导读：“无聊”可能是对商用机器人最高的赞美。Dyna Robotics没有让机器人跳舞或打拳，而是让Taku进入洗衣房，连续完成取衣、操作机器、转移、烘干、折叠和上架。它在约300天真实部署中认识到，机器人不能落地，往往不是少一双灵巧手或一双腿，而是模型、硬件、数据、控制和可观测系统还没有形成闭环。Dyna-2因此从VLA转向世界动作模型，以超过100万小时第一视角人类视频寻找具身智能的Scaling Law。
01 / 机器人接近“GPT时刻”了吗？Jason Ma的答案更克制
Dyna Robotics联合创始人Jason Ma认为，机器人行业可能处于语言模型GPT-2到GPT-3之间，但两者并不能简单类比。语言模型部署到手机和电脑几乎没有物理门槛；机器人即使模型变强，也要解决本体、供应链、控制、安全、维护和现场适配。
他更愿意参考自动驾驶：十多年前已经能做出精彩演示，但从演示到用户真正叫到一辆无人车，中间是漫长的真实世界迭代。具身智能也不会因为一个模型发布就瞬间普及。模型、数据和硬件必须共同进步。
Dyna选择大脑与本体一体化。客户不会为“用了VLA还是世界模型”付费，只关心机器人能否在自己的场景完成复杂、多样且连续的任务。硬件设计也必须吸收模型训练和部署反馈，才能形成飞轮。
02 / 不做双足与灵巧手：真实部署先决定硬件形态
Dyna没有直接做双足全人形，而是采用半人形上身、双臂夹爪和移动底盘。这个选择并非否认腿和灵巧手的长期价值，而是在“接近人类操作形态”与“今天就能稳定部署”之间取平衡。
如果预训练从人类第一视角视频学习，机器人越接近人的操作结构，迁移越自然；但现阶段双足和多指灵巧手的成熟度、速度、遥操作效率和维护成本仍会拖累落地。Dyna内部继续研究灵巧手，却没有急于塞进当前商业系统。
团队认为，今天不能落地的主要原因不是没有腿或手，而是整个系统不够好。现场需要完整的可观测性：模型做了什么、电脑资源是否争用、传感器是否异常、失败发生在哪一步，都必须能被记录和诊断。
03 / 从AlphaGo到机器人：强化学习为什么不能直接照搬
Jason Ma在高中阶段见证AlphaGo战胜李世石，随后进入强化学习与机器人研究。他认同强化学习在奖励明确、模拟器可靠的环境里极其强大，但机器人操作恰恰缺少这两个条件。
游戏规则天然提供奖励，仿真也能并行数千个环境；现实中的抓取、切菜、布料整理和密集接触任务，很难写出完整奖励函数，也难以建立足够准确的模拟器。直接在真机上强化学习，并行度低、成本高、硬件还会损耗。
这也是Dyna早期选择毛巾和衣物的原因：布料难操作，却不容易因为力度误差造成严重损坏，适合让商业化与技术迭代同时推进。
04 / Meta、Google、英伟达经历：人类视频一直是主线
Jason Ma博士阶段的重要判断是：机器人数据太少，必须从人类视频学习物理任务。VIP研究利用视频的时间顺序学习价值先验，判断任务进度；Ego4D等第一视角数据则证明，人的日常活动可以被规模化记录。
在英伟达参与Eureka研究时，团队让GPT-4编写奖励函数代码，在模拟器中训练策略，再把表现反馈给模型继续改写。这是较早的递归式奖励改进路线。后续Dureka进一步探索语言模型与奖励设计，但这些方法距离可靠商业部署仍有工程距离。
这段经历解释了Dyna-2为何押注人类视频：人的动作天然包含任务结构、物体状态变化和接触经验。如果能从大规模视频学习世界如何变化，再用少量机器人数据适配本体，就可能绕开昂贵的遥操作数据瓶颈。
05 / 为什么创业？把研究真正送进客户现场
在大公司做研究可以探索前沿问题，但商业机器人要求团队对完整结果负责：模型、硬件、控制、数据采集、运维和客户流程缺一不可。Jason Ma选择创业，是希望把研究从论文和演示推进到真实生产环境。
Dyna的路线因此非常产品导向。团队从未来要生产、部署数万台机器人倒推今天必须解决的问题，而不是先追逐最炫目的动作。研究选题、硬件形态和数据采集都要回答同一个问题：它是否能提高客户现场的成功率和ROI。
06 / 300天部署的教训：任务一变长，错误会像熵一样累积
Dyna-1已经在酒店、餐饮和洗衣等环境部署。真实现场让团队意识到，单步成功率并不等于可用系统：一个五分钟流程包含大量动作，只要每一步有小概率失败，连续执行的总成功率就会迅速下降。
部分错误可以恢复，例如衣物没夹稳后重试；另一些错误会改变环境，使后续动作全部失效。系统必须识别状态、判断是否偏离、选择恢复策略，并在必要时安全请求人工接管。
部署真正训练的是整套系统：模型能力、硬件可靠性、计算资源、日志、远程运维、版本管理和客户现场流程，任何短板都会成为停机原因。
07 / 从VLA转向WAM：不只预测动作，还要理解世界会怎样变化
视觉-语言-动作模型通常从图像和语言直接预测动作。Dyna在部署中发现，只学动作容易过拟合特定本体和数据分布，跨本体迁移仍然困难。
Dyna-2采用世界动作模型（WAM）：同一生成模型学习未来视频与未来动作。视频预测迫使模型理解物体如何移动、接触后会发生什么、场景怎样演化；动作分支则把这些表示转成机器人控制目标。
官方控制实验显示，在相同动作数据规模下，加入未来视频预测的训练方式显著优于只预测动作；当继续增加没有动作标签的人类视频时，跨本体机器人数据上的泛化能力仍会改善。
08 / Dyna-2的Scaling Law：从1000小时一路加到100万小时
Dyna-2使用超过100万小时第一视角人类视频预训练，官方将数据构造成1000、1万、10万和100万小时的嵌套子集，避免不同规模之间因数据分布更换而混淆结果。
官方报告称，随着预训练规模扩大，模型在保留人类数据与未见机器人数据上的预测指标持续改善，并首次展示人类到机器人的跨本体迁移Scaling Law。后训练实验覆盖14项任务和固定双臂、半人形平台、多指手等本体。
- 14项任务的平均归一化表现从约20%提升至28%、45%和53%。
- 100万小时模型在14项任务中的9项取得最佳表现。
- 锁箱钥匙转动在较小数据规模下无法完成，100万小时模型达到90%成功率。
- 瓶盖旋开只使用约10分钟机器人示范，表现随预训练规模提升至50%。
- 按指令取饮料的表现从58%提升到83%。
这些数字来自Dyna官方研究，不等于所有客户场景的连续成功率。实验任务、评价方法和后训练配方都有限定条件，真实部署仍需单独验收。
09 / 客户不买Scaling Law，只买一条能跑通的工作流
Taku进入洗衣房后，需要完成取脏衣、投放、操作洗衣机、转移到烘干机、取出、折叠和上架。它不是一个孤立的抓取模型，而是一条需要移动、双臂协同、设备交互和状态判断的长程工作流。
Dyna优先选择企业场景，因为测试集相对清晰，流程、验收标准和人工协作边界可定义。家庭环境的隐私、安全、儿童、宠物、布局和物品变化更复杂，而且机器人一进入家庭就必须是完整消费产品。
企业部署还能形成数据飞轮：更多机器人带来更多失败案例和现场数据，数据反过来改进模型、硬件和运维。相比模型层低切换成本，硬件与分发渠道一旦进入客户工作流，替换成本更高。
10 / 人形机器人竞赛：精选演示会放大公众期待
机器人行业的演示越来越精彩，但单次成功、剪辑合集与长期无人值守是完全不同的标准。Jason Ma认为，炒作能吸引资本与人才，也可能让公众误以为通用机器人已经到来。
团队内部用一个简单框架理解泡沫：当前能力与公众期待之间的差距，再乘以补齐差距需要的时间。行业确实存在噪声，但数据、硬件和模型也在真实进步，部分商业场景已经能够落地。
他把主要瓶颈归纳为数据与硬件：硬件数量不足就难以部署和收集反馈，数据不足则模型泛化弱、后训练负担重。模型架构热点不断变化，但这两个约束不会轻易消失。
11 / Dyna-3要证明什么？不是更酷的动作，而是更多ROI
Dyna尚未公开Dyna-3的完整定义，但Jason Ma给出的方向很明确：继续扩大人类视频与预训练规模，同时把半人形机器人和模型部署到更多真实场景，用客户ROI验证技术栈。
强化学习仍可能在后训练、控制和仿真中发挥作用，但前提是先把数据、预训练、世界模型和模拟器打好。Dyna这个名字本就来自Richard Sutton关于世界模型与规划的Dyna框架；团队现在的路线，也重新把世界模型放在强化学习之前。
长期目标不是让一个大脑控制所有形态，而是先让一个身体上的同一套智能完成越来越多任务。对商业机器人而言，这条路径可能比追求抽象的“全本体通用”更可验证。
12 / 评估教程：看机器人项目，不要只看演示
- 先问任务边界：物品、环境、速度、连续时长和异常情况是否写清楚。
- 要求未剪辑长视频：确认成功是否连续发生，人工接管是否被隐藏。
- 拆解成功率：单步成功率、整条工作流成功率和每日停机次数要分开统计。
- 检查恢复能力：抓取失败、物品掉落、设备未响应和环境变化后能否自恢复。
- 检查可观测性：日志、传感器、模型版本、计算资源和远程诊断是否完整。
- 计算真实ROI：把维护、耗材、场地改造、人工值守、安全和停机损失算进去。
- 区分官方实验与现场验收：论文指标证明技术趋势，客户验收决定是否可用。
13 / 做视频网分析：具身智能的Scaling Law，最终要在停机记录里兑现
Dyna-2最重要的贡献，不只是把数据扩大到100万小时，而是尝试证明大量人类视频可以成为机器人预训练的新轴线。若这种跨本体迁移持续成立，机器人公司就不必为每个本体和任务从零采集同等规模的动作数据。
但具身智能与语言模型最大的不同，是每一次错误都会进入物理世界。模型提升一倍，不代表系统就能连续工作一整天；机械磨损、传感器漂移、网络、算力、设备接口和异常恢复都会进入最终结果。
真正的Scaling Law应该同时包含三条曲线：模型随数据增长的能力曲线、系统随部署时间下降的故障曲线，以及客户随运行规模改善的成本曲线。只有三者一起成立，百万小时训练才会变成商业价值。
站内导航与延伸阅读
- Dyna Robotics导航：https://www.zuoshipin.com/link/55588.html
- H-JEPA世界模型分层解析：https://www.zuoshipin.com/article/51280
- DM0.5机器人模型与部署：https://www.zuoshipin.com/article/25878
- LingBot-VA 2.0边预测边行动：https://www.zuoshipin.com/article/1349
- 宇树机器人产业分析：https://www.zuoshipin.com/article/23153
- 更多AI资讯：https://www.zuoshipin.com/archive/75
