再访Dyna Robotics：被部署教训了300天后，找到机器人Scaling Law【101视频

🤖 战略定位与技术路线

Dyna Robotics 坚持“大脑+本体”的全栈技术路线，明确拒绝仅做模型层的纯软件模式。公司认为，解决真实世界中的系统稳定性与硬件协同问题必须依赖端到端的物理智能体架构，而非孤立的算法突破。其核心战略在于通过积累高可靠性的实际工作场景经验，建立区别于学术型或炫技型公司的竞争壁垒。技术选型遵循“简单即高效”的原则，优先采用能够规模化且优雅的架构，避免过度复杂化导致部署失败。在硬件形态上，公司采取务实策略，采用半人形加底盘的设计以平衡数据迁移效率与落地可行性，暂不追求双足行走或高自由度灵巧手，因为当前硬件成熟度尚不足以支撑直接商业化部署中的长任务流稳定性。这种全栈闭环战略旨在将模型、硬件、部署及基础设施紧密结合，形成完整的物理智能体解决方案，从而在商业场景中实现极高的精度与稳定性，解决单一模型层无法触及的运营层面隐性瓶颈。

📊 数据策略与缩放定律

机器人领域面临的核心挑战在于难以积累百万小时级别的遥操作数据，因此 Dyna Robotics 确立了以第一人称人类视频作为最可扩展预训练数据源的策略。通过利用大规模人类视频进行预训练，公司发现了机器人领域的“跨本体迁移缩放定律”：当预训练数据量从 100 小时增加至 100 万小时时，模型对未见过的机器人动作预测能力显著提升，验证了跨本体迁移的有效性。这一发现表明，通用性的获取依赖于大规模视频数据的预训练，而实际落地的高精度则依赖高质量的后训练遥操作数据。在成本效益方面，百万小时人类视频的预训练成本远低于同等规模的遥操作数据采集。值得注意的是，从 10 万到 100 万小时的缩放斜率下降主要源于标注质量的稀释，而非定律本身的失效。此外，触觉等高频信息模态可能通过少量数据在后训练中高效补充视频数据的不足，形成多模态协同优势。这种数据策略不仅降低了前期研发成本，更为后续的商业化部署提供了坚实的数据基础，使得模型能够在保持泛化能力的同时，满足特定场景下的严苛精度要求。

🏭 商业落地与性能指标

Dyna Robotics 的商业模式聚焦于 B2B 工业场景，认为其比 C2C 家用市场更易验证投资回报率（ROI），主要因为安全门槛较低且测试集明确。在具体的部署案例中，第二代产品 Dyna 2 在鼎泰丰场景实现了每小时处理 95 张餐巾的效率，日均处理量达 1590 张，远超初代模型仅 35 张/小时的水平，并满足了客户 18 小时班次的严苛需求。这一性能提升源于对真实环境反馈的持续迭代，解决了速度、语言跟随及故障恢复等难题。尽管 Dyna 1 在实验室环境中达到了 99.4% 的成功率，但在实际商业部署中仅有 75% 符合客户标准，例如餐巾折叠整齐度需达到毫米级误差。通过引入真实环境反馈机制，公司逐步克服了从实验室到工厂的“最后一公里”障碍。新发布的半人形机器人“Taku”进一步展示了端到端洗衣房全流程能力，涵盖洗、烘、叠、收纳等环节，无需人工干预即可运行，体现了高鲁棒性的全身运控与推理能力。这些案例证明，通过大规模真实部署发现并解决运营层面的隐性瓶颈，是建立长期竞争力的关键路径。

🧠 模型架构演进

技术架构从 Dyna 1 的视觉-语言-动作（VLA）模型转向 Dyna 2 的世界动作模型（WAM）。这一转变的核心在于利用预训练视频模型预测未来世界状态，从而显著提升模型的泛化能力与长任务规划水平。WAM 架构强调对物理世界动态变化的理解，而非仅仅映射输入到输出的动作序列。这种架构演进使得机器人能够更好地处理复杂、非结构化的环境变化，提高了在未见场景中的适应能力。同时，公司指出 VLA 与世界模型将逐渐融合，预测未来状态将成为核心能力。模拟数据生成被视为解决数据稀缺的关键前沿方向，旨在通过合成数据补充真实数据的不足。在后训练阶段，高质量遥操作数据被用于确保商业场景下的极高精度与稳定性，弥补预训练模型在特定任务细节上的不足。这种分层架构设计既保留了大规模视频预训练的通用性优势，又通过后训练实现了针对特定工业任务的精细化控制，形成了技术上的双重保障。

🏢 行业竞争格局

当前机器人行业正处于从演示（Demo）向商业落地过渡的关键阶段，类似大语言模型从 GPT-2 到 GPT-3 的演进时期。虽然特斯拉等大厂在数据基础设施上拥有显著优势，但初创公司通过部署飞轮获取高质量闭环数据，形成了独特的竞争优势。物理世界的切换成本较高，使得早期占据分发渠道并积累真实运营数据的公司在长期竞争中更具韧性。行业内部存在炒作泡沫，但真实的技术进展已足以在特定场景实现落地。核心竞争力不再单纯依赖于模型架构的创新，而是转向部署能力与数据闭环的构建。Dyna Robotics 通过聚焦“无聊”但高可靠性的实际工作场景，避免了陷入纯学术或炫技型的竞争陷阱。这种策略使得公司能够在硬件成熟度有限的情况下，依然提供具有商业价值的解决方案。随着行业标准的逐步确立，具备全栈整合能力和大规模部署经验的企业将更有可能在物理智能领域占据主导地位，而单纯依赖算法突破的公司可能面临商业化落地的巨大挑战。

🚀 未来展望与结论

Dyna Robotics 的未来发展将继续探索移动操作（Mobility + Manipulation）及更大规模的数据缩放。第三代产品 Dyna 3 预计将在保持现有稳定性的基础上，进一步提升机器人的自主性与环境适应能力。行业共识认为，世界模型与 VLA 的融合是技术发展的必然趋势，而模拟数据生成将是解决数据稀缺问题的关键手段。商业落地路径将逐步从简单的重复性任务向更复杂的长任务流扩展，但 B2B 工业场景仍将是验证 ROI 的主要阵地。结论表明，机器人行业的成功关键在于模型、数据与硬件的协同进步，以及通过大规模真实部署发现并解决运营层面的隐性瓶颈。Dyna Robotics 通过积累高可靠性的实际工作场景经验，建立了区别于纯学术或炫技型公司的竞争壁垒。尽管行业存在泡沫，但真实进展已足以在特定场景落地，核心竞争力在于部署能力与数据闭环，而非单一的模型架构创新。未来，随着硬件成熟度的提升和数据规模的扩大，机器人有望在更多领域实现规模化应用，重塑劳动力市场结构。