能否执行的下限，而硬件与运控决定了速度与效率上限，脱离端到端全工作流与自研本体的单点方案无法实现真正的规模化PMF。
AI-assisted summary of 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 — original source. Check the original for full context.
Source published:
Key ideas
- Dyna Robotics 在超过 100 万小时的第一视角真机交互数据预训练中验证了 Scaling Law，并预计具身机器人可规模化落地的 PMF 将在未来 1 到 2 年内集中爆发。 (85:00)
- Dyna 提出“大脑决定产品下限，身体决定效率上限”的反共识逻辑，坚决反对脱离自研本体做纯大脑黑盒，强调长程工业落地必须软硬件强协同。 (123:00)
- 商业路线上坚决规避 3 至 5 年内无法跑通 ROI 的 2C 家庭人形机器人，全面切入 2B 洗衣房等结构受控场景，以“24 小时产出比肩 1 名人类员工 8 小时工时”打通端到端工作流闭环。 (70:00)
- Dyna-2 采用半人形硬件（轮式底盘加人形双臂）与 System 2/1/0 三层控制架构，将研发重点从单点任务后训练转向互联网级规模预训练，目前新一代本体已进入百台级量产。 (65:00)
Detailed notes
## Background 本期播客由播客频道《硅谷101》于 2026 年 7 月 16 日在小宇宙平台发布，由主理人泓君对话 Dyna（苏度科技）创始人兼 CEO Lindon（韩铮）。节目简介聚焦于机器人在开放环境中实现“动手”操作的巨大挑战，探讨苏度科技如何通过软硬件协同、上下分层架构与 Sim-to-Real 范式攻克通用操作难题，并分享创始人在具身智能迷雾中的路线抉择与心智修行。
## TL;DR 访谈围绕具身智能创业的硬核技术路径与心路历程展开。Lindon 详细梳理了自己从早年零售结账购物车 Caper 被 3.5 亿美元收购、到创办 Dyna 并推出 Dyna-1、Dyna-2 的全过程，阐释了“大脑定义下限、本体决定上限”的全栈软硬件结合哲学。他剖析了机器人行业从单点任务跨越到全闭环工作流（如洗衣房场景）的严苛商业 ROI，并揭示了团队在百万小时第一视角交互数据中发现 Scaling Law 的认知拐点。此外，他还真诚复盘了作为连续创业者经历的战略迷失，分享如何通过《沉思录》、王阳明心学以及“转念”克服身体病痛与 Ego，以极度自律和修心打好这场机器人“世界杯”。
## Atmosphere & style 整场对话沉静、真诚且充满哲学思辨意味，彻底跳出了当下具身智能行业浮躁喧嚣的 PR 叙事。主播泓君与嘉宾 Lindon 展开了一场极高密度的深度思想碰撞，不仅有对技术瓶颈、工程细节与商业本质的冷峻剖析，更有创业者剥离光环、坦白自我怀疑与至暗时刻的罕见脆弱。聆听过程宛如一位兼具极强商业直觉的“脑力运动员”在迷雾长跑中向内审视，散发着在极端自律中获得的平静、笃定与理想主义韧劲。
## Bulletin - `01:25:00` Dyna Robotics 在超过 100 万小时的第一视角真机交互数据预训练中验证了 Scaling Law，并预计具身机器人可规模化落地的 PMF 将在未来 1 到 2 年内集中爆发。 - `02:03:00` Dyna 提出“大脑决定产品下限，身体决定效率上限”的反共识逻辑，坚决反对脱离自研本体做纯大脑黑盒，强调长程工业落地必须软硬件强协同。 - `01:10:00` 商业路线上坚决规避 3 至 5 年内无法跑通 ROI 的 2C 家庭人形机器人，全面切入 2B 洗衣房等结构受控场景，以“24 小时产出比肩 1 名人类员工 8 小时工时”打通端到端工作流闭环。 - `01:05:00` Dyna-2 采用半人形硬件（轮式底盘加人形双臂）与 System 2/1/0 三层控制架构，将研发重点从单点任务后训练转向互联网级规模预训练，目前新一代本体已进入百台级量产。
## Key takeaways - `00:00` 中美具身智能路线存在认知对抗：硅谷倾向于“大脑决定一切、硬件会自我解决”，国内偏向“供应链和身体是最大壁垒”，而 Dyna 坚持软硬件协同全栈路线。 - `20:00` 做硬件产品最忌“拿着锤子找钉子”，机器人落地如果无法为 B 端客户带来压倒性的真实 ROI，所谓的客户签约和 PMF 全是伪命题。 - `40:00` 团队将自己定位为“Product-Research 导向”，在发散性科研探索上设立产品护栏，由终局商业产品倒推当下最关键的技术攻关点，避免陷入智能上限卡死商业化的死局。 - `45:00` 初代 Dyna-1 反共识切入折叠布草场景，凭借布料软体高容错、隔离环境及极高长程状态连贯性要求，实现了超 99% 的稳定折叠率与出色的零样本泛化。 - `55:00` 拒绝单点任务虚假繁荣：机器人若每隔一小时就需人工搬运换料（“需要保姆”），便无商业扩展性，系统必须升级为涵盖上料、加工、下料与巡检的全自主工作流。 - `01:05:00` Dyna-2 摒弃双足改用更务实的半人形轮式底盘，配合 System 2（物理推理）、System 1（世界动作模型）与 System 0（运控强化学习）实现整套自主工序。 - `01:30:00` 在海量数据达到互联网级规模之前，过度沉迷于小数据集清洗和消融实验是认知误区；具身智能模型突破天花板必须先吃透互联网级的海量人类经验。 - `01:35:00` 做通一个复杂的全场景工作流并沉淀出工程与微调方法论，就相当于具备了标准化复制到 100 个新工作流的能力，后续横向扩张转化为纯数据吞吐问题。 - `01:40:00` “机器人的 ChatGPT 时刻”本质不是终极 Physical AGI 降临，而是如当年网页版 ChatGPT 降低门槛一样，在现有智能水位下找到人机可交互感知的正确产品载体。 - `01:56:30` 尽早追求商业落地不是为了眼前的营收，而是为了尽早启动“部署飞轮”，把硬件磨损、运控延迟和模型漂移等复杂的真实 Corner Cases 彻底暴露并解决。 - `02:03:00` 大脑解决可行性下限，本体运控锁死效率上限；若不掌握自研本体与低层运控，采集出的轨迹数据将充满噪点，无法满足严苛的工业级落地标准。 - `02:08:00` 硬件必须由算法需求自顶向下定义，且量产本体需要经历至少三代工程迭代磨合；当前五指灵巧手在工程寿命与性价比上仍未 Ready，盲目使用会带来运维灾难。 - `02:17:30` 组织架构践行高密度 IC 扁平化，深度结合 Agentic Coding 工具流使底层代码研发提速 4 倍，用不到 200 人的跨国团队实现多方向高频并行攻关。 - `02:35:45` 创始人通过与强直性脊柱炎对抗及多轮创业挫折完成心智“转念”，放下“做一个不犯错 CEO”的执念与外界评价，回归第一性原理思考走长期的机器人修心长跑。
## Detailed walkthrough ### `00:00` 开篇：中美机器人分歧与“全栈派”的自我定位
播客开篇，主持人泓君引出本期嘉宾 Linden——Dyna Robotics 的创始人兼 CEO。作为一名在美国打拼的连续创业者，Linden 走了一条被他们称为“Product Research”（产品化研究）的路线。当前的全球机器人行业还远未达到技术收敛的终局，这是一场看不见终点、四周甚至迷雾重重的漫长马拉松。每个创始人都面临着路线抉择、战略迷失以及在挫败中重拾信心的挑战。
谈及创业早期的极端困境，Linden 回忆道，很少有创业者能在被投资人拒绝几百次后依然不放弃，“当时我就跟我团队说我们是蟑螂，你们是蟑螂，我们死不了。”在团队经历战略迷失的阶段，内部曾爆发严重的身份认同冲突：一拨人坚持要做工程落地，另一拨人则执着于纯粹的前沿研究（Research）。面对“闻得到钱”与“理想主义”是否冲突的提问，Linden 明确表示两者毫无矛盾：“我是非常理想主义的人，我来做机器人不是为了赚钱的。我觉得闻得到钱是生存的一条路。我的梦想是星辰大海，可是我的路径是需要脚踏实地。”
一年往返中美一两次的 Linden，对两地的机器人行业氛围有着敏锐的洞察。他坦言，中美两边当下其实都相当浮躁，几乎每天都有新的 Demo 或产品 Release，每家公司都在疯狂融资。但透过表象，两地在底层的长期战略打法上存在根本性的认知分歧：
```mermaid flowchart LR accTitle: 中美机器人技术路线认知分歧 accDescr: 对比硅谷大脑派与中国身体派的底层逻辑差异及Dyna全栈派定位。 subgraph US["硅谷：大脑派 (Brain-Centric)"] U1["核心观点：大脑是唯一的问题"] U2["本体硬件/供应链长期会自我解决"] end subgraph CN["中国：身体派 (Body-Centric)"] C1["核心观点：供应链与制造是唯一的问题"] C2["具身模型/大脑长期会自然解决"] end US -.->|认知对抗| CN Dyna["Dyna Robotics：全栈派 (Full-Stack)"] Dyna -->|软硬件协同| US Dyna -->|端到端整合| CN ```
- **硅谷的“大脑派”**：倾向于认为大脑（模型与算法）是通用机器人的唯一核心难题，只要通用大脑搞定，机械本体与工程供应链未来都会水到渠成、自我解决。 - **国内的“身体派”**：长期深耕于供应链与硬件制造优势，认为硬件本体才是最大壁垒，大脑层面的模型技术迟早会开源或自然解决（不过 Linden 也观察到国内近期在模型层也开始发力补齐）。 - **Dyna 的“全栈派”**：拒绝单押大脑或单押身体，坚定走软硬件深度结合、模型与本体协同设计的全栈路径。
---
`05:00` 早期野蛮生长：从初中倒卖游戏装备到大学做珠宝 B2B
Linden 并非传统象牙塔走出的典型技术创业者。他出生于中国，11 岁移民美国。在成长过程中，身边的生活环境极具商业嗅觉与拼搏精神（entrepreneurial），充斥着形形色色做小买卖的人。受此氛围熏陶，他年仅 14 岁（初中时期）就开始了人生第一笔生意——用英文讲就是一种纯粹的“hustle”（折腾搞小钱）。
当时他沉迷网络游戏，敏锐地嗅到游戏资产的变现机会，便搭建了一个简易平台，专门从事游戏账号与稀有装备的低买高卖，穿梭于各大论坛倒买倒卖。这笔初中生的小买卖最终让他赚到了上万美元的第一桶金，后来随着业务热度消退，他顺势将网站打包出售。在那段青少年时光里，他几乎什么热门就倒卖什么：今天卖游戏点卡与账号，明天倒卖软件，后天转卖潮流球鞋。对 Linden 而言，赚钱从来不是枯燥的苦差事，他极其享受“做对了一件事情带来的正向反馈与奖励（reward）”。
进入纽约大学后，大二那年他开启了第二段生意： 1. **偶然发现珠宝库存**：他注意到不少珠宝商积压了大量滞销旧款库存，原本打算直接把金银首饰熔化当废金属回收。 2. **切入 eBay C端零售**：Linden 主动找到他们收购这批库存，拍照挂上 eBay 零售，销量异常火爆。 3. **痛点重构，转向 B2B 外贸**：随着 C 端包装发货、售后沟通挤占了他大量的学业与实习时间，Linden 转变了商业模式。他发现美国有海量独立珠宝设计师，在本地寻找代工厂不仅开模加工极其昂贵，而且打磨工艺与量产能力很差。 4. **连接中美供应链与需求**：借助家庭与朋友圈层建立的中国珠宝供应链网络，他直接对接美国设计师的设计需求，转型为 B2B 珠宝供应链服务商，从中抽取佣金提成。
这项业务后来被他改造成一个无需耗费过多精力的自我运转系统（self-managing business），交由家里的一位亲戚打理，平稳运行了 10 年之久。早期每周仅需投入三四个小时，每年就能带来十几二十万美元的稳定现金流。直到后来 Linden 觉得这项买卖消耗的心智与时间不再划算，才主动将其彻底关停。
在学业选择上，Linden 拥有极大的自由度。父母最初希望他学医，他也确实在纽大医学院读了两年，但随后发现自己并无兴趣，便遵循内心转入金融专业。当时身处顶尖的纽大商学院（Stern），身边最优秀的人都在拼命争取投行 Offer。抱着“大家都想去，我就想跟大家比一下”的胜负欲，他顺理成章进入了投资银行，在高强度的专业金融世界里历练了两年多。
---
`10:00` 第一次硬核创业：在无人零售风口中反向做“智能购物车”
2017 年，随着亚马逊重磅发布 Amazon Go，“无人零售”赛道迎来全球狂暴风口。其承诺的“即拿即走、无需收银员、自动结账”颠覆性体验，催生了中美数十家疯狂融资的初创公司。彼时 Linden 毅然离开投行直接跳入创业大潮，成立了初创公司 Caper（曾用名 Keyber），主攻智能零售技术，这也算他涉足机器人的雏形。
不同于当时几乎所有竞争对手盲目复刻 Amazon Go 的做法，Linden 在动工前做了一次极其接地气的市场调研：
> “当时我去见了 150 个超市的老板，然后就问他们说 Amazon Go 这个科技怎么样，我帮你做。当时非常让我 surprise 的就是没有一个人想要。然后我问他如果免费给你想不想要？他说我也不想要。我当时就惊讶了，我就问他说为什么，然后他就说性价比不高啊，我没有 ROI。”
这番调研彻底击碎了伪需求。超市老板算了一笔极度现实的账： - **改造成本不可承受**：要在天花板密密麻麻挂满摄像头、在货架上铺满传感器，单店改造成本高达几十万美元； - **后续维护极为繁琐**：大量传感器融合系统在实际开放环境下的维护成本极高； - **替代人工收益微薄**：收银员不仅负责收钱，还承担理货、导购、防损等多重职责，单纯省下几个收银员根本撑不起前期的巨额硬件投资。
```mermaid flowchart TD accTitle: Caper 与 Amazon Go 方案对比 accDescr: 对比全店传感器改造与智能购物车方案在商业ROI与落地复杂度上的差异。 subgraph AmazonGo["传统路线：Amazon Go 模式"] A1["改造全店天花板摄像头与货架传感器"] --> A2["单店成本几十万美元"] A2 --> A3["仅替代部分收银工时，ROI 严重倒挂"] end subgraph Caper["Caper 路线：智能购物车"] B1["边缘计算传感器融合 + 视觉识别置于车体"] --> B2["解决两个核心本质：谁付钱 + 付多少钱"] B2 --> B3["即插即用低成本，且屏幕交互拉高客单价与广告"] end ```
洞察到 Amazon Go 模式在商业底层逻辑上的硬伤后，Linden 团队果断换了产品形态——把传感器融合与计算机视觉识别系统全部做进了一辆“智能购物车”里。
无人零售的本质只有两个极简命题： 1. **谁付钱**：推着这辆购物车的顾客； 2. **付多少钱**：顾客往车里放了什么商品。
智能购物车通过内置的视觉识别与重量/空间传感器，在商品落入车内的瞬间就能精准识别结算。这套方案绕开了昂贵的店铺硬装改造，技术难度大幅降低，成为日后全行业仅存的几家生还者之一。
然而，产品原型的成功并未让他们的早期融资一帆风顺。尽管非常幸运地初次申请便入选了著名孵化器 Y Combinator（YC），甚至分到了后来的 YC 总裁兼 CEO 萨姆·奥特曼（Sam Altman）以及杰夫·罗尔斯顿（Jeff Ralston）作为项目导师（mentor），但走出 YC 时，他们却沦为了整期表现垫底的项目。因为美国主流风投对硬件极其排斥，认为硬件研发周期冗长、毛利低、分销落地难度极大。整个 Demo Day 下来，他们仅仅融到了 30 万美元。
面对生死存亡，Linden 展现出了极强的韧劲。他把另外三位合伙人召集在一起坦白账面危机：“对不起，我只融了 30 万。如果你们愿意的话，我们可以搬进一个房子里面住在一起。我没办法给你们工资，可是我们可以付房租、付车油费、付伙食费，伙食费我们自己做。”
就这样，四位联合创始人加上一两位早期员工挤在同一间出租屋里。整整两年半的时间，全团队将每月总开销死死压缩在 7000 美元以内。靠着这笔微薄的资金，团队在极端艰苦的环境中熬过了至暗时刻，最终迎来了第一笔 200 万美元的正式种子轮融资。
---
`15:00` 绝地求生与心智修行：冷邮件千人、被拒百次与 3.5 亿美元被收购
拿到种子轮的过程同样是一场血肉模糊的硬仗。Caper 的产品形态在当时极度“反共识”——几乎所有投资人都盲目崇拜科技巨头：“你看亚马逊的技术做得多酷，还有那么多公司从 YC 出来一拿就是上千万，你们拿个破购物车算什么？迟早会被淘汰的。”
在种子轮资金到位前，公司账上最危急时只剩下一两万美元。为了撑下去，Linden 亲手向超过 1000 位天使投资人发送了 Cold Email（冷邮件）。最终奇迹般地转化了两位个人天使，每人注资约 5 万美元，把团队从悬崖边缘硬生生拉了回来。随后他们奔波拜访了 100 多家机构投资人，无一例外全被拒绝，直到遇见了愿意反共识押注的 First Round Capital，才敲定了 200 万美元的种子轮。
硬件开发与大型超商漫长的采购决策周期（Sales Cycle）让后续的商业落地旷日持久，团队花了一年半以上的时间才完成首批规模化铺设。2019 年寻求千万美元级的 A 轮融资时，团队再次拜访了 60 多家主流风投，几乎全军覆没，最终才由 Lux Capital 领投了一千多万美元。
撑到 B 轮阶段时，Caper 的落地商业数据（Traction）已经极为漂亮，手握两张 Term Sheet 以及一份优厚的并购要约。在连续拒绝了两次收购意向后，团队最终在 2021 年以约 3.5 亿美元的估值将公司出售给了生鲜杂货配送巨头 Instacart。
回望这段长达六年的煎熬，Linden 坦言这是他人生中认知蜕变最快、也是最痛苦的阶段： - **在低谷中修心**：“创业其实是一个特别是在低谷的时候越是低谷的时候越需要修行，所以说我觉得整个过程是一个修心的过程。”他靠着阅读《沉思录》等哲学书籍平复内心的焦虑与动摇。 - **强化学习式的心理演进**：连续见 10 个人被拒还能咬牙坚持，但被拒绝 100 次时，人会不可避免地陷入极度自我怀疑。后来他学会把每一次拒绝当成算法训练中的强化学习（Reinforcement Learning）——“每次失败其实对我来说就是一个 reinforcement learning，就是下次怎么做得更好。” - **从自说自话到同频共振**：早期碰壁的核心原因，在于缺乏对投资人的认知画像与换位思考，满脑子只想表达自己的想法，而忽视了倾听对方的核心顾虑，无法建立同频共振。
在年仅 30 岁就完成 3.5 亿美元退出的那一刻，Linden 心中涌现的不是暴富的狂喜，而是一种“把事情做对了”的印证感。他决定在巅峰期交棒离开，核心动力是意识到自己可以通过过往六年吸取的血泪经验，去撬动一个更大、更深远的事业。
---
`20:00` 底层认知提炼：警惕“拿着锤子找钉子”，机器人 ROI 决定生死
总结过去几段从零到一的创业与生意历程，Linden 沉淀出了刻入骨髓的核心方法论——**做事永远要做最本质的事情**。
很多创业者在困境中容易寄托于虚幻的外部解药，比如“只要招到某个大牛所有问题就能迎刃而解”或“只要签下这个标杆大客户就能顺利拿到融资”。但在 Linden 看来，这些全是非本质的妄念。做产品最忌讳的就是“拿着锤子找钉子”——手里握着一项很酷的黑科技，就到处硬套场景。
他在 Caper 做智能购物车时发现的真正商业飞轮，彻底颠覆了最初对“无人零售”的想象：
| 维度 | 行业普遍假设（黑科技视角） | Caper 实际发现（本质商业视角） | |:--- |:--- |:--- | | **核心卖点** | 替超市削减收银员的人工成本 | 提升消费者的平均客单价（Average Basket Size）与广告交互价值 | | **交互媒介** | 天花板摄像头/货架静默传感器（无屏幕无互动） | 购物车搭载的实时交互平板屏幕 | | **落地机制** | 强行逼迫消费者改变习惯自助扫码 | 放进零食即时推荐关联商品、赠送组合满减 Coupon，创造精准货架广告位 | | **ROI 模型** | 极其脆弱（省下的工时无法覆盖几十万改造成本） | 极具弹性（显著拉升单次消费额与增量广告收益，迅速收回硬件成本） |
由此，Linden 深入剖析了机器人行业当前频频陷入的伪“Product-Market Fit (PMF)”陷阱： - 很多具身智能初创公司以为签下一两个客户合同、拿到几笔定制开发费就是找到了 PMF； - 实际上，一旦深入实际产线或场景，客户对**生产节拍（Cycle Time）**的严苛要求、无休止的定制化开发（Customization），会让硬件团队疲于奔命； - 如果算不过来经济账，无法在真实场景中给客户提供压倒性的 ROI 投资回报率，所谓的落地就是镜花水月。在硬件与机器人行业，**ROI 不成立，就根本不存在真正的产品形态与 PMF**。
回忆起 YC 期间与萨姆·奥特曼（Sam Altman）的接触，Linden 谦逊地表示，当时奥特曼每周会见他们两次左右，给出的建议极其高维且本质，可惜自己当时的阅历与认知境界还不够成熟，未能完全与其同频消化。
---
`25:00` 创业者的修养：“脑力运动员”的极致自律与大厂管理进阶
在日常生活中，Linden 保持着近乎严苛的作息规律，身体常年保持着专业运动员般的精悍状态。他将这种生活习惯归结为《原子习惯》（Atomic Habits）的力量： - **作息与训练**：清晨 5:00 起床，6:00 到 7:00 进行高强度体能锻炼，7:00 后全身心投入高负荷工作，晚间 11:00 准时就寝； - **精准饮食控制**：严格控糖控碳水，午餐适量补充优质碳水，早晨按配比补充均衡营养，晚间极少摄入碳水化合物。这种高度自律受教于他的父亲。
在 Linden 的哲学里，顶级创业者在本质上就是一名“脑力运动员”：
> “作为一个创业者其实一直是一个脑力运动员，其实本质上面其实就是一个运动员，就需要有一个运动员的修养。那其实就是因为如果说比如说你吃的不健康，或者说你没有运动，或者说你睡得不好，你也没有办法可以专心去想一件事情……作为一个 CEO 来说，大家都说是找人、找钱、找方向。其实绝大多数 CEO 的重大决策，找人和找钱其实不是需要花太多大脑的。所以说其实最重要是需要找方向。找方向其实就是你的每一个决策，你的每一个决策是需要本质的、需要高质量的。你能做出本质高质量的事情，你是需要把这件事情想得非常透、想得非常清楚。”
公司以 3.5 亿美元出售给 Instacart 时，Linden 刚满 30 岁。他并没有选择躺平享受生活，而是以副总裁（VP）身份在 Instacart 深度履职了整整三年。
做出这一决定的动机非常纯粹——他清醒地意识到自己过去的几次成功都是“野路子”打法，凭着商业直觉和工程蛮力带着兄弟们往前冲；但他深知自己在超大型组织管理和系统化产品战略上存在明显盲区。Instacart 汇聚了海量来自 Uber、Facebook、Google 的顶尖高管，正好提供了一个绝佳的学习沙盘。
在直接与间接管理超过 300 人的这三年里，Linden 深度打磨了两个核心能力： 1. **向上沟通与争取资源**：学会如何站在 CEO 和大局视角，重新构建（frame）问题的底层逻辑，精准挖掘管理层的诉求动机并达成战略 Align； 2. **识人与组织管理认知**：早期的他总天真地认为只要员工努力就能纠偏培养，后来深刻领悟到“有些人是改不了的”，除非个体自身突破心智边界，否则很难强行扩大其管理半径（scope）。
三年后，随着管理体系的成熟，天生骨子里带着“工匠精神”的 Linden 决定再度出山。对他而言，当一颗大厂螺丝钉般的 VP 索然无味，创业才是他倾注毕生心力的手艺活——像匠人打磨陶瓷或名画一样，用数十年心血去雕琢一家在技术、文化、产品与组织维度皆无可挑剔的伟大企业。
---
`30:00` 构想 Dyna：寻找真正改变世界的事物与三人天团成型
在离开 Instacart 的几个月里，Linden 和他合作超过十年的老战友杨世远（York）开始广泛考察最具颠覆性的前沿硬科技。他们深入调研了增强现实（AR）、量子计算（Quantum）、可控核聚变与新能源（Nuclear/Energy）以及生物科技。其中 AR 领域他们深入探索了六到八个月，最终判断其底层光学与硬件成熟度尚早。
两人坚信，如果再次全力以赴创业，必须押注在能真正改变世界格局的大事上。而环顾四周，唯有“具身智能与通用机器人”在商业底层和团队基因上与他们高度契合。更关键的是，2022 年机器人赛道呈现出的浮躁生态，让 Linden 敏锐地察觉到了当年无人零售的既视感——行业到处都是“拿着锤子找钉子”的团队，硬件设计、基础软件（Infra）到端到端 AI 算法，全都存在巨大断层。
要想打破这一僵局，团队急需补齐一位在机器人科研学术界拥有顶级品味与实力的第三位联合创始人。两人在硅谷深度密聊了 20 多位顶级学者与科学家，最终锁定了 Jason。
在复盘团队核心铁三角的互补优势时，Linden 进行了一番真诚而深刻的自我剖析：
```mermaid flowchart TD accTitle: Dyna 铁三角创始团队互补能力图 accDescr: 展现 Linden、York 与 Jason 在 Dyna 团队中各自的分工与核心特质。 subgraph CoreTeam["Dyna Robotics 核心铁三角"] L["Linden (CEO)<br/>商业直觉 / 战略远见<br/>'现实的理想主义者'<br/>极强方向感与赚钱闭环嗅觉"] Y["杨世远 York (Co-Founder)<br/>全能工程与落地天才<br/>极强共情与结构化思考<br/>跨技术与管理维度的稀缺人才"] J["Jason (Research Co-Founder)<br/>顶级 Research Taste<br/>进化迅速、追求干净极简的核心理论体系"] end L <-->|十年深度默契| Y L <-->|科研与战略对齐| J Y <-->|工程算法协同| J ```
- **Linden 的核心特质**：极其擅长透视未来 5 到 10 年的终局形态，推演战略落地路线图中的每一步陷阱；具备敏锐的“闻得到钱”的嗅觉。但他坦承自己的短板在于思考链条过长、视角过于宏观，经常用 20 分钟输出跨度极大的逻辑跳跃，导致下属跟不上节奏。 - **杨世远（York）的稀缺特质**：被 Linden 盛赞为兼具极强共情能力、严密结构化思考、深厚工程技术底蕴与卓越组织管理认知的罕见全才，能够将所有宏大设想扎扎实实落地为高质量工程。 - **Jason 的科研品味（Research Taste）**：挑选 Jason 的核心指标并非论文数量，而是其独树一帜的科研品味。从 Jason 读博早期繁复炫技（fancy）的论文，到后期学术脉络逐渐化繁为简、核心概念愈发纯粹干净的蜕变轨迹中，Linden 敏锐捕捉到了一个顶级科学家不断自我进化（evolve）的高维品格。具备如此极致品味的人，正是 Dyna 补齐软硬件全栈闭环所必不可少的科研灵魂。
`40:00` 团队身份危机：探高做 Research，还是落地做 Product？
在创业过程中，学术追求与工程落地往往会产生剧烈冲突。泓君提到，当 CEO 想推落地、而负责 Research 的合伙人一心想在模型大脑上寻求技术突破时，团队必然面临分歧。韩铮坦言，团队在去年年底曾陷入严重的战略迷失与“身份认同（identity）冲击”：一派主张专注落地变现，另一派主张全力做前沿 Research。韩铮自己并未归入传统的落地派，他解释道：“落地是可以赚钱，可是并不在我的认知当中其实并不是真正能长久的一个产品形态。所以说如果说落地不能达到一个 scalable product-market fit，我觉得我就不会去做这件事情。”面对落地的现实压力与技术天花板的拉扯，韩铮最终选择把战线拉长，设定了一个更远大的战略点——既能提升智能上限（Intelligence），又具备长远落地闭环的可能，从而将团队重新凝聚起来。
韩铮指出，具身智能和 AI Agent 团队往往会被智能水平卡住商业化上限（“落地是否可以 scalable 是因为是被 intelligence 给 cap 住了”）。如果不提升智能，落地场景就只能在极狭窄的缝隙中打转，无法规模化复制；而如果纯做发散式 Research，又容易脱离真实世界，浮于表面。因此，苏度科技给自己的定位是“Product-Research 导向”，在自由探索的边界上设置“产品护栏（Product Guardrails）”，以终局产品形态倒推当前阶段最关键的技术突破口，而非盲目发散。
```mermaid flowchart TD accTitle: Product-Research 导向架构 accDescr: 展示苏度科技如何在产品护栏下通过倒推机制平衡前沿研究与规模化落地。
subgraph Trap["行业常见两极困境"] A["纯落地派：接单赚钱但受制于智能上限，无法 Scale"] B["纯研究派：发散探索 AGI，缺乏产品闭环验证与深度"] end
subgraph Solution["苏度科技的 Product-Research 路线"] C["明确终局产品形态目标"] D["设置产品护栏 (Product Guardrails)"] E["倒推当前阶段最关键的技术断点"] F["用产品闭环反哺 Research 演进方向"] end
A -.->|"陷入停滞"| C B -.->|"发散无果"| C C --> D D --> E E --> F ```
- **团队内部博弈**：部分工程人员主张快速落地变现，而算法核心更看重学术与技术突破。 - **战略拉长战线**：避免短期低水平落地耗尽团队产能，用长线目标统筹“探高”与“扎根”。 - **研发机制**：每一项 Research 必须服务于产品长期价值，按严格的优先级框架分阶段推进。
---
`45:00` 破局点选择：反共识切入“折衣服/折餐巾”与 Dyna-1 问世
回溯创业历程，团队在 2024 年底组建完毕并开始接触客户，但当时行业内的 Foundation Model 缺陷极其明显：动作奇慢、姿态杂乱，且往往“只能成功做一步，接下去做下一步就崩掉”，完全不具备商业可用性。进入 2025 年后，韩铮为团队设定了极硬核的技术指标：**成功率必须拉到 99%，动作速度要达到人类的 50% 到 60%**。围绕这一目标，团队推出了首个被验证具备商业化潜力的成果——Dyna-1。
在场景选择上，韩铮做出了一个在当时投资人眼中极其反共识的决定：不去做大厂追逐的工厂流水线或仓储物流，而是选择“折餐巾和折衣服”。韩铮解释了背后的核心考量： 1. **极高的容错率（Technology-Market Fit）**：端咖啡打翻了会直接造成经济损失并添乱，但布料折坏了可以展开重新折，“损失率和对质量的要求本质上不是特别的高”； 2. **场景高度隔离独立**：机器人可以在洗衣房或操作间独立作业，不干扰外部人流； 3. **真实而普遍的痛点**：酒店与洗衣店常年配备专职折叠人员（Dedicated Folders/Attendees），人工成本居高不下； 4. **技术深度足够深**：布料属于软体（Deformable Object），杯子等刚体可能只有正放、倒下等有限状态，而折叠是连贯的多步状态流，每一步都必须以前一步的几何形变成功为前提，能够高强度考验模型的长程泛化能力。
在 2025 年四五月份，Dyna-1 实现了连续折叠餐巾 24 小时以上且成功率超过 99% 的行业突破。在后续的学术会议（如 CoRL）现场实测中，机器人面对不同材质、尺寸的全新 T 恤展现出了惊人的 Zero-Shot 泛化能力。实验表明，团队原以为需要海量数据，但实际上在十多个不同环境内采集 T 恤折叠数据，模型就能成功总结出涵盖面料多样性（Garment Diversity）与环境多样性（Environment Diversity）的泛化范式（Generalization Recipe）。
---
`50:00` 真实落地的残酷细节：折叠 4 次还是 5 次与“抓两张餐巾”困局
从实验室 Demo 走向真实场景，团队在 2025 年 6 月至 9 月展开了为期数月的实地部署，随即遭遇了极其残酷的工程与物理现实。韩铮直言：“难，非常难。”
首当其冲的是**折叠工艺标准**。标准餐巾实际上需要对折 5 次，但折到第 5 次时布料已经叠得极小极厚，极易松散弹开。团队此前与客户商定只折前 4 次，最后 1 次交由现场服务员完成。然而实际落地后，餐饮客户极度不满并频繁投诉，抱怨“还要服务员收尾完全是在浪费时间”。其次是**吞吐量瓶颈**。该大型餐饮客户每天需要消耗 1300 张餐巾，而初代 Dyna-1 在 24 小时内拼尽全力也只能折出 850 张，速度完全不达标。团队被迫在底层运动控制与模型速度上进行了大量 Research 攻关才补齐产能缺口。
更致命的是层出不穷的 **物理 Corner Cases**： - **双张抓取问题（Double Pick）**：布料之间存在静电和摩擦力，机器人偶尔会失手抓起两张餐巾（即便是人类偶尔也会犯错）。一旦抓起两张，由于模型缺乏自我修正逻辑，排除这个错误需要耗费整整两分钟，而正常折一张仅需 20 秒。“如果说我们当时如果说有 10% 是 double fold 的话，我们今天就肯定是达不到标了。” - **收纳堆叠混乱**：折好的餐巾放入收集箱（Bin）时摆放极度随机杂乱，客户一眼看去就会质疑“根本没有折好”。团队必须通过强化学习和语言条件控制（Conditioning），教会模型按“位置 1、位置 2、位置 3”整齐排布。
面对这些细节暗礁，工程团队多次提出“用写死（Hardcode）的规则或机械工装来解决”，但韩铮极其坚决地予以否决。他深信，一旦依赖外挂工程补丁，系统就彻底失去了通用扩展的可能性，所有 Corner Cases 必须迫使模型通过强化学习与预训练自我解决。这段折磨人的实地踩坑，也让团队彻底摸清了模型的真正短板：模型的绝大多数鲁棒性（Robustness）实际上来自于预训练（Pre-training），而非后期的微调（Post-training）。因此在 2025 年底，团队果断将原本各占 50% 的研发比重，大幅倾斜向预训练大模型。
---
`55:00` 拒绝虚假规模化：“机器人保姆”与从单点任务跨越至全工作流
当折叠餐巾在 10 家以上客户落地、量产已经跑顺时，韩铮却做出了一个令外界惊讶的决定：**停止继续 Scale 该单点产品**。
叫停的原因在于它并没有达成韩铮心中真正的 Scalable PMF：“解决的问题不够根本。我只做到了我只把这件任务做掉了，可是我没有把整个工作都给做完了。”在实际运行中，机器人每工作半小时到一小时就会折完桌面上的一摞（约 100 张）餐巾，随后便陷入停机休眠。餐厅员工不得不定闹钟，每隔一段时间跑过来把折好的餐巾搬走、换上一批新料。客户经常抱怨机器人动作慢、产量不达标，但后台调取数据后发现，机器人之所以产能低，是因为它每天有大量“空窗期”在空转等待。
> 韩铮指出：“那其实就不是机器人太慢，而是机器人本身需要一个保姆。所以机器人需要保姆这件事情是一个非常大的一个产品问题。所以说当时我选择不 scale 其实就是发现当时没有把商业本质的问题给完全解决掉。如果说你去 scale 一个不完整的一个产品，那这个产品在未来会对你来说是个累赘。”
很多纯研究导向的实验室认为这依然是“大脑数据不够”的问题，但韩铮认为在单点折叠上大脑能力已经过剩，核心在于它只执行了一个“动作序列（Sequence of Motions）”，没有形成闭环。真正的商业价值要求机器人必须斩断对“保姆”的依赖，从单点“任务（Task）”升级为全套“工作流（Workflow）”： - **自主上料与巡检**：当餐巾耗尽时，机器人能够自主感知库存位置，移动到货架前取料； - **转运与加工**：将生料搬回操作台摊平、执行折叠； - **下料与重置**：将成品分类码放到指定储物架，取来新的空收集桶，重新启动循环。
---
`01:05:00` Dyna-2 的技术基座：三层控制系统与半人形硬件架构
为承载完整的自主工作流，团队在下一代产品 Dyna-2 上进行了深层次的架构调整。在硬件形态上，苏度科技并未直接采纳双足人形，而是选用了更务实的**半人形架构（轮式底盘 + 人形双臂上半身）**。韩铮强调他们不执着于虚名，“什么是对的方向我们就往这个方向做”，轮式底盘既能提供极高稳定性和续航，又能自如穿梭在洗衣房等复杂室内空间。
在软件模型架构上，Dyna-2 将系统拆解为紧密协同的三层架构（System 2、System 1、System 0）：
```mermaid flowchart TD accTitle: Dyna-2 三层控制模型架构 accDescr: 展示从高级物理语义推理到世界动作模型再到底层轨迹控制的三层架构流转。
subgraph System2["System 2: 具身推理层 (Embodied Reasoning Layer)"] S2_1["物理世界属性认知 (Physical Property)"] S2_2["当前环境状态感知 (State Understanding)"] S2_3["高层语义与长程规划 (Semantics Reasoning)"] end
subgraph System1["System 1: 世界动作模型 (World Action Model)"] S1_1["接收 System 2 语言指令与目标"] S1_2["将物理交互指令映射转化为粗动作表征"] end
subgraph System0["System 0: 底层动力学控制 (Trajectory & RL Layer)"] S0_1["输出具体动作轨迹 (Output Trajectory)"] S0_2["强化学习运控：兼顾速度、丝滑度与物理精度"] end
System2 -->|"高层语言指令 (Language Command)"| System1 System1 -->|"动作规划映射"| System0 System0 -->|"驱动硬件执行"| RobotBody["半人形硬件底盘与双臂执行机构"] ```
- **System 2（具身推理层 / Embodied Reasoning Layer）**：负责认知物理世界的本质（物理属性、现场状态与高层语义），推断机器人当前处于长程工作流的哪一步，并向下一层分发语言指令； - **System 1（世界动作模型 / World Action Model）**：接收 System 2 的高层指令，将其转化为具体的交互意图与粗动作； - **System 0（运动控制与轨迹执行 / Trajectory Execution Layer）**：利用先进的强化学习算法，将输出轨迹在物理硬件上以极快、极丝滑且极精准的方式呈现。
在评估系统泛化能力时，韩铮将其简化为与人类交互高度一致的两大维度： 1. **示范泛化（Few-shot Demonstration）**：在遇到全新任务时，只需通过人类示范极少数几次，模型便能快速理解并掌握技能； 2. **语言引导能力（Language Steering Capability）**：大幅提升模型对自然语言指令的敏感度（Language Sensitivity），仅凭纯语言描述即可实时调整和纠正动作。
---
`01:10:00` 商业终局思考：为什么坚决不做 2C 家庭机器人，而深耕 2B 场景？
在谈及商业落地与机器人的终局形态时，泓君询问机器人何时能走入千家万户成为“机器人的 T 型车”。韩铮给出了极其冷静甚至逆主流的判断：**家庭人形机器人在未来 3 到 5 年内绝不可能成立为成熟的商业产品**。
韩铮以自己的前一段创业经历（B2B2C）为例，指出 2C 消费品维度的复杂性远超想象： - **主观预期极其发散**：家庭场景不仅要求极高的物理泛化，更严重受制于主观情绪与审美偏好。“就像可能有些人家里的阿姨合作的不是非常愉快，其实并不是说这个阿姨不是 general purpose 阿姨，而是不管是性格做事速度方面，其实都是有非常大的分歧。”放盘子的角度、叠衣服的手法不合心意都会引来差评； - **安全与长尾容错率为零**：家庭内有儿童、宠物及无数未定义的 Corner Cases，稍有不慎即是严重安全事故； - **投入产出比无法量化**：在当前的基础模型约束下，机器人的单日绝对产出远低于人类。
相比之下，2B 场景具有无可比拟的落地优势。机器人替代人工的核心商业价值不在于“比人做得更快”，而在于“比人做得更久”： > 韩铮阐释道：“一个机器人去替代一个员工在目前的 Foundation Model 约束下面，其实非常难达到一个人一天的产出量……所以对我们来说其实我们发现最重要的 ROI 价值指标不是要做得比人快，而是要做得比人更久。其实就是一天一个人工作在美国一天一个人工作 8 个小时，其实我跟我团队定的目标其实就是说一个机器人做一天 24 个小时的工作可以达到一天一个人做 8 个小时的工作，那其实就可以在产出上面达到一个正比。”目前该指标在 Dyna-2 上已经实现并超越。
韩铮从宏观经济学角度进一步剖析，商业组织雇佣了全美 95.5% 的劳动力，人类永无止境的消费欲望决定了生产端需要源源不断的高性价比劳动力。2B 场景对情绪没有要求、安全受控、标准高度统一，是跑通闭环的“最小商业单元（Minimum Viable Unit）”。仅全美就有超过 10 万家酒店，每家酒店洗衣房常年需要 2 到 5 名工人，在疫情等招工荒时期甚至需要老板亲自下场洗涤。苏度科技通过将洗衣房这一高痛点、结构相似的完整工作流彻底打通，既能在明确闭环中清晰度量模型智能的边界，又能在标准化的大规模 B2B 市场中建立稳固的商业壁垒。
`01:20:00` 商业落地的抓手：从洗衣房工作流切入家庭前哨
在探讨商业场景的落地选择时，韩铮指出了洗衣房这个场景背后潜藏的庞大商业价值，其本身的 TAM（Total Addressable Market，潜在市场空间）就高达数个十亿美元（Billion）。更重要的是，在韩铮的技术演进蓝图中，洗衣房是通向家庭环境（Home）的最小单元：“如果洗衣房都做不成了，我觉得 Home 肯定也做不成了，所以说我觉得这条路是必经之路，而且是非常重要的。”
从商业落地要素来看，洗衣房工作流具备三大极佳特征：容错率非常高、对时间节拍（Cycle time）的要求相对较低，且客户的付费意愿极强，这在美国高昂的人工成本背景下尤为迫切。主持人泓君提到目前酒店机器人大多局限在封闭式的“外卖送餐”环节，韩铮对此表示认同，但认为送餐只是极其微小的切入点。在洗衣房这类标准化场景打透之后，机器人可以自然横向延展到清理打扫、做饭做菜等更复杂的酒店任务。酒店本质上就是“家庭的标准版”，每个房间的结构与陈设差异相对受控，是迈向非结构化环境最理想的试验场。
谈及“酒店客房保洁阿姨”这类场景是否更具吸引力，韩铮分析认为，客房清洁的市场规模虽然更大，但其难度明显更高，存在大量的极端个案（Corner cases）——例如浴室顽固污渍如何清理、房间被极度弄乱、物品被打破或被客人带走等，且单次全流程耗时极长。韩铮强调，做商业化不能一上来就死磕最难的问题，关键是能否以最短的时间跑通一个 MVP（Minimal Viable Product，最小可行性产品）闭环。
韩铮提出了一套根据“工作流（Workflow）复杂度”来划分机器人任务维度的框架，打破了传统“工业机器人 vs. 商业机器人 vs. 家用机器人”的定势思维：
- **Level 1 ~ Level 2**：短程、高度局部的操作任务，例如叠餐巾、单一料台的上下料，步骤明确，闭环极短。 - **Level 3**：较长链条的工作流，需要串联识别、移动、多步骤协同操作。 - **Level 4**：高度长程且复杂的混合工作流，如全自主客房清洁与非结构化重整。
韩铮总结道：“我落地的场景需要在我智能体的智能范围内。”随着具身智能体能力的提升，系统自然能够接管更高等级的工作流。
---
`01:25:00` “探高”与“沿途下蛋”：第一视角数据发现 Scaling Law
针对团队先做桌面叠衣服、再拓展到全场景洗衣工作流是否会拖慢底层模型技术“探高”（探索智能上限）的疑问，韩铮给出了否定回答。他认为场景落地与向上探索智能极限绝非互斥关系，关键在于整个体系对核心数据的把控能力。
韩铮透露，团队在研发过程中取得了关键突破——他们在高达 100 万小时的第一视角（Egocentric）真机交互数据训练中，观察到了非常明确且强烈的 Scaling Law（规模法则）。
在过去几年里，具身智能领域普遍面临着极难打破的“智能天花板”，业内普遍将此归咎于机器人数据匮乏。最初在 Dyna 1 架构探索阶段，团队也曾陷入过对数据质量的极度迷信，花费大量精力去做高质量数据，试图通过精挑细选的数据打破瓶颈。
```mermaid flowchart LR accTitle: Data Scaling Paradigm Shift accDescr: Dyno's pivot from high-quality curated data to massive egocentric internet-scale pre-training.
subgraph Early["早期认知陷阱"] A["迷信高质量小数据"] --> B["精细化消融实验与清洗"] B --> C["遭遇低矮的智能天花板"] end
subgraph Current["突破后的范式"] D["海量 Egocentric 第一视角数据"] --> E["规模化预训练 (>100万小时)"] E --> F["显现 Scaling Law 并突破天花板"] end
Early -.->|"认知转变"| Current ```
---
`01:30:00` 认知拐点：放弃过度清洗，走向互联网级海量第一视角数据
韩铮坦承了早期的认知误区：当时他与许多大语言模型（LLM）和视频生成（VideoGen）领域的研究者交流，受确认偏误影响，“selectively 想听到我想听的东西”。对方提到在预训练时做消融实验（Ablation study）剔除脏数据后模型表现更好，韩铮便拿着这些结论让团队死磕高精度数据。
然而，一旦深入到实际复杂的 Workflow 中，团队迎来了重要的认知拐点： 1. **先见天地，再做蒸馏**：最根本的问题在于模型是否吃到了足够广泛、最丰富的全人类经验（Human experience）。只有当数据跨过“互联网级规模（Internet Scale）”这条基准线后，后续的消融实验、数据清洗与模型蒸馏（Distillation）才有实际意义。在规模未达标前过早进行所谓的质量优化，完全违背了第一性原理。 2. **5到10年终局形态**：团队推演未来3年、5年乃至10年的裸数据（Raw data）终局，排除了对遥操作（Teleoperation）或便携式机械臂遥控套件（如 UMI）的重度依赖。在韩铮看来，过度依赖特定遥操作工具反而限制了数据上限，业内共识是“Robot hands（机械手）本身是一个工程问题，而不是一个 Research 问题”。因此，团队全面押注以人类自身为载体的 Egocentric（第一视角）与 Exocentric（第三视角）自然行为数据。
面对真机与仿真（Simulation）的流派争论，韩铮表示不解，认为将创业公司划分为“真机派”或“仿真派”是毫无必要的手段之争：“技术路径本身不是本质的，这只不过是其中的用途……我觉得没有必要拜手段，我觉得最重要的还是什么样子的数据集对我们来说是最终形态，这是我们长期需要 Bet 的事情。”无论是仿真合成还是真机采录，在 Dyna 内部都是根据具体 Training Objective（训练目标）混合使用的工具而已。
韩铮总结道，团队的核心预训练目标高度精简且聚焦为两点： - **大幅降低示范样本量（Decrease number of demonstrations）**：从 Few-shot 甚至向 Zero-shot 逼近，直接决定了商业化场景的现场部署交付速度。 - **强大的语言遵循能力（Language following ability）**：这是通过自然语言作为胶水将离散操作无缝拼装成长程工作流的底层底座。
---
`01:35:00` 物理世界 AGI 的终局：打通一个工作流等于打通所有工作流
关于具身智能与物理世界 AGI 的终局何时降临，韩铮认为技术爆发往往呈现阶段性突变的特征，就像大语言模型从 ChatGPT 爆发至今四年便演化出极为强大的 Coding Agent 一样不可预测。
在具身智能的语境下，AGI 的终局形态非常明确：“其实就是你给他一个非常模糊的指令，他就可以把这件事情全部都做好。”这与通用软件 Agent 的演进方向完全同构。
对于“探高”（模型通用性演进）与“沿途下蛋”（落地垂类场景）的辩证关系，韩铮给出了一个极富技术自信的核心论断：“做通一个场景就等于做通所有的场景。”
```mermaid flowchart TD accTitle: Workflow Generalization Framework accDescr: How solving one complex workflow systematically unlocks horizontal expansion to 100 workflows.
W1["打透第一个复杂 Workflow"] --> Core["沉淀核心系统与方法论"] subgraph Core["核心资产"] C1["Corner Cases 边界处理"] C2["精度与时间节拍控制 (Speed/Quality)"] C3["明确预训练能解决 vs 无法解决的边界"] end Core --> Scale["飞轮复制"] Scale --> W2["输入新场景数据"] W2 --> WN["低成本横向解锁100个新 Workflow"] ```
韩铮解释道，打透一个工作流的过程，实质上是摸清当前具身模型的技术瓶颈，确立一套标准的数据吞吐与微调系统。一旦这套基础思维逻辑成型，“做一个工作流 versus 做 100 个工作流，其实相差的其实就是 100 个工作流的数据”，后续扩张本质上已转化为标准化的数据飞轮问题。
---
`01:40:00` 预训练与后训练的边界分工，以及“机器人 ChatGPT 时刻”的产品本质
针对当前大语言模型能力突变往往会“吞噬”上层垂类 Agent 应用的行业现象，韩铮分析了机器人领域的类似分层机制：
- **Pre-training（预训练）的定位**：必须保持最广泛、最 General 的泛化性。即使未来模型训练数据从百万小时推进至 1000 万小时以上，预训练底座依然是通识性的。预训练能够凭借语言理解直接解决宏观逻辑排布，例如“将餐巾在储物筐中码放整齐”。 - **Post-training（后训练）的定位**：场景落地与“下蛋”的核心战场。用于精准吸收具体 SOP，解决预训练无法消除的深水区 Corner Case——例如“机械爪单次抓取不慎抓起两张餐巾导致产出效率下降”等物理细分交互问题。
谈到机器人行业的未来时点，韩铮预测距离可规模化落地的 PMF（Scalable Product-Market Fit）仅需 1 到 2 年时间。但他对所谓的“机器人的 ChatGPT 时刻”给出了跳出技术参数的独特产品视角：
> “其实我觉得 ChatGPT 最大的 Aha moment，就是 It's useful to anyone……绝大多数人把机器人通用理解为 Physical AGI 已经解决了，可是我从我的角度去看的话，我觉得这是一个产品定义问题。”
韩铮以 OpenAI 的发展史进行类比：早在 2020 年 6 月 GPT-3 就已发布，当时产品形态仅是一套 API，只有 Jasper 等少数初创团队基于其构建产品；直到 2022 年底 GPT-3.5 借助极其简洁的网页对话框（Browser Chat）形态发布，才真正点燃了大众市场。从 GPT-3 到 ChatGPT，底层智能与模型规模固然在提升，但本质跃迁在于**产品形态的重塑**。因此，机器人实现通用被每个人用上，并不需要等到无限智能的终极 Physical AGI 降临，关键在于在现有的智能水位下，定义出人人皆可交互并感知的正确产品载体。
---
`01:45:00` 人机交互的新范式与大脑研发的终局之战
针对产品终局是否是“人形机器人”这一行业最核心的分歧，韩铮直接给出了冷静的商业回报测算：“从硬件角度来说的话，我觉得是否是人形机器人，其实最重要的 Response 其实是一个 ROI（投资回报率）问题。我添了这两条腿是否能给我带来更高的价值？这个价值是否远远超出了我做这两条腿的成本？”
韩铮进一步抛出悬念：团队正在打磨的产品形态并不是传统认知中的机器人外观硬件，而是一整套“如何使用机器人、人如何与机器人协同交互”的产品体验。尽管公司立足于 B2B 商业落地，但他坚信这套体验最终能以极高的渗透率触达每一个具体的使用者手中。
面对 Dyna 是否偏离基础研究的误解，韩铮正面回应了公司在具身大脑（Robot Brain）研发上的坚定投入。在对标 Physical Intelligence（Pi）、Generalist 以及 Google DeepMind 等顶尖团队时，韩铮表示底层研究没有任何本质区别：“我们其实就是在 Figure out 如何泛化模型能力、如何 Crack Physical AGI、如何能把 Language Steerability（语言可控引导性）能力做得更好，或者说可以用 Few-shot Demonstration 可以做得更好，本质上是没有任何区别的……我们从第一天开始就一直在做机器人大脑。”
- **核心数据规模**：团队在超过 100 万小时第一视角交互数据中验证了 Scaling Law，未来目标向 1000 万小时体量推进。 - **PMF 落地时间窗口**：预计具有真正商业扩展能力的具身产品 PMF 将在未来 1 到 2 年内集中爆发。 - **产品核心哲学**：不孤立追求虚无的智能上限，而是坚持“智能水位 × 产品形态交互”协同推向市场终端。
`01:50:00` 破解“本体与场景公司”的误解：以落地验证智能体
许多外界观察者本能地认为 Dyna 是一家偏重硬件本体和具体垂直场景的公司，创始人兼 CEO Lindon（韩铮）直言这是一个“非常大的误解”。他反思道，这种印象主要源于公司早期在公关传播（PR）上投入较少，且发布第一代产品 Dyna-1 时，对外强调的是“以落地为核心”的叙事——即 Dyna 为什么做这款产品，是因为团队极度渴望商业落地。但褪去包装，Dyna 的内核是一家重度依赖深度研究（heavily research）的团队；如果缺乏底层算法与理论的突破，根本不可能做出 Dyna-1 的技术跨越。在 Lindon 看来，智能体（Agent）的进化与真实世界的落地从来不是割裂的对立面，而是互为印证的平行线：只有智能体的泛化上限不断抬高，机器人才可能真正落地；而落地场景则是检验智能体能力的闭环试验场。
在资源与精力分配上，Lindon 澄清自己的时间主要倾注在公司战略与组织搭建上，而整个公司 80% 到 90% 的工程与研发产能（capacity）全部压在智能体大脑上。外界常觉得“搞落地”非常笨重且消耗研发人力，但 Dyna 内部通过构建极其轻量化、标准化的工程基础设施（Engineering Infrastructure），已经彻底颠覆了数据采集与模型训练的链路。由于预训练模型具备极其强大的零样本泛化能力，系统不需要海量的真实操作示范（demonstrations）就能掌握技能，甚至用手机随手拍下的素材源都能直接拿来训练。所有落地应用及操作示范的视频，完全由专门的“素材团队”直接录制生成，根本不需要研究员（Researchers）和核心算法工程师亲自下场去现场调参或采数据。
回顾去年年底团队内部爆发的激烈分歧——究竟是算法 Research 更重要，还是工程落地更重要，Lindon 坦言双方在战略推演中找到了交集。当时团队发现，仅仅攻克单点孤立的抓取或移动任务，根本无法在商业上跑通闭环，那还远称不上真正的落地时机。面对研发与落地的拉扯，Lindon 拍板了一个被内部称为“一个员工”的核心战略：如果机器人要想创造等同于人类员工一整天的工作价值，它就必须独立把物料的“上料、下料、具体任务以及前后串联的整个工作流”完全端到端地吃透。为了实现这个目标，智能体必须进化出更高维度的泛化与推理能力，落地团队必须打磨出更极致的基础设施，后训练（post-training）技术也必须跑得更快。这场思想统一的大仗，成为了团队过去两年里最重要的战略转折点。
> “本质上面其实我们是一个非常 heavily research 团队，因为如果不是 heavily research 的话我们也做不出 Dyna-1 本质的一个突破。” —— Lindon > > “公司的百分之八九十个 capacity 全部都是在智能体上面，而且我们把落地的整个 engineering infrastructure 做得足够的简单，所以说其实对我们来说落地不是大家所想象的那么困难，没有那么重。” —— Lindon
- **研发资源配比**：全公司 80%~90% 的资源集中在智能体（Agent）算法与模型研发上。 - **数据工程门槛突破**：预训练泛化能力的飞跃，使得任何常规视频素材源均可用于训练模型，无需海量遥操（Teleoperation）演示。 - **分工边界**：业务落地与示范视频完全由素材团队独立完成，研发与工程团队不背负沉重的落地执行负担。
---
`01:53:30` 战略演进与“一个员工”策略：从单一任务到全工作流 PMF
从 2024 年创业破土，到 2025、2026 年的演进，Dyna 内部有着极其清晰的战术节点。2025 年的核心命题是“最小任务单元的落地闭环”，围绕 Dyna-1 的能力边界，重点钻研后训练技术如何决定单项任务的执行质量、执行速率以及对自然语言指令的可控性（Language Steerability）。进入 2026 年，战略重心全面切换至“一个员工”范式。此时团队已经摸清了预训练模型泛化的维度，找到了如何利用最充沛的数据源去攻克机器人具身领域的缩放定律（Scaling Law）。为了真正打通现实生产环境里的完整工作流，机器人不仅需要大幅增强逻辑推理（Reasoning）与语言调控能力，硬件本体也必须做出根本性进化——Dyna 第一代机器人是固定不可动的，而第二代机器人必须在全身协同控制（Whole Body Control）与自研可动硬件上全面下注。
谈及具身智能的场景边界与产品市场契合度（PMF），泓君询问具身机器人到底做什么任务才能成立。Lindon 的回答极其务实：必须做能够算得过来账、达成明确投资回报率（ROI）的任务。在机器人被限定的工作区域内，它所产出的工作成果（Output）必须能够超越单个人类员工的效率极限，PMF 才会自然涌现。如果一套方案在经济账上无法跑赢人力成本与损耗，商业闭环就纯属空谈。对于 2026 年之后的战略版图，Lindon 保持了极高的神秘感，表示这绝非在现有垂类场景里修修补补，而是团队将视野投向了更广阔的通用大市场，最终目标是让具身机器人像消费级终端一样，走进任何普通人都能使用的通用世界。
> “做可以达到 ROI 的任务，就是他们如果说他们在自己在一个自己的工作范围之内可以产出比人更多的 output，他们就可以达到 PMF。” —— Lindon > > “我们看到的是整个市场，我们看到的是我们怎么样子让任何人都可以用上这个机器人。” —— Lindon
---
`01:56:30` 商业闭环与“部署飞轮”（Deployment Flywheel）的残酷现实
在具身智能行业普遍处于学术探索和展示 Demo 的初期，过早追求商业闭环常被业内视作拔苗助长。但 Lindon 却斩钉截铁地强调，尽早追求闭环的核心目的根本不是为了账面营收（Revenue），而是为了借由全链路的真实运转，将整个系统中的未知隐患与拐角案例（Corner Cases）全部暴露出来。他以自动驾驶行业打了个生动的比方：如果一辆自动驾驶汽车没有把旧金山的大街小巷切切实实跑上成百上千遍，你永远不可能知道系统真正的性能天花板和断崖崩溃点到底隐藏在哪里。在机器人领域同样如此，只有置身于极其严酷的真实运行环境中，团队才能清晰厘清哪些 Corner Cases 可以依靠纯粹的算法泛化去消解，哪些必须通过工程约束去兜底。
```mermaid flowchart TD accTitle: Deployment Flywheel Architecture accDescr: Dyna的部署飞轮流程图，展示了从真实场景异常暴露到可观测性、软硬件迭代，再反哺至智能体研究的闭环路径。
subgraph Operations ["现场部署与监控 (Deployment)"] A["真实工作流连续运行\n(如: 每日千张餐巾折叠)"] --> B{"现场异常暴露\n(Corner Cases)"} B -->|"产出下降/硬件抖动"| C["可观测性与维护系统\n(Observability & Maintenance Stack)"] end
subgraph ProblemTriage ["问题归因与解耦"] C --> D["硬件疲劳与精度损耗"] C --> E["底层运控与网络延迟"] C --> F["模型漂移与长程泛化失效"] end
subgraph FlywheelLoop ["飞轮迭代与数据回流"] D & E --> G["软硬件协同重构\n(System ID 调优)"] F --> H["智能体预训练/后训练演进\n(Research 确定新方向)"] G & H --> A end ```
这种对落地的深刻敬畏，来自 Lindon 上一次创办智能结账购物车公司 Caper 的血泪经验。当年 Caper 的产品虽然已经具备了铺向全美超市的理论能力，但团队却整整耗费了数年时间才真正搞定现场部署。他指出，许多算法从业者误以为“只要把智能体的大脑训好，落地不过是顺水推舟”，这完全是脱离物理世界的幻想。在真实的部署飞轮（Deployment Flywheel）中，链条上的每一个环节都会崩溃：硬件机构会磨损松动、底层驱动与通信会偶发丢包、上层模型会发生未知漂移、运控算法在极端姿态下会失稳。有时候系统连续运转几天后，原本每天能稳定折叠 1300 张餐巾的机器人，莫名其妙暴跌到只能折 800 张，团队甚至完全无从查起。
因此，一套能够稳定落地的机器人系统，必须沉淀数年去搭建深度的可观测性技术栈（Observability Stack）以及现场支持维护运维栈（Support & Maintenance Stack）。这些脏活累活至少需要 2 到 3 年的反复摩擦才能完全跑通。如果在实验室里把大脑模型单点刷得极高，等到几年后再回头啃部署飞轮，就会发现自己已经在工程与系统稳定性上整整落后了时代两三年。当被问及是否在机器人赛道里“闻到了钱的味道”，Lindon 笃定地回答：闻到了，它就在 Dyna 接下来将要接管的每一个端到端工作流当中。
> “在 deployment flywheel 里面你需要比如说要 build observability stack，要做 support maintenance stack，所以说在这里其实可能很多人其实都没有想到 deployment 环节其实是一个非常困难的环节。” —— Lindon > > “当你把智能体本身完成了，然后你再去跑 deployment 闭环的时候，你就会发现你落后了两三年。” —— Lindon > > “因为有闭环才有反馈，有反馈才知道你下一步该怎么走。” —— Lindon
---
`02:00:00` 中国供应链与美国研发：百台级量产与保持低调的原因
Dyna 从创立第一天起就坚定地建立了中国团队，Lindon 视其为生死攸关的战略抉择：“智能体没有供应链，是没有办法做出世界级的机器人的。”目前 Dyna 在中国拥有一支 40 到 50 人的专业团队，全盘统筹硬件的深度研发与供应链落地。整套制造链路已经完全跑通，并且已经稳步切入百台级别的初步量产阶段。Lindon 透露，当前量产的是为新一代完整工作流定制的机器人本体，至于上一代产品，因为本质上无法支撑端到端的工作流闭环，当时果断按下了暂停键，未予量产。
针对外界认为 Dyna 在 2024 年年中之后在行业内“声音变小、异常低调”的疑惑，Lindon 做出了坦诚回应。核心原因在于团队内部对于技术展示设定的评判标准（Taste Bar）极高。事实上，行业内许多团队近几个月热烈讨论或展示的技术，例如基于自然语言对机器人动作的精准调控引导（Language Steering），Dyna 早在上一年的 8、9 月份就已在内部成熟实现。然而，由于当时的成功率尚未触及团队严苛要求的 99% 绝对可靠阈值，团队宁可选择压着不发。Lindon 承认，过度苛刻的 Research Taste 固然会让外部产生误判，但这也体现了团队的价值观：绝不为了短期公关效应（PR）去零敲碎打地拼凑短视频，必须在工作流这一长远战役取得彻底胜利、故事逻辑严丝合缝时，才向全世界完整呈现。
面对具身智能这场比大语言模型更漫长、产业收敛极度遥远的马拉松，Lindon 认为最重要的定力是“想清楚机器人最终形态的方向并坚定前行”。在中美两派对于“大脑与供应链谁更重要”的经典博弈中（硅谷倾向于认为算力与模型大脑决定一切，硬件未来终将商品化；国内则普遍笃定硬件供应链壁垒最高），Lindon 给出了兼具两重视角的客观研判：站在十年维度来看，供应链可能更加致命。因为机器人最终交付到 B 端客户手中的终归是物理硬件实体，大脑定义了这款产品智能体验的“下限”，但物理身体的材料、工艺、精度与运控，却死死锁定了这个机器人在现实物理世界中的产能与性能“上限”；十年后的终局，极大概率会演变成一场硬碰硬的成本与质量战争。
> “智能体没有供应链是没有办法做出世界级的机器人的。” —— Lindon > > “大脑决定了你这个产品的下限，身体决定了你产品的上限，所以我觉得长期来说可能会形成一个成本和质量战。” —— Lindon
- **硬件团队规模**：中国拥有 40~50 人的研发与供应链团队。 - **量产进展**：第二代全工作流机器人本体已进入百台级初步量产阶段。 - **技术储备节奏**：语言引导操作（Language Steering）等核心能力早于行业公开演示数月前便已实现，因追求 99% 的工业级可靠性而未急于 PR。
---
`02:03:00` 软硬关系之辩：“大脑是下限，本体是上限”与行业格局
谈及对国内同行的观察，Lindon 对宇树科技（Unitree）和智元机器人（AgiBot）给予了高度评价。他认为宇树在硬件工程与系统辨识（System ID）上的造诣极其惊人，成功将虚拟到现实（Sim-to-Real）的 Gap 压缩到极窄的区间，构筑了坚实的技术护城河。而智元拥有雄厚的资金体量，这赋予了其组织极高的容错率，使其战略能够采用更加发散的形态同时铺开多条产品线与前沿探索。在 Lindon 看来，具身智能行业目前远未进入零和搏杀的存量竞争状态，各家在模型架构、世界模型（World Models）与落地构型上仍在公开交流、互相学习，共同推动行业在未来一到两年内迎来技术范式的收敛。
在探讨机器人本体与大脑的关系时，Lindon 提出了一个与硅谷主流黑盒派截然相反的深刻论点：“大脑是下限，本体是上限”。主流声音通常认为“本体只是执行器（下限），大脑智能才决定高度（上限）”，但 Lindon 从产业落地的第一性原理出发反驳：大脑解决的是“能不能做（可行性）”的问题，但硬件与底层运控却决定了这件事情“能做多好、动多快（效率天花板）”。
```mermaid flowchart LR accTitle: Brain-Body Dynamic Interplay accDescr: 展现大脑定义可行性下限、本体决定效率与速度上限，以及两者数据强耦合关系的对比图。
subgraph Brain ["智能大脑 (Brain) - 判定下限"] direction TB B1["任务理解与语义推理"] B2["零样本泛化能力"] B3["决定任务'能不能做'"] end
subgraph Hardware ["本体与运控 (Body) - 锁死上限"] direction TB H1["机械臂响应与关节角速度"] H2["传感器精度与快门/帧率"] H3["决定动作'做得多快多好'"] end
subgraph Coupling ["深度耦合与数据反哺"] direction TB C1["运控差异直接导致模型行为割裂"] C2["高质量轨迹数据必须软硬协同采集"] end
Brain ==>|"驱动硬件规格定义"| Hardware Hardware -.->|"物理性能死锁"| Brain Hardware === Coupling Brain === Coupling ```
举例而言，让机器人一天折叠 1000 张餐巾，在语义认知和规划成立后，动作能否进一步加快、机械臂是否抖动、长程操作能否保持亚毫米级的精确，完全受制于本体驱动器、刚度及运控调校。如果身体跟不上大脑的敏捷反应，就像一位拥有世界级意识的乒乓球选手长了一具迟缓的肉身，最终产能依然被硬件死死卡死。更为关键的是，运控与本体直接污染或塑造了上层数据——如果使用两套不同质量的运控算法去摇操采集同一项任务的数据，模型训出来的表现将天差地别：一套可能极致丝滑，另一套则笨拙不堪。因此，做端到端 B 端落地的团队如果不牢牢掌控（own）机器人本体，根本不可能达到工业级的交付标准。
> “大脑是机器人的下限，我觉得本体是机器人上限……这件事情能做和不能做是大脑决定的，这件事情能做多好其实某种程度是硬件和运控所决定的。” —— Lindon > > “我很难想象说真正去做 B2B 落地场景，如果你不 own 这个机器人本体，你是很难达到他们的质量和速度效率的。” —— Lindon
---
`02:08:00` 软硬件协同定义与灵巧手的落地时机
在 Dyna 内部，关于软硬件关系的研发准则是严格的“大脑驱动本体”：由 Research 团队自顶向下去界定硬件指标。诸如机载摄像头的具体帧率（FPS）、采用全局快门（Global Shutter）还是卷帘快门（Rolling Shutter）、相机的安装视场角（FOV）与物理朝向等核心硬件规格，必须全部由算法模型团队的需求来量化与定义。Lindon 否认了“大脑算法迭代会导致既有硬件方案彻底作废”的担忧。他指出，真实的情况往往相反——算法的狂飙猛进会极其迅速地探到硬件的物理极限，暴露出硬件无法执行高阶思考指令的短板。
因此，过早或过晚切入全栈自研都是误区。如果以为可以等到大脑算法完全解决之后再去碰硬件，就会错失长达三年的软硬件协同进化（co-development）黄金期。任何一款能走入工业现场的机器人硬件，从开模、试制、现场抖动磨损测试到工艺固化，起码需要迭代“刷过三版”以上，才具备规模量产与现场部署的成熟度。谈到末端执行器是否会将现有的工业夹爪切换为五指灵巧手（Dexterous Hand），Lindon 的态度相当克制。他明确表示未来一定会换，但在当前的具体工作流中，灵巧手不仅性价比极低，更关键的是“现在的灵巧手在工程可靠性与寿命上还远远没有 Ready”，盲目跟风引入只会给现阶段的商业落地带来不可控的运维灾难。
对于当前最困扰团队的核心瓶颈，Lindon 坦言是“如何弄到规模更大、质量更高的优质数据”。由于 Dyna 的模型架构具备极强的数据吞吐与消化能力，对多元数据的渴望远超同行，甚至连外部采购的高质量数据源也成为公司重点考虑的方向。从 Dyna-1 到即将展开的 Dyna-2，技术栈迎来了脱胎换骨式的剧变：涵盖了模型架构的本质重构、预训练数据集维度的几何级扩充、逻辑推理（Reasoning）链路的重塑，以及全身协同硬件本体的重构。回顾一路走来最困惑挣扎的低谷，Lindon 回忆起去年 9 月面对技术收敛方向的迷茫，正是由于果断收缩聚焦于“全工作流商业闭环与突破智能上限的交集”，团队才杀出了一条血路。
> “硬件本体是需要刷起码三版你才可以真正进入量产，才可以真正进入场景……如果说你在三年之后再去做这个硬件，那其实你就少了三年可以迭代的一个过程。” —— Lindon > > “我觉得换的时期是我们在灵巧手 Ready 的时候，我觉得现在灵巧手还不足以 Ready 去做落地。” —— Lindon
- **硬件规格界定权**：研究（Research）团队直接决定快门形式、传感器帧率及视场角等物理参数。 - **硬件迭代周期**：工业级量产本体必须经历至少 3 版全生命周期的工程迭代。 - **末端执行器选型**：当下商业落地坚持采用高可靠性夹爪，待五指灵巧手产业链与耐用度成熟后再行升级。
---
`02:13:00` 从 Dyna 1.0 到 2.0：从特定工作流走向通用大市场
梳理 Dyna 的产品生命周期，1.0 时代的核心战果是完整跑通了以洗衣/布草折叠等具体工序为代表的特定工作流系统，并实现了商业闭环的逻辑自洽。Lindon 总结道，1.0 时代最大的沉淀，是弄清楚了智能体若要支撑起复杂的现实工作流，其预训练模型究竟需要泛化到何种严苛尺度，以及语言指令驱动需要精准到何种细粒度。而在 Dyna 2.0 的战略版图中，整个体系将彻底挣脱单一垂直场景的束缚。
团队在 1.0 阶段搭建的数据飞轮与底层基础设施（数据高效流入、低成本训练、通过工作流转化为商业价值并反哺数据）已经完全运转成熟。这意味着，后续只要给系统灌入更庞大规模的多模态物理数据，机器人就能持续吞吐并学会全新的物理交互技能。因此，2.0 绝不再是一个针对特定垂直场景讲故事的局部系统，而是直接面向极其广阔的通用机器人市场（General Market）。Lindon 预测，要把 2.0 这场更宏大的战役打完，可能还需要半年到一年的深度攻坚，但前方的技术航道与战略目标已经极其透明而清晰。
> “1.0 形成的时候核心就是我们真正智能体要进化到什么程度，然后我们预训练需要提高多少，然后我们从预训练想得到的泛化和语言的结果是什么样子，才可以把一个工作流给立起来，我觉得这是我们最大的一个心得。” —— Lindon > > “脱离了场景的受限……去面对一个更大的市场，是做一个通用市场，因为其实飞轮其实已经搭起来了，就是这整个系统其实已经搭起来了，其实剩下就是给他更多的数据他就可以学习你的东西。” —— Lindon
---
`02:17:30` 团队文化与组织架构：扁平化、心流与 Agentic Coding 带来的效率跃升
聊到团队内部的组织文化，Lindon 展现出了极具感染力的一面。Dyna 的底色带有某种深沉的韧性（Resilience），这源于创始成员极其独特的背景：联合创始人 York 过去是做摇滚乐的，而 Lindon 自己则视创业为骨子里的狂热挚爱。这种特质塑造了一支极其纯粹的团队——不为机器人行业当下的喧嚣与浮躁所动，无论外界风口吹向哪家明星公司，团队始终只凝视着自己心中的那张终局技术蓝图。从组织形态来看，Dyna 的内部运转高度接近一个硬核实验室（Lab），保持着极高浓度的技术纯粹性。
```mermaid flowchart TD accTitle: Modern Flat AI Team Structure vs Traditional Hierarchy accDescr: 对比传统大厂10到11层的臃肿层级与Dyna在Agentic Coding加持下的两层极扁平组织架构。
subgraph Traditional ["传统科技巨头层级 (Traditional Hierarchy)"] direction TB T1["CEO / 决策层"] --> T2["VP / 高管层"] T2 --> T3["Director / 总监层"] T3 --> T4["...多达10至11层职级传递..."] T4 --> T5["基层工程师 / 执行层"] end
subgraph ModernAI ["Dyna 现代 AI 组织架构 (High-Density IC)"] direction TB M1["CEO & 核心决策者"] M2["一线工程负责人 / 极简 Manager (1层)"] M3["资深全栈独立贡献者 (Experienced ICs)"]
M1 <==>|"扁平穿透、直接对齐"| M3 M1 --- M2 --- M3 M3 -.->|"借助 Agentic Coding 放大数倍产能"| M4["高频探索 4 个并行方向"] end ```
在组织架构设计上，Lindon 结合以往在 Caper 创业以及被 Instagram 收购后的管理经验，推行了与传统科技大厂完全不同的“小而强”精英模式。相比于大公司（如 Google）动辄 10 到 11 层的冗密职级体系，Dyna 目前两地团队加起来不到 200 人，呈现出极度扁平的结构——CEO 与核心管理层可以直接穿透到一线的研发人员与资深独立贡献者（IC）。公司绝大多数 IC 曾经都具备管理经验，因为热爱一线创造而重新选择做 IC。他们拥有极高的专业素养，给出一个战略目标（Scope）便能自主完成任务拆解与高效执行。
这种架构不仅极大压缩了层级沟通与内耗的管理成本，更能让组织在极小单位内凝结成“一颗心”，全员沉浸在高度共频的心流（Flow State）之中。Lindon 强调，在当今 Agentic Coding（AI 编程智能体）全面爆发的时代，组织的人力逻辑已被彻底重塑。过去必须由 1000 人大兵团作战完成的复杂工程，如今可能只需要一两百名顶级人才配合 AI 就能搞定。原本需要耗费一个月编写和调试的底层工程代码，现在一周之内就能交付；团队由此释放出了 4 倍的带宽去同时在四个前沿方向上并行探索。这种由工具质变带来的研发迭代速度，正是推动通用具身智能加速逼近的最底层动力。
> “我们找最强的人做这件事情其实就够了……大家可以凝聚成一颗心的时候，我们就可以把这件事情做得更快的落地，其实跟人数是没有很大的关系，所以说我反而觉得人数多的时候更难成为一颗心。” —— Lindon > > “以前你一件事情需要一个月做，现在这件事情只需要一周了，那你就可以同时探索四件事情四个方向了，所以说本质上面迭代速度就开始变得非常非常的快了。” —— Lindon
- **人员构成与分布**：全球团队总人数不足 200 人，美国团队以算法 Research 为绝对核心，中国团队以硬件研发与供应链闭环为主。 - **人才模型**：高度密集的资深 IC（绝大多数具备前管理经验），单兵作战与任务自拆解能力极强。 - **研发效率放大**：全面深度融入 Agentic Coding 工具流，使工程实现周期缩短至原先的 1/4，实现多技术方向高频并行实验。
---
`02:22:30` 创业的修行之路：对抗强直性脊柱炎、《沉思录》与王阳明的“转念”
作为一名连续创业四次的“老兵”，Lindon 坦言自己对创业成就的理解发生了一场彻底的蜕变。早年创业时，他总不可免俗地依赖外部世界的功利标准来评判自我价值——融资金额的多寡、估值的高低、客户规模与营收体量、外界媒体的赞誉与喝彩；而如今，创业对他而言是一场直面自我的“修心之旅”。他不再活在外在投射的焦虑中，而是专注于向内探索，厘清底层商业与物理逻辑，活出一个更本真、更纯粹的自我。
这种向内修行的心智，始于十余年前他在创办 Caper 之初的一场身体磨难。Lindon 透露，自己在 18、19 岁时便被确诊患有罕见的免疫系统疾病——强直性脊柱炎（周杰伦同款病症）。免疫系统会无端攻击他自身的颈椎与脊椎，导致常人无法想象的生理剧痛。最艰难的岁月里，他不仅打喷嚏、行走牵扯着剧痛，甚至连在床上入睡时都在经历撕心裂肺的折磨。在漫长的怨恨与自怜之后，他迎来了一场精神上的顿悟与“转念”（Reframing）：不再将剧痛视作命运的不公惩罚，而是把它看作一场在自己肉身上展开的“科学实验（Experiment）”。通过长达十余年对自身作息、极端严苛的抗炎饮食、运动干预与自律控制的反复试错，他不仅总结出了一套专属的身体平衡法则，更奇迹般地把顽疾完全调理改善。
```mermaid flowchart LR accTitle: Reframing Mindset Transformation accDescr: Lindon通过强直性脊柱炎与创业挫折总结出的'转念'心理模型转变历程。
subgraph EgoState ["过往视角 (外部功利与对抗)"] direction TB E1["强直性脊柱炎: 怨恨命运不公与病痛折磨"] E2["投资人质疑: 评判对方'不懂技术/很傻'"] E3["评判标准: 融资金额、估值倍数、外界声量"] end
subgraph Shift ["关键转念点 (Reframing)"] direction TB S1["身体作为实验场: 极端自律调控作息饮食"] S2["向内求索: 《沉思录》与王阳明心学知行合一"] end
subgraph AwakenedState ["修心觉察 (向内走与系统认知)"] direction TB A1["身体自愈: 掌握物理躯体运行规律"] A2["包容新视角: 将投资人考量纳入战略参考"] A3["终极自由: 消除精神内耗，深耕本质逻辑"] end
EgoState ==> Shift ==> AwakenedState ```
这场身体实验所锤炼出的自律与“转念”能力，被他无缝迁移到了商业维度的重大考验中。早年面对无法理解自身前沿技术设想的投资人时，Lindon 往往会陷入对立情绪，本能地觉得对方“愚钝、不在一个频道”；而完成心理觉知后，他学会了跳脱出技术研发者的单一主观滤镜，意识到投资人背后有着极其庞杂而立体的考量维度（包括财务风控、本体供应链、技术演进节拍、商业终局推演以及对创始人特质的加权评估）。吸收这些原本无法接受的视角，反而为他的商业决策带来了极具启发性的战略盲区补充。
在漫长艰苦的创业长跑中，陪伴 Lindon 度过至暗时刻的不仅有古罗马皇帝马可·奥勒留的《沉思录》，更有中国明代思想家王阳明的心学典籍，乃至佛学与基督教哲学体系。在他看来，东西方先哲在底层逻辑上惊人地殊途同归——核心均在于“向内修行”。当一个人逐渐搞懂自己与外部世界相处的本质法则，学会将一切挫折与困境主动转念为向内觉察的正向养分，那些曾经撕扯身心的焦虑、浮躁与精神内耗，便会在洞见事物最底层物理规律的那一刻烟消云散。
> “最大的突破其实不是说病本质上好了很多，而是我转念了，我就我把病痛看成了一个 experiment，就是我如何能更改我的作息，我如何能更改我的饮食，我如何能更改自己来帮他解决这个问题。” —— Lindon > > “当你自己更了解自己，当你自己更了解真实的自己是什么，当你更了解这个世界的底层逻辑是什么样子的，其实你就会发现以前非常内耗的东西其实都没有必要内耗。” —— Lindon
`02:30:00` 告别讨好型人格：创业不是为了向外界证明自己
访谈进入内心剖析部分，韩铮坦言自己过去其实带有某种“讨好型人格”，非常在意别人的眼光。以前做完一场演讲，他会在事后反复回看录像，挑剔自己的表现，陷入内耗：“哎，我怎么会这样子说？为什么会在这里停顿？”他总会担心，如果某件事没做好，别人会不会讨厌自己，或者某个问题没想清楚，别人会不会觉得他很傻。
直到后来在一本书里看到一句话，他才彻底释怀——世界上最在乎你长相和表现的人，其实只有你自己。大家刷视频可能也就看个两分钟，滑过去就去看别的内容了，根本不会像自己想象的那样盯住细节不放。当泓君追问，既然现在创业不是为了向外界证明自己，那现在的驱动力到底是什么？韩铮回答：“我是想更好地活成真正的自己。”每个人初生时都是“见山是山”的纯真状态，顺从本心；但在成长过程中，世俗的规矩和害怕被嘲笑的恐惧让人吞下了限制，活成了“见山不是山”。他现在追求的自由，就是能够随心所欲地做想做的事，彻底摆脱外界评判的枷锁。
泓君打趣地问道，很多人一见到韩铮就觉得是个大帅哥CEO，帅哥创业究竟是一种什么感受，为何外形这么好的人内心包袱反而比别人更重？韩铮笑着澄清自己其实并不内耗，联合创始人甚至评价他是个“非常不敏感”的人。至于所谓“长得帅”，韩铮幽默地解释，那只是因为自己生活方式变健康了，“人都是这样子，你活得越健康，其实你看起来就越健壮，然后大家就会觉得你的气色或者你的神态更好。”
- 驱动力转变：从向外界证明自己、担心别人看法，转向向内探索，活出最纯粹的自我。 - 真正自由的定义：能够随心所欲地选择做想做的事，且完全不在乎外界的目光。
---
`02:32:47` 机器人的“世界杯”与迷雾中的探索
谈到这次创办 Dyna（苏度科技）与以往创业经历的不同，韩铮表示自己无比珍惜这次机会。他是真心热爱创业本身，只要热爱，就会不断琢磨如何进步，思考自己在行业中处于什么生态位。他将当前的机器人赛道比喻为一场顶级的“世界杯”：“我觉得机器人这件事情是一个世界杯……因为所有的行业里非常非常强的人其实都在这个赛道里，然后每个人其实都有他们自己的战略自己的打法，而且很多人做的事情其实我是非常敬佩、我是非常尊敬的。”正因如此，他是带着十足的敬畏心踏入赛场的，渴望把自己的“工匠精神（craft）”打磨到极致。
另一个截然不同的体验是技术与业务的极高复杂性。在技术路径尚未收敛、行业普遍浮躁且充满困难的大环境下，如何看清前方的道路是对创始人方向感和认知能力的巨大挑战。韩铮坦言，整个行业从第一天起就一直被重重迷雾笼罩，但正是在迷雾中凭着信念探出一条属于自己的路，才赋予了他巨大的成就感。
针对外界对 Dyna 的认知，韩铮作出了明确澄清： - **外界最不准确的看法**：认为 Dyna 是一家“deployment（场景落地部署）公司”。韩铮强调，公司从第一天起就不是以单纯做部署为核心定位的。 - **外界最准确的看法**：认可团队所做底层技术与产品的真正长期价值。 - **成功的终极定义**：从公司层面看，是让全天下的每一个人都有可能用上他们的机器人。 - **失败的终极定义**：韩铮指出，自己定义的失败其实是“修心的失败”——“如果我真的认为这件事情失败了，那其实我就失败了。”
---
`02:35:45` 战略迷失与“不做犯错CEO”的包袱
在探讨“修心”与冥想的区别时，韩铮解释，冥想是让头脑静下来的工具，而修心则是重构自己对世界的看法。人生遇到难关，有的可以通过改变外界和他人来解决，而那些无法通过改变外界解决的坎，就是属于自己的关卡，只能靠修心来完成内在超越。
韩铮透露，就在一年多前的阶段（去年底到去年初），他曾遭遇过极其痛苦的战略迷失。作为曾经成功过一次的连续创业者，他背负了沉重的心理包袱：“我的包袱是什么样？要做一个不犯错的CEO的包袱。”因为团队和投资人都是冲着他的过往成功经验来的，他生怕自己走错一步。然而，“为了不犯错而做决策，其实本质上就不是一个好的决策。”
他过去还曾有一种执念，想向所有人证明自己上次创业的成功“不是昙花一现”，这种自我证明式的 Ego 让他深受其害。在投行工作时，他习惯了一周工作 100 到 120 个小时的高压节奏，但他后来意识到，很多战略维度的根本问题不是靠硬堆工作时长就能解决的，它需要创始人彻底切换思维模型，屏蔽外界的噪音。
```mermaid flowchart TD accTitle: 战略迷失与心智突破循环 accDescr: 展示创始人从陷入不犯错包袱到回归第一性原则的心路历程
subgraph EgoTrap["心理包袱与战略迷失"] A["成功光环与执念<br/>'证明自己不是昙花一现'"] --> B["决策变形<br/>'做一个不犯错的CEO'"] B --> C["被外界节奏带偏<br/>看到别人做什么就想跟进"] C --> D["缺乏第一性原则<br/>团队战略飘动、内耗折腾"] end
subgraph Breakthrough["修心破局与回归本质"] D --> E["放下包袱与外界评价<br/>屏蔽市场噪音"] E --> F["获得团队/导师/家人无条件支持<br/>激发出发自内心的感恩"] F --> G["回归第一性原则思考<br/>找到内在自洽的技术与战略道路"] G --> H["团队方向收敛<br/>形成极强的稳定性和动力 (Momentum)"] end ```
---
`02:39:45` 破除认知的“天花板”：回归第一性原则
当韩铮走出这段战略迷茫期后，涌上心头的第一个强烈情绪是“感恩”。他深深感恩他的老师、妻子、孩子以及力挺他到底的两位联合创始人。他感慨道，自己因为害怕犯错反而做出了不少错误的战略判断，但核心团队依然无条件地包容他、扶持他，陪他一起攻关。
韩铮反思了当时的具体失误：战略下一步没有深思熟虑，看到市场上其他人在做什么，就急于跟进模仿，缺乏了自己的独立判断和第一性原则思考。其结果就是团队的技术方向不断飘动，“大家说这个我们就要去看这个，大家说那个要去看那个”，被市场节奏带着跑，团队既疲惫又迷茫。直到他们彻底想清楚自身最本质的技术追求，找到一套内在完全自洽的发展路径后，团队才迅速收敛，重新凝聚出极强的发展势头（Momentum）。
谈及如何打破认知的局限，韩铮感慨：“每一次每个人进入一个难关的时候，其实都是你自己认知的天花板。天花板在天花板上面的东西到底是什么，其实你是不知道的。”突破天花板有时需要靠顿悟，但更多时候需要身边充满善意与爱的人给予当头棒喝。收束念头的最好办法，就是从“以人为善”的纯粹初心出发，不再为了证明自己的 Ego，而是看清真实的自己。
- 关键教训：战略绝不能被外界的市场风向带节奏，必须建立在第一性原则的底层自洽之上。 - 团队突破难关的动力：来自合伙人与家人的信任与包容，将危机转化为认知的跃迁。
---
`02:44:00` 不知终点的马拉松：享受旅程而非紧盯目标
很多创业者在面对阻碍时，习惯于试图改变外界；韩铮认为，通过“改变自己、改变念头、改变看待世界的滤镜”来走创业之路，反而能走得更长远。创业本质上是一场没有具体距离提示的超级马拉松，“而且这个马拉松它不一样的是在于你不知道终点在哪里……当你不知道你要跑多久，然后你还一直在这条路上跑，而且你也完全完全看不到终点，也不知道终点在哪，也不知道前面那条路是什么样子的”，如果无法停止内在精神内耗，体力与心力根本支撑不到最后。
泓君指出，长跑最难受的往往不是鸣枪出发的瞬间，而是到了旅程中途四周空无一物、看不到终点的时刻。对于为什么创业才一年多就迎来了如此剧烈的心灵震荡，韩铮表示，心智难关的出现与客观时间长短无关。从外部看，那或许只是一次普通的业务方向修正；但对创始人内心的认知结构而言，却是一场脱胎换骨式的剧烈洗礼。
面对“如果这次创业的结果不如上一次好怎么办”的假设，韩铮表现得格外坦然：“本质上我是来赢的，就是我是希望好好打这场世界杯的。我觉得我打出了我自己的风采，我打出了我最纯真的自己，我打得尽兴，其实我就觉得已经非常开心了。”他强调，人生不能永远只死盯着终点，否则过程就会沦为纯粹的煎熬： > “其实我觉得人生我们一直都是在旅途上面，在每一个节点只不过是一个 checkpoint，而不是你的 goal。”
对于创业者来说，掉进坑里爬出来、再掉进坑里再爬出来，本就是必经的常态。
---
`02:48:30` 快问快答与人生底色
在节目的固定快问快答环节，韩铮分享了自己的生活细节、读书思考与家庭状态：
- **全球范围内最喜欢的食物**：家乡的“福州拌面扁肉”。 - **全球范围内最喜欢的地方**：“我觉得我老婆和孩子在的地方我都喜欢。” - **家庭情况**：30岁结婚，目前拥有三个可爱的女儿，年龄分别为一岁、两岁和三岁。 - **冷知识/人生感悟**：推荐核心理念为“修心”，做减法，抛去多余杂念。 - **推荐的一本人牛必读书籍**：推荐台湾作家林巨（或相关修心著作）关于人生态度的书，他特别强调《人生只有一件事》，核心是回到自心、向内审视，专注于自我修养。 - **关于具身智能的核心关注点**：在讨论对机器人进程产生关键影响的方向时，访谈尾声提到了从视觉（Vision）、物理规律（Physics）、本体特性（Proprioception）到环境感知与语言意图（Intention/Action）的软硬件融合路径。
## Notable quotes > `02:00:00` 大脑决定了你这个产品的下限，身体决定了你产品的上限，所以我觉得长期来说可能会形成一个成本和质量战。 — Lindon
> `02:35:45` 为了不犯错而做决策，其实本质上就不是一个好的决策。 — 韩铮
> `02:00:00` 智能体没有供应链是没有办法做出世界级的机器人的。 — Lindon
> `01:56:40` 当你把智能体本身完成了，然后你再去跑 deployment 闭环的时候，你就会发现你落后了两三年。 — Lindon
> `00:00` 我是非常理想主义的人，我来做机器人不是为了赚钱的。我觉得闻得到钱是生存的一条路。我的梦想是星辰大海，可是我的路径是需要脚踏实地。 — Linden
> `01:56:40` 有闭环才有反馈，有反馈才知道你下一步该怎么走。 — Lindon
## Mentioned 韩铮, 泓君, 苏昊, 杨世远, Jason, 李飞飞, Sam Altman, Jeff Ralston, 马可·奥勒留, 王阳明, 林巨, Dyna Robotics, 苏度科技, Caper, Instacart, Y Combinator, First Round Capital, Lux Capital, Amazon, Google, Google DeepMind, Facebook, Uber, Physical Intelligence, Generalist, 波士顿动力, 宇树科技, 智元机器人, 特斯拉, ImageNet, ShapeNet, Sapien, Dyna-1, Dyna-2, sudo R1, Amazon Go, Atlas, Optimus, Skild, Figure, ChatGPT, GPT-3, GPT-3.5, DALL-E, Jasper, UMI, 沉思录, 原子习惯, 人生只有一件事, CoRL
## Video description 机器人已经能在舞台上做到翻跟头、表演武术了，但要让它在开放环境里伸手帮你拧开一个瓶盖，难度陡然跃升2到3个量级——因为那一刻，它需要理解眼前的物理世界。
这正是苏度科技想啃下的硬骨头。苏度科技联合创始人、董事长苏昊是ImageNet的核心作者之一，师从李飞飞。这家公司走了一条与硅谷主流"纯大脑黑盒大模型"不太一样的路：软硬件协同设计，上下分层架构，上层负责任务规划与环境理解，下层负责具体物体操作；Sim-to-Real作为核心训练范式，让机器人在虚拟世界里经历几百万年的进化，再迁移到现实。
这条路已经跑出了一定成效：面对从未见过的新物体，他们的零样本通用抓取单次成功率接近100%。
本期硅谷101，我们邀请苏度科技CEO韩铮，一起聊聊机器人“动手”怎么实现？他预测，接下来会有更多的硅谷公司重新回到“上下分层”的方向上来。
【主播】
泓君，硅谷101创始人，播客主理人
【嘉宾】
韩铮，苏度科技联合创始人&CEO
【你将听到】
机器人“动手”的数据根基
03:17 为什么做全栈（大脑+本体）通用机器人？
07:14 苏昊早年经历：从图片标注ImageNet，到3D数据集ShapeNet
11:08 3D数据收集，难在哪里？
13:21 仿真需要亚毫米级精度，视频训练无法达到
16:33 什么是Sim-to-Real（从仿真到现实）？
18:08 创业时机的判断：DALL-E带来的数据拐点
Sim2Real技术验证与关键突破
21:40 仿真器的技术内核：经典物理法则+强化学习
24:17 数据集质量与规模的平衡：自建结构化3D数据集
28:05 实际效果如何？零样本通用抓取，一次性成功率98%
32:11 回应Demo质疑：去学术会议现场随机环境中演示
34:22 基础Zero-Shot泛化能力比长程任务串联更为关键
35:45 灵巧手虽好，但不是当下的性价比最高的方法
技术路线之争
38:16 商业模式思考：硬件+底层模型+API，类比智能手机生态
41:23 仿真器与机器人本体，必须软硬件协同设计强绑定
44:04 如何教会机器人拧瓶盖？加入真实世界数据更高效
44:51 难度对比：操作物体比运动控制难2~3个数量级
47:28 白盒与黑盒之争：分层模型，在预训练中融入物理理解
51:11 Sapien仿真器，让机器人像幼童第一次拧瓶盖一样操作
53:27 数据冷启动困境：无法复刻特斯拉，必须靠仿真做冷启动
55:38 嘉宾预言：被硅谷抛弃的“上下分层”即将重回主流
全球机器人竞争格局
59:08 实现机器人动手，软硬件强结合的公司才能做到
01:00:34 硅谷明星公司点评：Skild、Figure、Optimus
01:05:40 为什么最看好DeepMind+波士顿动力Atlas的组合？
01:09:01 亚马逊机器人，场景多但整合困难
01:10:02 为什么多数公司退回垂类？因为不知道通用该怎么走
01:12:43 不做垂类押注，而是构建开发者生态，目标是成为机器人时代的“iOS+硬件”
【延伸阅读】
节目中提到的Demo：sudo R1评测——60分钟连续无剪辑实测
【硅谷101正在招聘】
《硅谷101》招聘多个全职岗位，欢迎加入我们的超酷的深度内容工作团队！
👉🏻点击查看招聘详情
【监制】
泓君
【后期】
Amei
【运营】
朱婕
【BGM】
Particle Emission - Silver Maple
My Moon and Your Sun - Hampus Naeselius
On the March - Brendon Moeller
Quietly Tense - Marten Moses
【在这里找到我们】
公众号：硅谷101
收听渠道：Apple Podcast｜Spotify｜小宇宙｜喜马拉雅｜蜻蜓FM｜荔枝FM｜网易云音乐｜QQ音乐
其他平台：YouTube｜Bilibili 搜索「硅谷101播客」
联系我们：podcast@sv101.net Special Guest: 韩铮.
[Source](https://www.xiaoyuzhoufm.com/episode/6acf81f0195d838e2af1e281)