📋 目录

• 🤖 一个不再叠毛巾的机器人公司
• 📊 先把数字摆清楚：哪些能引用，哪些不能
• 🔄 从 VLA 到 WAM：一次架构上的掉头
• 🏮 为什么是鼎泰丰：这个选择比技术更能说明问题
• 💰 RaaS 模式：把资本开支换成了订阅，但也换走了控制权
• 🧾 公司底子：融了 1.4 亿美元的三人团队
• 🔍 我核过之后，仍然存疑的三件事
• 🧭 从 Dyna 身上看到的三件事
• 🛠️ 这件事和做企业的数据平台有什么关系
• 💬 想听听你的判断

---

🤖 一个不再叠毛巾的机器人公司

一年前我在硅谷101 上看过 Dyna Robotics，那次他们演示的是叠毛巾。

这次再访，演示变成了洗衣房里的完整流程：洗、烘、叠，一套下来。创始人 Jason Ma 的说法是，"无聊"是对机器人公司最高的赞美——因为只有无聊的活才值得部署。

这句话本身是对的。但真正有意思的不是演示变复杂了，而是 Dyna 把整个行业的论证方式换掉了。

它不谈"机器人什么时候能进家庭"，它谈ROI 门槛已经跨过。旗舰客户是鼎泰丰，2026 年上半年要在酒店、物流、数据中心铺开"数百台"机器人。商业模式的说法是 RaaS（Robots-as-a-Service）：按月付费，把硬件、维护、模型更新打包在一起，不让客户掏一次性资本开支。

从"能不能做"到"赚不赚钱"，这是一个质变。至少方向对了。

📊 先把数字摆清楚：哪些能引用，哪些不能

Dyna 的技术叙事里有一组很漂亮的数字。我逐个查了一遍来源，结果是三个数字的可用程度完全不同。

数字	Dyna 的说法	我核实到的来源	可引用度
预训练视频量	100 万小时人类视频	Humanoids Daily、botxun 一致，约合 170 年连续清醒体验	✅ 可引用，但须注明是预训练语料
现场零样本通过率	87%（前代 46%）	Humanoids Daily 明确记载，DYNA-1 为 46%	⚠️ 可引用，但不是同一任务的同口径对比
高精度制造任务成功率	20% → 80%~90%	仅 botxun 一家中文报道	⚠️ 单一来源，未找到一手论文
ROI 已跨过门槛	跨过 ROI 门槛	Dyna 自述，未公布任何计算口径	❌ 不宜当事实引用
单台机器人订阅费	未公布	无任何公开定价	❌ 无数据
13 分钟适配五指手拧瓶盖	13 分钟真机遥操作数据	RoboHorizon、botxun 一致	✅ 可引用，但属演示条件

需要特别点出的是87% 和 46% 的关系。这两个数字来自 Humanoids Daily 的同一段记载，看起来像同口径对比，但：

• 46% 是 DYNA-1 在 2025 年 4 月发布时的客户现场数据；
• 87% 是 Dyna-2 在 2026 年 8 月的数据，期间客户构成、任务难度、统计周期都变了。

它更像是"一年内的整体进展"，而不是"某个具体任务从 46% 提到 87%"。中文圈把它写成后者，是一次典型的口径滑动。

同样，ROI 跨过门槛这句话至今没有可核验的口径——没有租约金额、没有节省工时、没有回收期。RoboHorizon 的报道里连一个数字都没给。这不是造假，是常态：几乎所有机器人公司的 ROI 主张都长这样。Dyna 的相对价值在于它把客户名字和门店数量说了出来，这在同行里已经算透明。

🔄 从 VLA 到 WAM：一次架构上的掉头

Dyna-2 最反直觉的技术选择，是它放弃了上一代的 VLA（视觉-语言-动作）架构，转向 WAM（世界-动作模型，World-Action Model）。

区别在哪儿：

• VLA 回答"机器人下一步该怎么动"。看到画面、接收指令、直接输出动作。它跳过了"世界会怎么变"这一步。
• WAM 先在内部模拟"如果我这样动，接下来物理世界会怎么变化"，再决定怎么动。用 Jason Ma 的话说，“在行动之前先想象物理世界如何变化”。

为什么要掉头？因为数据。Dyna 的逻辑链条是这样的：

遥操作采集机器人动作数据 → 太贵、太慢、无法规模化 → 但人类视频"无处不在" → 那就用视频学物理直觉，再迁移到机器人身上。

Jason Ma 的原话很直接：“动作数据稀缺，但视频无处不在。”

Dyna 把它命名为 cross-embodiment scaling（跨本体迁移）：模型对世界的理解能迁移到它从没见过的机器人本体上。13 分钟数据就能让五指灵巧手拧瓶盖，是这个主张最具体的证据。

配套的漏斗是这样：

值得注意的是，Dyna 做了缩放实验验证这条Scaling Law：训练数据从 1000 小时 → 1 万 → 10 万 → 100 万小时，每级保持相同来源比例，观察模型表现随数据量变化的趋势。这是"验证"这个词的必要条件——只看最终数字不叫 Scaling Law，看趋势才叫。

不过这个实验有个必须点明的限制：它验证的是"持续改善尚未饱和"，不是"一定存在幂律"。1000 到 100 万是三个数量级、四个数据点，足以说"还没到顶"，不足以说"这条曲线是幂律且外推可靠"。

🏮 为什么是鼎泰丰：这个选择比技术更能说明问题

Dyna 选鼎泰丰做旗舰客户，这个选择的信息量比任何技术参数都大。

RoboHorizon 报道说，鼎泰丰美国门店平均年销售额约 2700 万美元，接近最近竞争对手的两倍。这意味着：

1. 单店营收极高，机器人只要替代后厨一小块重复劳动，绝对金额就很可观——这是 Dyna 说的"ROI 门槛"能跨过的真正原因。
2. 环境极度苛刻：高客流、高频次、秒级节拍、且要求出品的每一颗小笼包一致。折过850 张纸巾的机器人如果连这活都干不了，ROI 就是负的。

这里有个此前几乎没人提的对照。Dyna 自己在 DYNA-1 发布时披露过一组不够好看的数字：

18 小时班次里产出约 480 张纸巾，其中约 75% 达到质量标准；而客户的要求是每班 1500 张可直接上桌的纸巾。

同期宣传的另一个数字是"24 小时折了850 张以上，成功率 99.4%，无人工干预"。这两个数字放在一起，才构成真实画面：叠一张纸巾的成功率极高，但从 480 张到客户要的 1500 张，差着三倍以上。

这是整个具身智能行业最典型的指标陷阱——用"单次动作成功率"回答"单位时间有效产出"的问题。99.4% 是演示视频的天然素材，1500 张是采购决策的真正门槛。

到 Dyna-2，官方口径是"现场零样本通过率 87%"。相比 75% 质量线当然是大跃升，但和 1500 张的产出要求还差着距离。Dyna 没有公开解释这个差距怎么补，我也没有找到答案——这个问题目前只能悬着。

💰 RaaS 模式：把资本开支换成了订阅，但也换走了控制权

RaaS 是这笔生意能成立的关键。按月付费、硬件维护和模型更新打包，客户不用一次性掏几万美元买设备再自己养。

对鼎泰丰这种连锁餐饮来说，这是唯一说得通的采购方式——没有 IT 部门、没有机器人运维人员、不会因为一次故障就让整个后厨停摆。

但要往深一层看，RaaS 意味着：

维度	传统采购	RaaS
前期资本开支	一次性、数万美元	无
设备故障责任	客户	服务商
型号过时风险	客户承担	服务商承担（若合同覆盖更新）
单价	采购价	月费 × 合同期
数据归属	客户	通常归服务商
退出成本	卖二手设备	等合同到期

最后一行值得停一下：RaaS 下，餐厅的运营数据（高峰时段、节拍、返工率、哪些环节真的省了人）都在服务商手里。 这不一定是坏事——它意味着服务商能基于真实数据改进模型，形成正向循环。但它也意味着客户失去了议价能力和数据主权。

Dyna 的另一项关键选择是不发布权重、不开放 API，只通过自家硬件提供能力（Humanoids Daily 明确记载）。这让它能保证"模型—硬件—运维"的完整闭环，也让它天然成为一个数据飞轮：所有部署点的数据都回流到同一套模型。

代价是，这个飞轮目前只有它自己在飞。竞品拿不到它的数据，它也拿不到竞品的现场。

🧾 公司底子：融了 1.4 亿美元的三人团队

在判断一家公司的技术叙事时，钱和人是比演讲更硬的信号。

Dyna Robotics 的基础信息：

项目	数据
成立时间	2024 年
总部	加州 Redwood City（要求一周五天坐班）
创始人	Lindon Gao（CEO）、York Yang（CTO）、Jason Ma（首席科学家）
团队背景	Gao 与 Yang 此前创办智能购物车公司 Caper AI，以 3.5 亿美元卖给 Instacart；Ma 曾是 DeepMind 与 NVIDIA 研究科学家
累计融资	1.435 亿美元（种子 2350 万 + A 轮 1.2 亿）
估值	6 亿美元以上（A 轮报道口径）
A 轮领投	CRV、First Round Capital、RoboStrategy
A 轮跟投	NVentures、亚马逊工业创新基金、Salesforce Ventures、三星 Next、LG Technology Ventures
竞品	Physical Intelligence、Field AI、Scout AI

这份名单有个值得注意的地方：A 轮跟投方几乎全是产业方，不是纯财务投资人。 亚马逊工业创新基金、三星 Next、LG——它们不是来判断财务回报的，是来判断"这台机器人我能不能用"的。这比任何一家 VC 的背书都更接近真实商业验证。

不过有一个数据必须标注：6 亿美元估值来自 2025 年 9 月 A 轮的媒体报道，不是官方披露，且距今已一年。中间公司跨过了 ROI 门槛、又部署了数百台机器人，估值不可能原地不动。引用时请务必带上"2025 年 9 月 A 轮时点"。

顺带说一句团队选择：Dyna 做的是固定式双臂工作站，不是人形机器人。 Humanoids Daily 记载得很明确——“stationary arms over a humanoid form factor，这是公司明示的路线选择，为了让系统便宜到能靠单一任务自己回本”。

这个选择在 2026 年的具身智能行业里是少数派。人形机器人是流量密码，双臂工作站是账本答案。Dyna 选了后者，并且现在有Din Tai Fung 这样的客户替它作证。

🔍 我核过之后，仍然存疑的三件事

按本栏目的规矩，把不确定的部分单独列出来。

第一，"首次验证机器人 Scaling Law"这个说法本身。
这个"首次"不是 Dyna 官方的，是转述加的。Dyna 官方说的是它报告了一条human-to-robot transfer scaling law——“报告”，不是"首次验证"。行业中此前有多条相关工作（包括 Pi、1X 等团队的数据规模化研究）。写成"首次验证了机器人领域的 Scaling Law"是拔高。

第二，100 万小时视频是什么量级，得说清楚。
人类"清醒状态下累积观看"的视频，如果按每天 16 小时、365 天算，100 万小时约等于 228 年的连续清醒体验。媒体常说的"170 年"是按每天 20 小时算的。两个数都是把人类一生的时间尺度压缩进来，但都不是"让机器看过 170 年"——模型压缩的是视觉运动模式，不是经历。 这一点很多报道没区分。

第三，ROI 门槛的算法完全未知。
如果 RaaS 是按月收费，"跨过 ROI"意味着客户视角下的月度节省 > 月费。但 Dyna 没有公布月费，也没有公布节省怎么算的（是减人头？是加产能？还是两者混合？）。这也是 Dyna 面对的最大不确定性：如果它的 ROI 主张被证伪，整个行业会立刻退回"我们还在做 demo"的叙事。 反过来说，如果它是真的，行业估值要重算——因为"部署难"这个最大的下行理由就不成立了。

至于此前流传的一些说法，我没有找到可确认的口径，因此不引用：具体的单台成本、具体的回本周期、以及"某酒店已经部署了多少台"之类的数字。

🧭 从 Dyna 身上看到的三件事

回到我最初的判断。Dyna 这一轮最值得记的，不是"100 万小时视频"或者"87%"，而是三件更朴素的事。

第一，它把行业的举证责任从模型侧挪到了财务侧。
"VLA 不行，WAM 更好"这种路线之争，可以吵三年。但"鼎泰丰美国门店后厨正在用，单店年销 2700 万"这件事没法长期回避。当一家公司愿意用客户门店当证据，它就在迫使整个行业一起提高举证标准。

第二，路线会掉头，数据不会。
Dyna 从 VLA 换到 WAM，说明架构判断的保质期很短。但它选择积累的是人类视频——这条数据不会因为下一代架构出现而失效，甚至更保值。反过来，如果当初死磕遥操作数据，换架构时那些数据就全部折旧了。这是数据资产配置上最朴素、也最容易被忽略的一条原则：投在最通用、最不依赖具体架构的那一层。

第三，单次成功率和单位时间产出之间，隔着一整个商业模型。
850 张纸巾、99.4% 成功率、24 小时——这些数字适合上视频。但客户要的是每班 1500 张可直接用的。在具身智能行业，能演示的进展和能签合同的进展之间，距离大概是 3倍。 这个 3 倍不会因为Scaling Law 被验证而缩小，只会被更好的产品定价慢慢吃掉。

🛠️ 这件事和做企业的数据平台有什么关系

聊完机器人，我想说一个跟机器人看似无关的关联。

Dyna 的核心动作，其实是一次数据源的重构：当一个数据源（遥操作）贵到无法规模化时，不在原地优化采集效率，而是去找一个便宜十倍但结构相同的替代源（人类视频），然后在中间加一层迁移。

这个模式在企业数据治理里是同一件事。

Dyna 的做法	企业数据平台的对应做法
遥操作数据太贵 → 换人类视频	业务系统直接抽太难 → 换成日志、埋点、文档、聊天记录
需要迁移层（WAM）才能用上视频	需要治理中心把散落数据变成可用的记录
客户现场数据回到同一套模型	权限跟着数据走，而不是长在系统边界上
100 万小时是公共资产，谁都能用	元数据和数据标准是公共资产，一次定义处处生效

所以领码 SPARK 融合平台在这件事上的设计选择，其实是同一个逻辑：治理中心必须前置。

很多企业做数据平台的做法是"先把源接进来再说"，结果接进来一堆数据却没人能用——因为口径不一致、血缘不清、权限不明。Dyna 的教训恰好相反：它在数据源和用途之间，认认真真建了一层"怎么把A 变成 B"的模型。 少这一层，100 万小时视频只是硬盘上的一堆文件。

而全域守卫的核心价值在于：Dyna 的 87% 之所以有意义，前提是它知道每个场景的每一个动作有没有出错。 这就是"数据能不能落到人和动作上"的差别。机器人部署到哪家门店、哪个班次、哪个工位、返工了几次——这些记录如果不到人不到动作，ROI 就永远算不出来。

还有一个分工问题必须摆明：SPARK 负责的是让判断标准可执行、可追溯，Dify 这类编排框架负责的是执行具体流程。 两者的边界很重要。Dyna 自己的例子就是：0.87 vs 0.46 到底怎么算的，用什么口径统计、谁来核、能不能追到具体动作——这是数据平台的活，不是编排框架的活。 但反过来说，平台也不能替专家决定"多少算合格"，那个阈值必须由懂业务的人给出。

我们做平台的目的，是让这些判断可以被记录、被复核、被追责，而不是替行业决定标准本身对不对。前者是工程问题，后者仍然是专家问题。

💬 想听听你的判断

有三个问题，我自己也还没想清楚：

1. 如果你是餐厅老板，RaaS 和自己买设备之间，你怎么选？ 我倾向于 RaaS，但前提是合同的退出条款写得清楚——不然三年后想换供应商就被动了。

2. Dyna 的 87%如果被证明是在宽松口径下取得的，你觉得这会怎么影响行业？ 我的猜测是会有一个短期挤水分的阶段，然后所有人都会退回比"每班 1500 张可用产出"。

3. 还有一个我没想明白的：如果Scaling Law 真的成立，那么"机器人会不会干活"这个问题最终会被解决，剩下的就全是成本和责任问题。你觉得那时候最贵的会是什么——硬件、运维，还是出错的责任？

如果你在企业里负责数据平台建设，也欢迎聊聊：你见过的"数据接进来了但没人用"是什么样子的？我猜大概率不是数据太少，而是口径没法对齐。

---

关于本文数据来源的说明

本文所有数据均来自以下可公开查证的来源，未经查证的网络流传数字已在正文中标注为不引用：

• Humanoids Daily（Dyna Robotics 公司档案页，含融资、模型、客户数据）
• RoboHorizon（2026 年 9 月报道，含鼎泰丰门店年销数据、RaaS 模式描述）
• 钛媒体（2026-10 视频页，含Jason Ma 关于"无聊是最赞美"的表述）
• botxun（中文技术解读，含 Scaling Law 缩放实验细节与 13 分钟适配案例）
• Duke ECE 与 Johns Hopkins 公开资料（用于对照 Harry Wang 的二维材料工作，此处未展开）

本文立场不代表任何投资建议。