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

概览

本期对话围绕 Dyna Robotics 创始人兼 CEO Lindon 展开。讨论从他的连续创业经历切入：少年时期经营游戏账号和珠宝生意，离开投行创办无人零售公司 Kaber，经历数百次融资拒绝后完成公司出售，再进入 Instacart 学习大型组织的产品与管理方法。

对机器人行业，Lindon 将中美路线概括为偏重大脑与偏重身体的两种思路，而 Dyna 选择同时掌握模型、硬件和供应链。公司自称“产品研究”团队：不为单纯部署或论文而研究，而是通过真实产品闭环识别智能边界，再用这些反馈决定预训练、后训练和硬件的下一步。

Dyna 从高成功率的餐巾与衣物折叠开始，逐步扩展到包含取料、运输、折叠和下料的完整工作流。其核心判断是，机器人未必需要先达到完全通用智能才有商业价值；只要智能水平与产品形态、工作流复杂度相匹配，就可能率先在酒店洗衣房等 B2B 场景形成可扩展的产品市场匹配。

访谈后半段转向组织与个人成长。Lindon复盘了公司一度在“落地还是研究”之间迷失的经历，也谈到自己如何放下“不允许犯错”和向外界证明自己的包袱，将创业视为一场没有明确终点的长期修行。

分段落总结

[00:00] 中美机器人路线与“全栈派”定位

[事实] Lindon认为，中美机器人产业都存在频繁发布新品、争取融资等浮躁现象。

[事实] 他将美国的典型思路概括为“大脑派”，认为智能是主要问题；将中国的典型思路概括为“身体派”，更重视供应链与本体。

[事实] Dyna将自己定位为“全栈派”，希望同时推进模型、硬件、运控和供应链。

[03:11] 从少年生意到商业直觉

[事实] Lindon出生于中国，11岁赴美，并在具有创业氛围的环境中成长。

[事实] 他14岁开始交易游戏账号和装备并搭建买卖平台，随后还做过软件、鞋类等生意。

[事实] 大学期间，他从珠宝库存交易切入，将面向消费者的业务转成连接美国设计师与中国供应链的 B2B 生意。

[事实] 他认为自己喜欢的并非金钱本身，而是把一件事情做对之后获得的反馈。

[08:34] 离开投行，押注无人零售购物车

[事实] Lindon最初学习医学，后来转读金融，并在投行工作两年多后直接创业。

[事实] 2017年前后，无人零售因 Amazon Go 走红，但他走访约150位超市老板后发现，改造门店的方案成本高、缺乏投资回报，即使免费提供也未必有人愿意采用。

[事实] 团队因此把视觉识别与传感器融合装进购物车，用更简单的产品解决“谁付钱”和“付多少钱”两个问题。

[推测] 这段经历形成了他后来反复强调的产品观：技术概念是否先进并不充分，必须从客户的成本结构和真实工作流反推产品。

[12:44] 数百次拒绝与“蟑螂式”生存

[事实] Kaber首次申请便进入 Y Combinator，但从该批次毕业时只融资约30万美元。

[事实] 四位联合创始人与早期员工住在一起，团队每月仅消耗约7000美元，并以这种方式坚持约两年半。

[事实] Lindon曾联系一千多名天使投资人，仅转化两人；种子轮接触一百多家机构，最终只有 First Round Capital 投资。

[事实] A轮融资也经历约60家机构的拒绝，最终获得 Lux Capital 约千万美元投资；公司后来在B轮阶段收到融资条款与收购邀约，并选择出售。

[事实] 他把一次次拒绝视为强化学习：失败提供反馈，迫使创始人调整认知和方法。

[24:11] 把创业者当作“脑力运动员”

[事实] Lindon长期坚持早起、运动和规律饮食，通常清晨运动，晚上约11点休息。

[事实] 他认为CEO最关键的职责是“找方向”，而清醒、健康的身体状态会直接影响重大决策质量。

[事实] 他将自律理解为降低日常选择所占用的注意力，使运动和饮食成为无需反复决策的习惯。

[28:25] 被收购后的三年管理课

[事实] 出售公司后，Lindon在 Instacart 工作约三年，希望向来自 Uber、Facebook、Google 等公司的管理者学习。

[事实] 他学习了如何说明项目的重要性、理解CEO的底层动机，并让项目目标与公司目标保持一致。

[事实] 他也改变了用人观念：并非所有人都能通过纠正突破现有认知边界，管理者需要更清楚地定义岗位所需的人才画像。

[事实] 他曾直接或间接管理三百多人，但最终认为自己的个性仍更适合创业。

[32:12] 创业是一件需要长期打磨的作品

[事实] Lindon把创业比作匠人创作，公司的技术、文化、产品与管理共同构成一件作品。

[事实] 再次创业前，他与合伙人考察过AR、能源、量子、生物科技和AI等方向，最终认为机器人既可能改变世界，也与团队既有经验最匹配。

[事实] 他认为自己的优势是看得远、理解商业终局并倒推战略路径；缺点则是表达过于宏观，常难以把漫长的逻辑链清楚拆解给他人。

[事实] 他自称“现实的理想主义者”：做机器人不是为了赚钱，但商业嗅觉是活下去并抵达长期理想的必要路径。

[39:01] 联合创始人画像与路线分歧

[事实] Dyna寻找研究联合创始人时，重点考察研究品味，以及将学术成果转化为现实影响的意愿。

[事实] 团队在战略迷失期出现过明显分歧：一部分人主张尽快落地，另一部分人主张集中做研究。

[事实] Lindon认为，如果落地不能形成可扩展的产品市场匹配，单纯部署并非长久产品；但完全脱离产品闭环的发散研究，也可能无法把问题做透。

[事实] 团队最终通过拉长战略周期，找到一个既能提升智能、又能形成商业闭环的共同目标。

[43:17] “产品研究”而非单纯研究或部署

[事实] Dyna从成立之初便希望成为产品研究导向的公司。

[事实] 其研究需要受到长期产品价值的约束，并按照阶段性优先级集中资源，而非同时发散探索所有方向。

[事实] Lindon表示，公司对未来产品形态已有相对清晰的判断，因此采用从产品终局倒推研究任务的方式。

[推测] 这套方法试图把研究的不确定性转化为一系列可验证的产品假设，使商业化既是收入来源，也是研究工具。

[46:20] Dyna One：从折叠任务验证商业化下限

[事实] 团队判断早期基础模型速度慢、动作混乱且难以连续执行，因此把目标设为99%的成功率和人类50%至60%的速度。

[事实] Dyna One可以连续24小时折叠餐巾，成功率超过99%，随后又扩展到衣物折叠。

[事实] 团队选择折叠，是因为失败后可以重做，物料损失和质量风险低，同时又能检验软体操作、速度与泛化能力。

[事实] 在衣物类型、尺寸、面料和环境变化方面，团队发现十多个环境的数据便可能支持对新环境的零样本泛化。

[53:03] 真实部署暴露的“最后一公里”问题

[事实] 团队在真实场景部署时发现，演示可行不等于产品可用：客户需要完整折叠、整齐堆放和每天约1300张餐巾的产出。

[事实] 机器人误抓两张餐巾后可能需要约两分钟恢复，而正常折叠一张只需约20秒，少量异常便会显著拖低全天产量。

[事实] 团队还必须解决餐巾在容器中的摆放位置和整齐程度，这些细节直接影响客户对成果质量的判断。

[事实] 这些部署反馈让团队意识到，模型鲁棒性主要来自预训练，因此资源配置从预训练与后训练各半，转向大幅增加预训练投入。

[63:24] 从单项任务升级为完整工作流

[事实] 客户现场仍需要人员照看机器人，团队将这一角色称为“机器人保姆”。

[事实] 为去掉机器人保姆，产品必须覆盖取料、移动、放置、折叠、成品运输和重新取容器等完整流程。

[事实] 工作流由多个任务串联，每一步的失败率都会累积，因此必须提高每个环节的成功率并处理大量边缘情况。

[事实] 团队表示，目前机器人已经能在不同场景跑通完整工作流，但商业项目尚未全部完成落地。

[67:19] Dyna 2的三层智能系统

[事实] Lindon将Dyna 2的技术体系分为 System 2、System 1和System 0。

[事实] System 2是具身推理层，用于理解物理属性、环境状态、语义、任务阶段以及下一步行动。

[事实] System 1是世界—动作模型，将语言指令转换为动作；System 0则通过运控与强化学习输出快速、流畅且准确的轨迹。

[事实] 团队观察到新任务只需少量示范便可学习，语言控制的敏感度也有明显提升，具体结果计划在产品发布时进一步说明。

[70:49] 商业价值不在于比人快，而在于工作更久

[事实] Lindon承认，受硬件、运控和数据速度制约，机器人目前很难达到人类的瞬时工作速度。

[事实] 团队将商业指标设为：机器人全天24小时的总产出至少达到一个人工作8小时的产出。

[事实] 他表示，该产出目标已经被超过。

[推测] 这一指标将竞争焦点从单次演示速度转向长期稳定运行，更贴近客户实际购买劳动力产能的逻辑。

[72:29] 为何先做B2B，而不是家庭机器人

[事实] Lindon将家庭机器人视为一种终极形态，但认为家庭市场对安全、边缘情况、速度、审美和个性化偏好的要求极高。

[事实] 即使机器人能够在家庭中泛化，也不代表产品一定能满足每位消费者的主观预期。

[事实] 他认为B2B需求可能大于B2C，因为企业需要持续生产更多商品与服务，工作环境也更容易标准化和控制安全风险。

[事实] 其基本判断是：如果机器人连范围可控的洗衣房工作都做不好，就更不可能处理千差万别的家庭衣物与环境。

[78:46] 酒店洗衣房：研究闭环与商业闭环的交点

[事实] 每家酒店的洗衣房通常需要约2至5名员工，洗衣又直接关系到客房能否正常交付。

[事实] Lindon称，美国约有10万家酒店，洗衣工作流本身具有数十亿美元级别的潜在市场。

[事实] 洗衣房具有容错率较高、节拍要求较低、付费意愿较强等特点，并且多数酒店的流程大同小异。

[事实] 团队并不按商业、工业或家庭场景划分市场，而是按工作流复杂度分层，再让机器人能力逐级覆盖更长、更复杂的流程。

[87:16] 用大规模人类经验推动预训练

[事实] Dyna将预训练视为必须持续做大、做强的基础工作，并称其即将发布的数据集在行业中规模领先。

[事实] 团队在约一百万小时的第一视角人类数据上观察到明显的规模规律。

[事实] Lindon此前更强调最高质量数据，后来在工作流实践中转向优先追求广泛、多样的人类经验，再在达到足够规模后做质量筛选。

[事实] 团队同时使用真实机器人、仿真及其他形态的数据，认为数据来源只是手段，关键是训练目标与长期数据形态。

[事实] 预训练当前重点改善两项能力：减少新任务所需的示范数量，以及增强语言跟随能力以连接完整工作流。

[95:52] 机器人终局是智能与产品形态的共同演进

[事实] Lindon认为，机器人的最终形态可能是接收一个模糊指令后，能够自行完成整件事情，类似通用智能体或编程智能体。

[事实] 他认为技术进展可能长期看似平缓，却在某个节点突然跃迁，因此无法准确预测具身智能达到终局需要多少年。

[事实] 他判断，机器人不必先实现完全通用智能，才成为人人可用的产品。

[事实] 他以GPT-3到ChatGPT为例，强调用户规模的跃迁不仅来自模型能力，也来自API转向对话产品的形态变化。

[推测] Dyna的核心赌注并非某一种固定机器人外形，而是建立一种能让不同用户有效使用机器人的产品与交互系统。

[119:34] 中国供应链与全栈能力

[事实] Lindon认为，没有供应链，仅有智能模型无法做出世界级机器人。

[事实] Dyna从第一天起便建立中国团队，目前约有四五十人负责硬件研发与供应链，整机链路已经跑通。

[事实] 公司已进入百台级工作流机器人的初步量产阶段，并放弃量产无法形成完整闭环的上一代产品。

[事实] 他认为短期内智能更关键，但从十年尺度看供应链可能更重要，因为客户最终获得的是硬件产品。

[事实] 他将二者的关系概括为：大脑决定一件事能不能做，身体决定它能做得多好。

[123:06] 行业竞争、收敛与软硬件协同

[事实] Lindon认为当前机器人行业尚未形成真正的市场份额竞争，各团队仍以相互学习、公开研究结果为主。

[事实] 他预计未来一两年，模型架构、数据和产品方向可能出现更明显的收敛。

[事实] Dyna由研究团队定义相机帧率、快门、视角等硬件需求，以智能能力反向驱动本体设计。

[事实] 他认为现在做全栈并不算早，因为硬件至少需要多轮迭代才能进入真实场景；等大脑成熟后再开始做硬件，会损失宝贵的迭代时间。

[133:55] 战略迷失与工作流共识

[事实] 从Dyna 1到Dyna 2，公司在模型架构、预训练数据、运控和硬件方面均发生较大变化。

[事实] 团队一度因为单项任务无法形成商业闭环，而困惑于应该继续部署还是转向纯研究。

[事实] 最终确定的工作流路线同时满足两项目标：形成商业闭环，并推动智能上限提升。

[事实] 团队表示，围绕第一个工作流建立的数据与训练系统已形成飞轮，下一阶段将通过更多数据进入不受单一场景限制的通用市场。

[138:07] 小而强、扁平化的AI组织

[事实] Dyna内部研究实验室属性较强，美国团队以研究为主，中国团队以硬件和供应链为主。

[事实] Lindon主张“找最强的人做最重要的事”，团队许多个人贡献者拥有管理经验，能够自行拆解和执行较大范围的任务。

[事实] AI与编程智能体降低了工程成本，使管理层可以更直接地连接执行者，并让公司组织更加扁平。

[事实] 他预计公司仍会扩大，但过去需要一千人完成的工作，如今可能只需要一两百人。

[事实] 编程智能体把原本一个月的工程任务缩短到一周后，团队便能同时探索更多方向，整体迭代速度显著提高。

[144:24] 第四次创业：从外界评价转向内在标准

[事实] Lindon过去常用融资额、估值、客户和收入评价创业成就，现在更重视是否把问题及底层逻辑思考清楚。

[事实] 他把创业中的每次困难视为修行，认为改变看待问题的角度，可以减少怨恨与内耗。

[事实] 他患有强直性脊柱炎，年轻时曾因长期疼痛怨恨自己的遭遇，后来将其视为调整作息、饮食和身体状态的长期实验。

[事实] 经过十多年探索，他认为病情已被调整到较稳定的状态，自律也由此成为生活方式。

[151:01] 放下证明自己，重新理解自由与成功

[事实] Lindon过去会因他人评价、演讲表现或担心显得愚蠢而内耗，后来意识到外界并不会像自己一样长时间关注这些细节。

[事实] 他如今创业的驱动力是“活成真正的自己”，并将自由理解为选择自己想做的事、不再过度在乎他人看法。

[事实] 他把机器人创业比作世界杯，希望与优秀团队同场竞争，并把公司作为自己的长期作品。

[事实] 对他而言，公司层面的成功是让每个人都有机会使用其机器人；个人层面的失败则是放弃内在修行。

[157:23] 从“不许犯错”到找回战略方向

[事实] 去年底的战略迷失是Lindon近年的重要难关，他一度背负“成功过的CEO不能犯错”的心理压力。

[事实] 为避免犯错而做出的决策反而不够明智；团队也曾追随市场热点，缺乏自己的判断与第一性原则。

[事实] 公司当时还存在文化建设不足、凝聚力不够和技术选择不够本质等问题，浪费了部分团队时间。

[事实] 当团队找到自洽的产品研究方向后，战略重新收敛，执行势能也随之增强。

[事实] Lindon表示，联合创始人、团队、老师和家人的支持帮助他度过了这次认知瓶颈。

[164:34] 没有终点的创业长跑

[事实] Lindon认为，每位创业者都会遇到难关，区别在于选择改变外部世界，还是调整自身看待世界的方式。

[事实] 机器人创业像一场看不到终点、甚至不知道中点在哪里的马拉松，创始人必须持续稳定心态。

[事实] 他不再只用最终结果衡量这次创业，而是希望打出自己的风格、尽兴完成这场比赛。

[事实] 他将人生中的阶段性成果视为检查点，而不是唯一目标；如果不能享受过程，整个旅途就会变得煎熬。

[推测] 这套心态与Dyna的战略方法相互呼应：接受终局不可见，通过一个个可验证的闭环持续校准方向。

播客点评/总结

本期最有价值的部分，是把机器人创业从抽象的“通用智能竞赛”还原为一连串具体选择：怎样挑选容错率合适的任务，如何从单项演示走向全天运行，哪些问题应由预训练解决，哪些必须依靠后训练、运控、硬件和现场流程共同处理。

Lindon提出的“产品研究”框架也颇具启发性。它既不否认基础研究的重要性，也不把部署数量等同于产品成功，而是让真实闭环成为研究方向的反馈机制。关于B2B先于B2C、按工作流复杂度而非行业场景划分市场，以及大脑决定下限、身体决定上限等判断，都为观察机器人公司的路线提供了清晰坐标。

本期的局限在于，Dyna 2的数据规模规律、泛化结果、成本结构和商业部署仍有不少细节尚未公开，部分技术与市场判断主要来自创始人的自述，尚缺少外部数据验证。关于家庭机器人需要三五十年、未来一两年可能在具体场景形成产品市场匹配等时间判断，也更适合作为个人判断而非确定结论。

[推测] 这期节目尤其适合机器人创业者、投资人、产品负责人和关注具身智能落地的人，也适合正处于战略迷失期的创始人。它真正讨论的不只是机器人如何工作，更是一个团队如何在技术尚未收敛、终点不可见的环境中，靠闭环、韧性和自我修正继续前进。