機器人不是因為太慢而停工，而是因為沒人給它續料
疊餐巾機器人已做到99%成功率和商業化客戶，Dyna卻主動叫停規模化——因為完成單個任務不等於接管一套工作流，機器人離不開人類隨時續料的保姆式照看。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
創始人自稱蟑螂，靠這個撐過死局
Dyna前身公司Kaber做無人零售購物車，YC畢業後卻是全班融資墊底，只融到30萬美元。Linden和三位聯合創始人搬進同一套房子合住，沒人拿工資，靠「我們是蟑螂，我們死不了」的心態撐了兩年半，一個月只燒7000美元，期間給1000多位天使投資人發郵件，只轉化了兩個，每人投了約5萬美元才續上命，後來才真正融到第一筆200萬美元種子輪。
— Linden去年底團隊因研究還是落地而分裂
去年年底，Dyna內部出現一次認同危機：一部分人認為應該專注落地賺錢，另一部分人認為應該繼續往研究上探高，團隊identity被撕裂。Linden沒有選邊站隊，而是把戰線拉長，去找一個research和落地都能打的戰略點——結果是「工作流」:把洗衣房裡上料、搬運、摺疊、歸位的全部步驟打通，這個目標既逼著智能體能力提升，又能形成真正的商業閉環。
— Linden放棄規模化：機器人離不開保姆
疊餐巾機器人Dyna One做到99%以上成功率，也拿到了10多個付費客戶，但Linden在去年決定不再規模化它。真正的問題不是機器人太慢，而是機器人每折完一桶、約三四十分鐘到一小時就會因為沒有新餐巾而停工，門店員工得自己設手機鬧鐘去續料——機器人需要一個「機器人保姆」。這被她定義為沒有解決商業本質問題的半成品，規模化只會把這個缺陷放大成長期負擔。
— Linden從完成任務升級到接管工作流
發現保姆問題後，Dyna把產品定義從「完成一個任務」升級為「做完一整套工作流」:機器人要自己知道庫存在哪、去取料、搬回工作臺、摺疊、再把成品放到指定貨架、拿空桶重新開始，中間每一步都有各自的成功率，連起來是一個指數級的難題。她給團隊定的硬指標是：一臺機器人24小時的產出要追平一個人一天8小時的產出，目前這個目標已經做到並超過。
— Linden第一視角數據裡找到了Scaling Law
過去一兩年行業普遍認為數據不夠多，所以要靠高質量數據去突破機器人的智能天花板，Dyna一開始也是這麼做的。但在推進工作流的過程中，團隊轉念押注「人體第一視角」數據，在約100萬小時的預訓練集規模下看到了非常強的Scaling Law——這意味著機器人數據的天花板比想像中高得多，此前被廣泛相信的「高質量數據優先」被她認為並不是第一性原則。
— Linden大腦一次躍遷會吞掉場景優化嗎
被問到大模型大腦能力的一次躍遷，是否會像今年吞噬很多Agent應用層優化一樣，也吞掉機器人行業裡各種針對單一場景的打磨，Linden承認「會的」。但她認為這不構成矛盾：就像Anthropic把Coding Agent做成之後，同一套預訓練加後訓練框架可以直接搬去做Excel等新場景，Dyna的預訓練始終保持最廣泛泛化，真正下注工作流的只是後訓練，所以場景打通的經驗可以被下一次模型躍遷複用而不是作廢。
— Linden大腦定下限，身體才定上限
Linden從創業第一天就堅持在中國組建40-50人的硬件與供應鏈團隊，理由是「具身智能沒有供應鏈，是沒有辦法做出世界級的機器人的」。她的判斷和很多人相反：大腦決定一件事能不能做，是機器人的下限；而身體(供應鏈和硬件)決定這件事能做多好，是上限。如果十年後行業走向成本和質量戰，她認為供應鏈反而會比大腦更重要，目前中國團隊已經進入百臺級量產。
— Linden卸下「不能犯錯」的包袱才看清路
去年戰略迷失的階段，Linden發現自己最大的心理負擔是「不能犯錯」——因為她已經成功賣出過一家公司，揹負著要證明自己不是僥倖的包袱，這個包袱反而讓她做出了不夠第一性原則的決策。放下這個包袱、想清楚方向之後，她感受到的第一個強烈情緒是感恩：感恩一路力挺到底的聯合創始人、團隊和家人。她把創業比作一場看不到終點的馬拉松，修心是撐過去的方式。
— Linden原話 · 已逐字校驗
沒有分歧 我是非常理想主義的人 我來做機器人不是為了賺錢的 我覺得聞得到錢是生存的一條路 我的夢想是星辰大海 可是我的路徑是需要腳踏實地
沒有分歧，我是非常理想主義的人。我做機器人不是為了賺錢，聞得到錢是生存的一條路。我的夢想是星辰大海，可是我的路徑需要腳踏實地。
Linden0:00
當時我就跟我團隊說我們是蟑螂 你們是蟑螂 我們死不了
當時我就跟我團隊說我們是蟑螂，我們死不了。
Linden29:28
可是在摺疊不一樣 摺疊我折壞了可以重摺 所以說就是損失率 損失率和對質量的要求本質上不是特別的高
摺疊不一樣，折壞了可以重摺，所以損失率和對質量的要求本質上不是特別高。
Linden48:45
那其實就不是機器人太慢 而是機器人本身需要一個保姆 所以機器人需要保姆這件事情 是一個非常大的一個產品問題
那其實不是機器人太慢，而是機器人本身需要一個保姆。機器人需要保姆這件事，是一個非常大的產品問題。
Linden59:59
我覺得B2B的通用機器人的demand會比B2C更高 為什麼 因為人的慾望是無限的
我覺得B2B通用機器人的需求會比B2C更高。為什麼？因為人的慾望是無限的。
Linden1:16:16
我們發現了其實在用人體第一視角數據的上面 是可以在1 million hours的一個預訓練集下面 我們發現了非常強的Scaling Load本身 我覺得這是對行業來說應該是一個非常重要的一個節點
我們發現，用人體第一視角數據，在約100萬小時的預訓練集下，出現了非常強的Scaling Law。我覺得這對行業來說應該是一個非常重要的節點。
Linden1:28:38
我覺得大腦是機器人的下限 我覺得本體是機器人上限
我覺得大腦是機器人的下限，本體是機器人的上限。
Linden2:08:23
我當時非常怕犯錯 因為其實我也算是成功過一次的創始人了 所以其實我當時對自己的包袱其實就是我不能犯錯
我當時非常怕犯錯，因為我也算是成功過一次的創始人了，所以我對自己的包袱就是我不能犯錯。
Linden2:37:51
數字與實體
| Kaber出售價格 | 3.5億美元 | 19:18 |
| Kaber種子期燒錢速度 | 每月7000美元，燒了兩年半 | 14:14 |
| 第一筆種子輪融資額 | 約200萬美元 | 14:14 |
| Dyna One摺疊產出 vs 客戶需求 | 24小時折850張，客戶需求1300張 | 54:51 |
| 引用的美國失業率 | 4.5% | 1:16:16 |
| 美國酒店數量 | 10萬家 | 1:19:20 |
術語
- product research產品研究導向
- 用能否形成產品閉環來限定和引導研究方向，而非無邊界探索
- egocentric data第一人稱視角數據
- 從人眼視角拍攝的操作數據，用於訓練機器人模仿人類動作
- Scaling Law規模定律
- 數據或算力增加時模型能力隨之可預測提升的規律
收聽指南
關心機器人行業路線分歧、產品量產決策的創業者、投資人和具身智能工程師。
3:00-32:00個人早年生意與投行經歷，與機器人決策關係不大，可跳過。