机器人不是因为太慢而停工，而是因为没人给它续料
叠餐巾机器人已做到99%成功率和商业化客户，Dyna却主动叫停规模化——因为完成单个任务不等于接管一套工作流，机器人离不开人类随时续料的保姆式照看。
原视频在 YouTube 上放不出来，用音频听：
核心论点 · 点时间戳可跳到原声
创始人自称蟑螂，靠这个撑过死局
Dyna前身公司Kaber做无人零售购物车，YC毕业后却是全班融资垫底，只融到30万美元。Linden和三位联合创始人搬进同一套房子合住，没人拿工资，靠「我们是蟑螂，我们死不了」的心态撑了两年半，一个月只烧7000美元，期间给1000多位天使投资人发邮件，只转化了两个，每人投了约5万美元才续上命，后来才真正融到第一笔200万美元种子轮。
— Linden去年底团队因研究还是落地而分裂
去年年底，Dyna内部出现一次认同危机：一部分人认为应该专注落地赚钱，另一部分人认为应该继续往研究上探高，团队identity被撕裂。Linden没有选边站队，而是把战线拉长，去找一个research和落地都能打的战略点——结果是「工作流」:把洗衣房里上料、搬运、折叠、归位的全部步骤打通，这个目标既逼着智能体能力提升，又能形成真正的商业闭环。
— Linden放弃规模化：机器人离不开保姆
叠餐巾机器人Dyna One做到99%以上成功率，也拿到了10多个付费客户，但Linden在去年决定不再规模化它。真正的问题不是机器人太慢，而是机器人每折完一桶、约三四十分钟到一小时就会因为没有新餐巾而停工，门店员工得自己设手机闹钟去续料——机器人需要一个「机器人保姆」。这被她定义为没有解决商业本质问题的半成品，规模化只会把这个缺陷放大成长期负担。
— Linden从完成任务升级到接管工作流
发现保姆问题后，Dyna把产品定义从「完成一个任务」升级为「做完一整套工作流」:机器人要自己知道库存在哪、去取料、搬回工作台、折叠、再把成品放到指定货架、拿空桶重新开始，中间每一步都有各自的成功率，连起来是一个指数级的难题。她给团队定的硬指标是：一台机器人24小时的产出要追平一个人一天8小时的产出，目前这个目标已经做到并超过。
— Linden第一视角数据里找到了Scaling Law
过去一两年行业普遍认为数据不够多，所以要靠高质量数据去突破机器人的智能天花板，Dyna一开始也是这么做的。但在推进工作流的过程中，团队转念押注「人体第一视角」数据，在约100万小时的预训练集规模下看到了非常强的Scaling Law——这意味着机器人数据的天花板比想象中高得多，此前被广泛相信的「高质量数据优先」被她认为并不是第一性原则。
— Linden大脑一次跃迁会吞掉场景优化吗
被问到大模型大脑能力的一次跃迁，是否会像今年吞噬很多Agent应用层优化一样，也吞掉机器人行业里各种针对单一场景的打磨，Linden承认「会的」。但她认为这不构成矛盾：就像Anthropic把Coding Agent做成之后，同一套预训练加后训练框架可以直接搬去做Excel等新场景，Dyna的预训练始终保持最广泛泛化，真正下注工作流的只是后训练，所以场景打通的经验可以被下一次模型跃迁复用而不是作废。
— Linden大脑定下限，身体才定上限
Linden从创业第一天就坚持在中国组建40-50人的硬件与供应链团队，理由是「具身智能没有供应链，是没有办法做出世界级的机器人的」。她的判断和很多人相反：大脑决定一件事能不能做，是机器人的下限；而身体(供应链和硬件)决定这件事能做多好，是上限。如果十年后行业走向成本和质量战，她认为供应链反而会比大脑更重要，目前中国团队已经进入百台级量产。
— Linden卸下「不能犯错」的包袱才看清路
去年战略迷失的阶段，Linden发现自己最大的心理负担是「不能犯错」——因为她已经成功卖出过一家公司，背负着要证明自己不是侥幸的包袱，这个包袱反而让她做出了不够第一性原则的决策。放下这个包袱、想清楚方向之后，她感受到的第一个强烈情绪是感恩：感恩一路力挺到底的联合创始人、团队和家人。她把创业比作一场看不到终点的马拉松，修心是撑过去的方式。
— Linden原话 · 已逐字校验
没有分歧 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
没有分歧，我是非常理想主义的人。我做机器人不是为了赚钱，闻得到钱是生存的一条路。我的梦想是星辰大海，可是我的路径需要脚踏实地。
Linden0:00
当时我就跟我团队说我们是蟑螂 你们是蟑螂 我们死不了
当时我就跟我团队说我们是蟑螂，我们死不了。
Linden29:28
可是在折叠不一样 折叠我折坏了可以重折 所以说就是损失率 损失率和对质量的要求本质上不是特别的高
折叠不一样，折坏了可以重折，所以损失率和对质量的要求本质上不是特别高。
Linden48:45
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
那其实不是机器人太慢，而是机器人本身需要一个保姆。机器人需要保姆这件事，是一个非常大的产品问题。
Linden59:59
我觉得B2B的通用机器人的demand会比B2C更高 为什么 因为人的欲望是无限的
我觉得B2B通用机器人的需求会比B2C更高。为什么？因为人的欲望是无限的。
Linden1:16:16
我们发现了其实在用人体第一视角数据的上面 是可以在1 million hours的一个预训练集下面 我们发现了非常强的Scaling Load本身 我觉得这是对行业来说应该是一个非常重要的一个节点
我们发现，用人体第一视角数据，在约100万小时的预训练集下，出现了非常强的Scaling Law。我觉得这对行业来说应该是一个非常重要的节点。
Linden1:28:38
我觉得大脑是机器人的下限 我觉得本体是机器人上限
我觉得大脑是机器人的下限，本体是机器人的上限。
Linden2:08:23
我当时非常怕犯错 因为其实我也算是成功过一次的创始人了 所以其实我当时对自己的包袱其实就是我不能犯错
我当时非常怕犯错，因为我也算是成功过一次的创始人了，所以我对自己的包袱就是我不能犯错。
Linden2:37:51
数字与实体
| Kaber出售价格 | 3.5亿美元 | 19:18 |
| Kaber种子期烧钱速度 | 每月7000美元，烧了两年半 | 14:14 |
| 第一笔种子轮融资额 | 约200万美元 | 14:14 |
| Dyna One折叠产出 vs 客户需求 | 24小时折850张，客户需求1300张 | 54:51 |
| 引用的美国失业率 | 4.5% | 1:16:16 |
| 美国酒店数量 | 10万家 | 1:19:20 |
术语
- product research产品研究导向
- 用能否形成产品闭环来限定和引导研究方向，而非无边界探索
- egocentric data第一人称视角数据
- 从人眼视角拍摄的操作数据，用于训练机器人模仿人类动作
- Scaling Law规模定律
- 数据或算力增加时模型能力随之可预测提升的规律
收听指南
关心机器人行业路线分歧、产品量产决策的创业者、投资人和具身智能工程师。
3:00-32:00个人早年生意与投行经历，与机器人决策关系不大，可跳过。