大语言模型靠互联网上的文本就能训练出来，但机器人没有这样的互联网可用。当各家都在晒更聪明的模型时，一个更基本的问题摆在面前：机器人到底什么时候能真正走进客户现场，连续干好几个小时的活？
在这场访谈中，Dyna 联合创始人 Jason 讲了他们的做法：用超过一百万小时的第一视角人类视频预训练世界动作模型 Dyna-2，再配合少量机器人数据微调；他们展示的洗衣流程，机器人能连续跑完约一个小时。而真正拉开差距的，是把机器人铺进真实门店——鼎泰丰每天由他们的机器人折几千张餐巾。
Jason 在哈佛读 CS 与数学，宾大 GRASP 实验室博士（CIS '25），Eureka 项目第一作者，曾在 NVIDIA、Google DeepMind、Meta AI 做研究，2024 年底与 Lindon Gao、York Yang 创办 Dyna。这场对话从世界动作模型的输入输出和架构，延伸到数据战略、硬件取舍、真实部署和行业格局。他的主要观点包括：
世界动作模型先预测未来视频，再产出动作。 Dyna-2 是第一个用超一百万小时数据训练的世界动作模型。输入是视频、关节编码器和语言指令，输出除了动作还有未来视频——先在视觉和物理空间里推理，再执行动作，模型因此更灵巧、更鲁棒、泛化更强。
扩散变换器是机器人基础模型的底层架构。 Dyna-2 底层是 encoder-only 的扩散变换器：transformer 负责吃下最多的数据，diffusion 把动作打磨到足够平滑精确。Swyx 提到 flow matching 能把四五十步扩散压到四步，Jason 确认它是 diffusion 更好调的特例，两三年前图像视频领域已基本转向它。
数据质量是非平稳问题，没有单一制胜策略。 机器人没有互联网可用，任何公司自采的数据量都远远不够。配方是用第一视角人类数据建立强先验，再叠加一小部分机器人数据精通具体任务；什么算高质量数据会随时间变化，人类数据覆盖认知，机器人数据覆盖低层反射和灵巧性。
硬件有多难被严重低估了。 他认为美国至今没有一家公司真正做到所有东西从零开始本土制造，原材料仍要从世界其他地方采购。作为全栈公司才体会到供应链有多长；眼下讨论集中在基础模型数据上，但做好硬件的难度被严重低估，未来会极其重要。
轮式半人形是为了实用性与性能的平衡。 这台半人形机器人上半身是人形的，腰部有四个自由度，下半身是轮子。用腿能耗高很多、稳定性差、安全上极难保证，现在的双足机器人没法保证全程站得稳。躯干的自由度也刻意保留，因为人时刻都在动躯干，形态做不到就会让迁移打折扣。
真正的价值在无人监督、连续跑几小时的任务。 在世界动作模型外面要套一层代理式外壳，处理高层决策：洗衣机在转就先去做别的，洗好了马上取毛巾。这跟语言模型从自动补全走向端到端 agent 很像。机器人是系统问题：好的 agent、外壳、模型、硬件什么都得有。
苦教训是算法保持简单，把正确类型的数据堆上去。 机器人也会像其他领域一样靠规模取胜，但没有互联网，你得自己搞硬件、选传感器才能堆量。现在不少工作往模型里塞非常具体的先验，他认为恰恰相反：保持简单，把正确数据堆上去，更好的行为自己会涌现出来。
模型叫什么不重要，关键是想清楚它要预测什么。 给模型起名字不如从第一性原理讲清它要干什么。VLA 只预测机器人动作或抽象表征，一旦预测抽象表征就把偏见编码进去了；最彻底的做法是尽可能多地预测世界，拿相机原始输入全预测出来。
世界动作模型：输入输出与架构
Vibhu：太开心了。我们看到了很多素材，一会儿正片里会有不少：机器人拉饮料、跑各种评测，还有第一次见到机器人拿刀。这些背后都是一个世界动作模型在驱动。它到底是什么？
Jason：上个月我们发布了世界动作模型 Dyna-2，它是第一个用超过一百万小时数据训练出来的世界动作模型。先回答你的问题：世界动作模型是能预测未来视频、也就是预测世界接下来会怎么变的模型，所以叫 world model。但除此之外，你还可以用它生成的未来画面去产出动作，让机器人在物理世界里执行、去控制机器人。为什么要这么做？因为这是一个非常强的架构。你想想人类在物理世界里是怎么行动的，我们脑子里其实一直在隐式地推演：我这么做之后世界会变成什么样。现在我们有了一个能这么做的模型架构，用它来指导机器人的动作。我们发现这样做之后，模型灵巧得多、鲁棒得多，泛化能力也强得多，能应对从没见过的环境和场景。
Vibhu：这个问题我想多追问一点。我觉得很多人一听 world model，就以为你输出的是视频、世界状态或者三维状态，结果你还做动作。大多数人其实不了解机器人底下是什么模型。那输入输出是什么？训练数据是什么？架构是什么？把细节都讲讲。
Jason：输入的话，最重要的就是视频。你可以理解成机器人用摄像头拍下来的画面，过去很多秒的视频或图像，这就是输入。但对机器人来说特别有意思的一点是，它身上有很多执行器和关节编码器，所以机器人知道每个关节的角度，这些也可以作为世界模型的输入。这就跟只看视频的纯视觉模型很不一样了。另外，对机器人你肯定想跟它说话、给它下指令让它做不同的任务，所以语言指令也是输入之一。我认为这就是所有机器人模型、包括世界动作模型的基本输入集合。
输出的话，最基本的层面是要输出机器人能在硬件上执行的动作。而世界动作模型真正有意思的地方在于，除了动作，它还能输出未来的视频。基本上你可以先输出未来视频或者它的某种表示，再用它来指导机器人动作。我的理解是这有点像 chain of thought，模型先在视觉和物理空间里做推理，然后才输出动作。这就是世界动作模型的输出和其他机器人模型输出的关键区别。
Vibhu：你们围绕这个模型发了篇不错的博客。我觉得很多人懂语言模型、懂 transformer，就是下一个 token 预测器。这次你们分享了很多细节：有 diffusion、flow matching，你们是在预测下一个世界状态加动作。你们还提到一百万小时。那架构是怎么定的？有哪些选择？架构到底是什么？我感觉语言模型这边很多东西是现成的：拿几万亿 token 做预测，再 SFT、再 RL，就有模型了。这边呢？你怎么从零做到你的模型？有没有现成的基础架构可以直接用？现在是什么状态？
Jason：嗯，是的。我觉得思考怎么给机器人建模型，框架上主要看两件事：一是数据，二是怎么让模型从这些数据里学到最多。那我们先说模型本身。我们发的那篇博客讲的是 Dyna-2 世界动作模型，它底层是一个扩散变换器，用的是 encoder-only 的 transformer 架构。
但真正有意思的是，在视觉领域，不管是生成图像、生成视频，还是像这里机器人看图生成动作，大家发现 diffusion 这类架构效果都非常好。什么是扩散模型？就是一个从随机噪声出发，通过迭代计算，把噪声变成高维度、定义精细、特征细粒度内容的模型。你想生成图像，就要锐利的边缘、清晰的棱角、鲜明的色彩对比。机器人虽然不生成图像，但它生成的动作必须非常精确、非常平滑，考虑的东西其实是一样的。所以从第一性原理出发，整个领域，不只是我们，都在用这种扩散变换器架构来训练机器人基础模型。你需要 transformer 这部分，因为 transformer 能吃下最多的数据、学得动；然后 diffusion 帮你把结果打磨到足够平滑、精确、细粒度，这样才能真正在机器人上执行。我们最近很多突破背后的架构就是这个。
Swyx：我们之前在节目里聊过 flow matching，流匹配。它主要是个效率上的加速。比如正常要四五十步甚至上百步扩散，它能压到四步。
Jason：对，没错。扩散模型在实际中很难的一点是你得调 scheduler，就是初始噪声一步步转成最终输出的那个过程要怎么调。flow matching 算是 diffusion 的一个特例，把变换做得简单多了。实际用起来不用调那么多，效果一样好。所以我感觉两三年前，图像和视频的生成建模基本就从 diffusion 转向 flow matching 了。但概念是一样的，flow matching 就是 diffusion 一个更简单、更好调的变体。
Swyx：确实让我想到这一点。flow matching 在质量上当然有取舍。但它特别适合动作扩散和机器人，因为你可以在实时里反复评估。而图像那边基本就是一锤子买卖。
Vibhu：这点挺好玩的。我们还玩了那个叠衣服的机器人，随便扔一条毛巾进去，模型能适应，对吧？我觉得你们模型的一个关键是它们被做成通才：一个基础模型，然后大量适配。这是怎么运作的？基本上用四十五分钟的映射数据就能泛化到很多任务。我们看了一个从冰箱里拉饮料的例子。一个通用模型是什么思路，然后怎么适配到不同任务？
Jason：我们的想法是，机器人需要一个非常通用、很强的基础模型，然后再往上走。你想想人类在物理世界里是怎么行为的，我们有非常强的基础知识，很多任务直接就会做。但如果你想成为某个任务的专家，总得经过一些训练。我觉得要训练一台像我们正在造的这种通用机器人，同样的原则适用。所以我们的做法是先训一个通用模型，用我们能找到的尽可能多的数据。这也是为什么在 Dyna-2 报告里，我们的模型起点是用超过一百万小时的人类数据训练的。在这个强基础上，我们发现只要极少量的微调，告诉模型这是你要做的任务，给你很少的示范，模型就能很快学会很多任务，就像你在办公室里看到的那些。
Swyx：我们观众里其实有不少做数据的、卖数据的。什么是好数据？什么是坏数据？你想买什么？我觉得这些都是开放问题。显然我觉得最重要的一条是人类做任务的第一视角数据。这个基本判断之外，你还会补充什么？
Jason：我觉得数据是今天机器人领域最重要的东西，因为跟语言模型不一样，机器人没有互联网可用。所以每家公司，不管做模型还是做硬件，都得认真想数据这件事。大致上有几种打法，一种就是自己收集大量数据，我们也在这么做。
办公室里到处都是机器人，对吧？但你要想想，一个机器人基础模型到底需要多少数据。我觉得任何一家公司靠自己能采到的数据量，都远远不够。这就好比你光靠 Reddit 或者光靠 Facebook 就想建一个互联网，这两个网站确实很好、用户也很多，但就是不够，对吧？所以我们想数据这件事的时候，一定得有一些数据获取的手段，比如去买数据，或者去找现成的数据。
而且数据是分很多层的，你刚才提到数据质量，我觉得在机器人领域，数据质量是个非平稳问题，意思是说，对你模型来说什么算高质量数据，是会随时间变化的。比如当你的模型还啥都不知道的时候，任何数据都有用，你可以用大量的视频数据。就第一视角数据而言，我觉得它其实是预训练机器人的一个非常好的方式，因为人类的数据太多样了，几乎覆盖你能想到的所有物理活动。这会让模型对世界如何围绕一个具身的行动者，也就是人，去演化，形成一个很强的先验。但人类数据的问题是，在你的机器人长得跟人类完全一样之前，人的动作和机器人的动作之间总会有差距，对吧？所以今天只靠人类数据来训练，基本不可能让机器人直接执行出动作。你还是得用机器人自己的数据做一部分适配，对吧？但机器人自己在身上采的数据，会贵得多，也难得多。
所以我们想的配方是，怎么把今天我们最大的数据来源，也就是第一视角数据，用来给模型一个关于所有物理操作能力的强先验，然后再结合一小部分机器人数据，让机器人精通我们关心的那些任务。所以说数据质量和数据获取在机器人领域，真的是一个非常迷人、也非常多维的问题。但现实是，没有一种单一制胜的策略，不能说哦我就采这一种数据，然后就能得到一个强的基础模型。你真的得去想，这部分人类数据覆盖了我需要的机器人认知的哪一块，机器人数据覆盖了低层的反射和灵巧性，这些机器人也需要，然后把它们放进同一个模型里。我觉得最后才能得到一个真正可适应的、真正强大的模型。
Swyx：我来给你提个醒啊，主要是为了听众里想跟你合作的人。你想找什么样的数据供应商？这就是你在公开喊话要数据了，你到底想要什么？
Jason：嗯，这个问题问得好。是这样的，我们在 Dyna-2 的博客里，结尾其实留了一个邮箱，叫 datapartnerships@dyna.co。所以如果你是数据供应商，手里有大量高质量的数据，不管是第一视角数据、机器人数据、视频数据，还是你觉得任何可能对机器人有帮助的东西，都可以发到那个邮箱。我们的团队会看一下，然后回复你。
Swyx：但以你们现在的阶段，你们应该不太会直接买现成的第一视角数据了吧？你们更想要的应该是那种，我告诉你我需要这个，你去给我采的这种方式，对吧？
Vibhu：是不是有什么细分领域特别缺数据？
Swyx：你需要一个 Scale AI，需要一个 Mercor 来帮你做这件事。我明白了，定制数据这块。
Vibhu：不在机器人行业的人可能就会想，哦，那是不是某个细分工厂的数据。就像你之前展示的那个往管子里放东西的任务，这种数据能采到的量肯定有限，但这种数据对你帮助大吗？
Jason：嗯，如果你真的想把某个任务做到极致，有那个任务的数据肯定会帮到你很多，对吧？就我们来说，我们仍然觉得一百万小时的数据还不够，那只是开始。我们展示了第一个在这个规模上的模型，但我们显然需要更多，对吧？所以我们现在还在大量寻找各种原始、多样的数据，能拿到多少拿多少。但同时我们也在想，怎么获取更多定制数据，不管是自己采的还是合作伙伴帮我们采的，专门针对一些非常具体的细分任务。因为我觉得要做到卓越，也就是任何一个模型要在物理世界里真正有用，你还是需要那种数据的。这就有点像人，你知道吧。如果 Sean 或者我明天去 Rosewood 酒店上班，我们肯定没法按他们的要求来铺床，对吧？我们需要大量的训练。所以那种特殊数据，有点类似 Mercor 现在为语言模型在做的事情，我觉得对机器人也会非常有价值。
Vibhu：那酒店嘛，给你们员工头上绑个 GoPro 就行。
Jason：对，类似的场景估计还有很多。
Swyx：对，我们讨论过怎么收尾这次访谈，有一件很有意思的事，就是现在你基本上可以实时地生成环境了。你用前沿模型试过这个吗？体验怎么样？够好了吗？
Vibhu：你有没有在用哪些做机器人世界模型的公司，用他们生成的数据来训练？
Jason：我觉得为机器人生成合成环境、合成数据、仿真数据，会成为下一个前沿方向，对吧？因为今天大家看的是第一视角数据和机器人数据，这些都在 scaling，但我认为合成数据会是 scaling 的一个新维度。回到你的问题，对，我们一直在探索用前沿模型基于我们的数据、在我们关心的环境上给我们生成合成环境。而且出乎意料的是，我觉得现在这个技术已经到了非常值得深入做的程度。
给大家一点背景，我读博的时候主要做的是基于仿真的机器人训练。那时候仿真还不成熟，但我们有篇论文叫 Eureka，是第一个把大语言模型，当时是 GPT-4，拿来自己生成环境、生成强化学习的奖励函数，然后在仿真里做事的。最后我们有个很棒的 demo，就是机器人转笔，对吧？当时真的很酷。但那种东西当时还是很有限的，因为那时候模型视觉能力不强，也没有天生的三维理解，对吧？它基本上就是在生成代码，然后用很有限的文本反馈来尝试想出新的仿真环境。但今天这些前沿模型的视觉能力强到离谱，它们能做 real to sim，能做 CAD，能做三维重建，等等。所以我现在觉得到了一个拐点，这项技术真的有可能加速机器人发展。
对我们来说，我们把它看作加速内部进展的一种方式，因为我们既在训模型，也在做硬件。如果一个前沿模型能这样给我们更多数据，给我们生成非常量身定制的数据，那对我们极其有用。另外我们还在想一件事，与其用这些模型生成三维环境，我们也用了我们自己的世界模型，就是我跟你讲的那个世界动作模型，因为这个模型不光能生成动作，还能生成视频。模型也能生成自己的训练数据。这就成了一个自我实现的飞轮，我觉得这个也会很有力量。总的来说，我对这个方向特别兴奋，因为我觉得虽然我们 scale 到了一百万小时的数据，部署了一批机器人，这些机器人已经开始做出很酷的事情了，但我们才刚刚开始，这只是冰山一角。
Vibhu：给做研究的朋友说一下，我们最近请了 Runway 上过节目，他们其中一个方向就是机器人世界模型，他们正在往那边靠，大家可以去看看。我对你自己做模型有一个问题是，你是在什么约束下工作的？打个比方，在语言模型这边，你看 GPT-OSS 20B 就很适合一台普通 MacBook，再大的版本适合单卡 GPU。你们是在机器人的约束下工作吗？模型是跑在端侧、云端，还是混合的？这又怎么影响你们的数据 scaling law？一百万小时很好，但接下来我们就一直加参数、加数据吗？
Jason：嗯，这个问题问得好。我觉得机器人跟语言模型和其他应用最不一样的地方在于，对于 coding agent、语言模型来说，有一点延迟是可以接受的，对吧？今天不管我问 ChatGPT 什么，它都要花几秒钟才吐出东西。但对机器人来说，推理延迟必须非常短，机器人得马上行动。它不能拿着刀愣在那里三秒钟什么都不做，那会把人吓到的，对吧？
我们的模型挺聪明的，所以还好。但一般来说，如果你想想非常动态的任务，比如你想让你的机器人拿着网球拍颠球，对吧？那就非常动态，需要实时反应。你不能等，物理规律、重力不会等你，对吧？所以出于这个原因，机器人模型必须能非常快地产出推理。而最快的方式就是在本地部署，也就是在设备端跑，对吧？因为如果你调一个模型，网络延迟就没法保证，就像自动驾驶汽车那样。
所以出于这个原因，最终部署出去的模型必须是合理大小的，能在本地跑。但这不意味着你最初训练的模型也得是小模型，对吧？就像在语言模型这边，大家都会做蒸馏嘛，想让一个小模型变得很聪明，最好的办法就是蒸馏。先把最大的模型训出来，然后再蒸馏下来。我觉得在机器人这个领域，我们正在往那个方向走，最后大家大概率会收敛到这个做法上。
Vibhu：那推理呢？你们有自己的推理栈吗？这里面很多都是架构层面的事，你们把扩散变换器这些都搬过来了，我猜你们还能从别的框架里取东西吧。有什么可以分享的？
Jason：我们给自己部署的每个模型都自建推理栈，因为就像我刚才说的，延迟太重要了。所以对机器人来说，把整个技术栈握在自己手里极其关键。你得针对自己跑的模型去优化推理速度，这里面有大量工作要做，这就是我们在做的事。
数据、硬件与全栈路线
Swyx：你们是真正的全栈，从执行器一直到工业设计——ID这个缩写我之前还真没怎么听过——再到模型和数据，全都是你们的。
Vibhu：我挺好奇的，这些执行器是你们自己的吗？这一堆东西里有多少是自主研发的？设计当然算，但执行器这类硬件，你们到底做到了机器人技术栈的哪一层？
Jason：我们判断一个部件该自己做还是买的标准是这样的：如果一个部件的输入输出非常明确，而且市面上已经有非常成熟的好方案，那就没必要自己造。比如这台机器人上你能看到激光雷达，就是这几个黑色的圆，用来帮机器人探测障碍物、感知周围环境的。这是一项非常成熟的技术，人们已经用了几十年了，自动驾驶车上都有，所以我们不需要从零开始造激光雷达，一些相机也是同样的道理。
但对于任何我们认为对整机最终性能至关重要的东西，我们的想法就是一定要自己掌握、自己造。比如说你刚提到的执行器，这正是我们在做的、并且要完全自研的部分。原因是执行器的质量以及它的设计方式，直接决定了你能不能把这台机器人建模建得好。执行器是驱动机器人的核心，你要想在仿真里把机器人建模得很准，或者做任何形式的建模，就必须选那种本身就容易建模的优质执行器，这就是我们最终关心的点，所以这块我们会自己掌控。再比如机器人的比例，这台机器人的尺寸是我们对照真人来量的，因为我们要用人类数据做预训练，这样迁移效果才是最好的嘛。硬件里有大量这样的决策，它们都和这件事紧密相关。因为归根结底，是硬件承载着智能。智能这个东西极其重要，我们要确保硬件是为它服务的。
Swyx：我想特别提一下，不知道这跟你们有没有关系，但我谈过最有意思的一个机器人话题，是有人特别焦虑执行器，尤其是磁铁，因为据说美国自己不产磁铁。全球只有两个国家产稀土材料。我不太清楚具体是什么化学成分，叫什么材料我也说不上来，但总之如果有人感兴趣的话，这显然是一个卡脖子的瓶颈。它就是个瓶颈啊，那我们该怎么办？
Jason：不，这不算瓶颈。这是个好问题。现在确实有很多关于把制造业搬回美国的讨论，也挺让人兴奋的，但对机器人来说，这其实比看上去难得多。我甚至觉得，到现在为止，美国还没有一家公司真的是所有东西都从零开始在美国本土造的。哪怕他们说自己组装机器人、说自己在美国做了哪些东西，他们的原材料仍然要从世界其他地方采购。我觉得做机器人的必须清醒地认识到这一点。
作为一个全栈机器人公司，我们才真切体会到供应链有多长、整个问题有多复杂，真的极难。而且我觉得眼下很多讨论都集中在机器人基础模型的数据上，但硬件有多难、做好硬件有多难，这一点被严重低估了。我认为未来它会极其重要。
Swyx：这是个选择，对吧？有些公司选择做无平台的路线，他们只做模型，然后会说我们可以部署在任何平台上，比如我们就部署在 Optimus 上这种现成的机器人平台。显然你们什么都自己掌握，就能这么干。你们觉得自己会在美国建得更多，还是会打造一条自己的全球供应链？哪个方向的可能性更大？
Jason：我们现在正在探索很多不同的选项，因为如果走全球供应链，就会有一些地缘政治上的问题，海运、船期延误之类的各种麻烦。在美国呢，从零到一就是得花点时间。所以我们在想一个方案，既能让我们在美国多造一些，又能利用全球供应链。
不过回到你刚才那个问题，有些公司只做模型，我们全栈自己做，我觉得这件事做对特别重要。我的感受是，机器人这个领域，难的地方在于把整个系统搭起来。那要搭一整套系统，需要哪些东西？我之前在 DeepMind、在 NVIDIA，主要都是做模型的，我当时就看到了系统的上限在哪里：你不掌控硬件，就没法去优化它。你想啊，机器人的价值最终是提供一项服务，解决一些物理世界里的任务。要解决物理任务，你就得能优化所有环节，这很重要。
Vibhu：你们有机器人了。跟我们讲讲设计吧，你们自己定制的平台。这东西叫什么？它不是人形，表面很光滑，但那个会转的臂是什么？
Jason：我们一般把它叫半人形。基本上上半身是人形的，当然有肩膀、有手臂，腰部还有四个自由度，所以上半身人能做的动作它基本都能做。但下半身是轮子，所以叫半人形。
为什么选轮子？因为我觉得这里有个取舍，实用性和性能之间怎么平衡。用腿的话能耗会高很多，稳定性也差很多，安全上极难保证。现在的双足机器人，其实没法保证它全程都站得稳、保持平衡。你们肯定看过不少机器人跳舞的视频吧，那种跳舞的机器人确实很容易摔倒。
Swyx：我觉得你们真正有意思的创新是另一个地方。看，这是我们的其中一个原型，后面这台叫 Mewtwo。这台就是一个上下升降的轴，然后你们选择往这种能倾斜的方向去做。等下我们要放洗衣的演示，你得往机器里面探身子进去，对吧？那是另一种自由度，我连词都找不到形容它。不是俯仰，也不是偏航，是别的东西。
Jason：对，我们是怎么想的呢？其实这个动作平时锻炼的时候很常用。我记得有几年前的时候，我锻炼的时候不小心拉伤了肌肉，相信你们也有过这种经历。接下来好几天你根本动不了，或者睡觉睡错了姿势，脖子僵得厉害。每次遇到这种情况你就会意识到，哇，原来我们身体有这么多肌肉、这么多自由度，平时天天在用，完全习以为常。可一旦某个功能没了，你会发现那些本来觉得特别自然的动作变得特别别扭。我们设计机器人时也是这么想的。
如果是一个纯电梯式的设计，只能上下走，我们会发现人体躯干在日常体力活动里大量用到腰和背。哪怕我只是想拿这瓶水，我也不光是动胳膊，如果我得刻意去想固定住上半身，那对我来说就很奇怪，我总会自然地这么做。人类有很多下意识的身体动作方式，我觉得如果机器人也有这些自由度，同样会很有用。你再往下想一层，我们想从人类数据里学习，人是时刻都在动躯干的，你想把这些数据喂进模型去控制机器人。但如果你的形态做不到这一点，迁移效果就会打折扣，机器人也会更笨拙、更别扭。
Vibhu：那数据标注这块是怎么回事？我看有人……这是最后后训练微调的一部分吗，就是实际用遥操作或遥控让机器人做动作、把运动映射过来？还是有一部分是泛化过去的？
Jason：哦，对，泛化得很好。我在你们面前展示的所有新机器人的演示，都是因为这台新机器人刚就绪没多久，所以跟之前给你们看的固定机械臂比，它的数据量其实少得多。但模型在预训练阶段没见过这种形态，它却能很快学会你看到的那些任务。我觉得这很大程度上是因为，早在硬件就绪之前，我们就已经确定要用人类数据做预训练了，因为我们知道总有一天我们的机器人会接近人的形态。硬件在准备的同时，训练这边可以先跑起来。现在我看到，这种迁移确实存在，而且帮助非常大。
Vibhu：说说评测这块。你可以有预测，可以让它做事，时不时也能看到它失误。你们还会测一些特别细的场景，比如往药瓶里装药片。这个过程要多久？你们怎么看待部署到新任务、做评测、再迭代这件事？大概是什么样的？
Jason：如果你给我提个新任务，我就来办公室，采点数据，训个模型，看看会发生什么。就这么着，采一小部分数据，训个模型，然后直接部署到真实环境里，再看它的表现。
Vibhu：我说的采集数据，是指有个人实际操作，先把这个任务做一会儿。然后你们就训练？效果还行，再改进。那你们怎么衡量呢？
Jason：训模型的时候，有一些指标可以看嘛，跟训任何模型一样，看它收敛得好不好。之后在机器人领域，我们现在就是直接把模型放到真实世界里跑，就用采数据时的那套装置，看模型表现怎么样。有时候模型开箱即用就很棒，基本不用再做什么。但如果模型只做到七八成，那你就要观察它的行为，找出它哪里不行，然后再多采点数据，迭代，对吧？
我觉得这就是机器人版的 RLHF，也就是用人类反馈做强化学习。机器人自己跑一遍，你可以给它打分，好、差、或者还行。然后这些机器人自己的经验数据就能用来训模型。你也可以自己再多采点数据来训。最终我们的目标是，这个机器人就是我们的平台，任何人都能在上面训任务。
Vibhu：我想让你预测一下，这事大概什么时候能到什么程度。现在这些任务都还比较简单，比如把衣服从洗衣机里拿出来，是条毛巾，不能压皱；切点菜。另外还有那种，把这个摄影棚搭起来，搬东西、挪桌子、架灯。工厂场景什么时候能看到？要做到规模化需要什么？看起来你们的硬件已经为此准备好了，但什么时候能从只切一样东西，进化到我丢一个菜谱给它就行？
Jason：嗯，我觉得有几件事。第一，你看过的那个洗衣演示，它跑完一整个流程要一个小时，对吧？所以机器人能完整做完一件事的最长时长，已经到了小时级别了。但要让它对任何任务都能做到这点，我觉得瓶颈还是回到数据和硬件上。
有些任务，比如布置场地，你可能需要比平行夹爪更灵活的东西，比如一只灵巧手，像人手那样的手。可如果你想用这只手来训模型，就会被硬件稳定性卡住。今天最好的灵巧手还是不够耐用，很快就过热，你真的是得给它绑个冰袋，给人手用的那种。硬件限制是大问题，而且如果硬件受限，一切都会被拖慢，因为你要知道自己在某个任务上有没有进步，最终都得在硬件上做评估。如果评估不能随时快速进行，研究进度也会被限制住。
那我们怎么采到正确的数据呢？我觉得关键是，怎么采到足够复杂任务的数据，比如搭建这个摄影棚。你可以想象，今天大部分数据都是视觉为主的，就是视频流加上机器人关节动作的编码。但人有更多的传感器，我们能听到东西，能感觉到东西，还能闻到东西。我们无意识地利用所有这些感官，才变得这么擅长操作物理世界。但如果今天我们完全没采集这些信息，那就算你把数据扩到几百万小时，可能也只是漏掉了任务的关键维度，永远解决不了这个任务。我觉得这些才是真正拖慢时间线的东西。
但对于那些今天就能高保真采到数据的任务或工作流，我不认为有什么根本性的瓶颈。就像我们这周向公众展示的那样，我们有一个物理 agent，能像人一样完成整个洗衣流程。因为那个任务不需要超出平行夹爪的能力，也不需要某种今天还不存在的感知方式。所以我确实认为，要做更通用的东西，最大的瓶颈仍然是硬件和数据。
真实部署：从折毛巾到包馄饨
Swyx：借这个机会，让你炫耀一下你们的客户和合作伙伴。你们已经公布了一些合作关系，可以从 Best Western 说起，再讲讲其他你们比较自豪的。有什么好听的故事吗？
Jason：我们网站上有一篇部署博客，写得详细得多，我真的很推荐大家去看那个视频——我们给所有正在合作的客户做了一个视频，一个视频讲全部，拍得挺不错的，能看到我们在做什么。我们有客户比如 Best Western，是酒店行业，我们帮他们折很多毛巾和床单。每家酒店、每家健身房、每个健身中心都需要这个。
Swyx：那现在部署到什么程度了？我去哪儿能看？去哪家 Best Western 能看到？
Jason：如果你想去看的话，我其实更推荐去我们的另一个部署点，鼎泰丰。你去鼎泰丰，或者任何稍微高档一点的餐厅，桌上都有餐巾对吧？我们现在每天替美国好多家不同地点的鼎泰丰折几千张餐巾，这其实是我们规模最大的客户。这里我想区分一下：现在很多机器人公司都在说部署、说试点，但真正难的不是把机器人放进一个地方做个试点，而是客户真的认可你的机器人创造了足够的价值，愿意把它铺到很多门店里去。这件事在我们这儿跟鼎泰丰发生了，据我所知做类似通用机器人的其他公司还没做到。在鼎泰丰，我们的机器人每天折几千张餐巾，质量标准极高：他们要求第二道折痕，也就是餐巾的边缘，要比放筷子的口袋低个一厘米左右。这是个非常精细、高精度的任务。
Vibhu：从某个层面来说，这正是机器人擅长的事，对吧？人类在小细节上并不是一致性最好的，而机器人可以做得几乎完美。有意思的是，你拿这个当通用机器人的例子，因为大家可能会觉得，折餐巾这种活应该有个专门的机器人，精确到毫米地折好，而不是用你们这种通用的。
Jason：对，也许真有一个专门的，我不确定。但操作可变形物体这件事本身就很难，像餐巾、毛巾全是可变的，可能的形态有无限多种，这对专门设计的机器人来说真的很困难。我们发现的是，在一个机器人上开发一个通用模型，再针对这些场景去做适配，反而能更快地达到生产质量。而且特别好的是，现在鼎泰丰规模扩大了，跟我们签了更大的合同，他们不光想让机器人折餐巾，还想让机器人切菜——这就是为什么我们之前有个例子是把食物切成特定的形状。鼎泰丰每天要切大量的蔬菜，还有包馄饨、折叠，那可是最终 Boss。
Vibhu：最明显的优势是你们能把它适配到任何东西上。我觉得你还提到了另一件事，就是速度，对吧？要做一台定制餐巾机，按精确的折法来，你得专门造机器，不可能直接在 Amazon 上买一个。但你们这个能很快搞定，对吧？
Jason：对，这个做得非常快，现在已经达到人类水平了，而且这台机器人不会累，不需要休息。我特别喜欢你说的 consistency 这一点。鼎泰丰有个问题，他们的洛杉矶店、纽约店、西雅图店折餐巾的方式会略有不同，但从他们的角度，他们想要一致。而这正是这类模型擅长的，因为模型就是一组权重，你可以把同一套权重装到不同地点的不同机器人里，还可以 OTA 空中升级，一次性把所有机器人都更新了。一旦跑通了，我觉得真的是太不可思议了。
Vibhu：最终 Boss 应该是 Cheesecake Factory。如果故事成立的话，他们是完全从头开始做的，一切都极其一致，精确到每一克，每种酱都是现做的。不管你在世界哪个角落，吃到的都是一模一样的东西。你要是不知道，根本看不出来。但那才是真正的最终关卡。
Swyx：我脑子里蹦出来的词，有点像机器人界的苦教训，对吧？与其做那些专用机器人，里面全是工业工程的东西，不如做一个通用平台，然后给它做最后一公里微调，把这些事都能干了。
Vibhu：在模型外面给专家加个插件什么的。那到底什么是机器人领域的苦教训？
Jason：我觉得机器人有好几条苦教训。第一条是，机器人也会像机器学习已经解决过的其他领域一样靠规模取胜，数据越多越好。但在机器人这个领域，最难的一点是，什么叫正确数据，比别的领域难判断得多。语言嘛，就是文本；电子游戏嘛，就是游戏数据。但机器人不一样，你选什么传感器，就决定了你有什么数据。不过只要你传感器选对了，然后把数据堆上去，模型性能的提升是可预期的。由此推论出来的是，现在机器人研究里有很多工作都在塞非常具体的先验，比如说要让机器人看到物体是什么就画个框，这样感知会好一点。但我认为这里的苦教训恰恰相反：算法保持简单，把正确类型的数据堆上去，泛化能力和更好的行为自己就会涌现出来。第二条，也是我认为最主要的苦教训：说到底，规模化一定有效，但在机器人这里怎么规模化难得多，因为没有互联网。你得自己搞硬件、选传感器，把这些全做对，然后才能去堆量。
Vibhu：有一种说法是，这个世界本来就是为人类设计的，所以机器人应该做成人的样子，对吧？不管这在硬件上有多难，你想十年后、二十年后，我们能不能造出一个真正高效的人形？但眼下还是得务实，用我们现在有的东西，对吧？
Jason：我的想法是这样的：是的，最终机器人应该是人形的。如果我们想造一个能适应尽可能多用例的通用机器人，我认为人形是最好的形态，因为人类几百万年就是这么活过来的。但我觉得造人形机器人最好的方式是走迭代路线。因为机器人太难了，整个技术栈太长，事先根本不知道哪个决策是对的，而且硬件决策代价高得多、成本大得多、迭代又慢得多，所以你其实应该采取渐进式的小步迭代，而不是一上来就做到最终的形态，因为你做出来的东西很可能撑不住，最后反正都得推翻重来。你看 Optimus 都已经是公开新闻了，它已经迭代了很多轮，设计也推翻过好几次。而我觉得，用一个半人形的形态去迭代，真的把它放到实际客户那里，或者让模型真正部署起来，你就能拿到那个反馈闭环。如果你只是闷头去造一个仓库用人形机器人，花五年十年，你是拿不到这种反馈的。我相信迭代这条路，反而能让我们更快接近最终的机器人。
Vibhu：我得说一句，没看画面的听众注意一下，这大概是我们见过最流畅的机器人了。你看过的所有人形机器人都一顿一顿的，连真人走路都没它顺。
Swyx：因为模型可以一次性控制每一个电机，同时动两个以上关节，是吧？你能不能给个数量级，动作空间大概多大？而且都是连续值，对吧？
Jason：对，这其实是个很难的问题。你光想模型这一层，它的输出是动作，有个动作维度，维度越大，模型越难拟合数据。而我们这里的动作空间相当大，差不多一百个动作维度的量级，而且都是连续的。所以模型基本上是在非常高的频率下预测，每秒至少十次二十次，每次输出一个五十维左右的向量，这样才能得到连续的运动。可能还往前预测一到两秒，那就又是一百帧左右。这里面还有点历史感，跟之前说的状态上下文类似。上下文在机器人里是非常重要的，不然你只根据当前这一帧观察来做决策，有时候真的很难判断下一步该干嘛。比如你想开微波炉，开到一半的时候，根本分不清你是在关它还是在开它。所以上下文真的很关键。
Swyx：我手里有冰箱演示的截图，里面有代理式规划、工具使用这些内容，可以给听众们看看。我觉得这块挺有意思的。模型出来之后，你怎么把它包进代理式外壳里？具体是 Claude Code 的部署方式吗？就是从模型输出到最终成品之间，具体包了哪些东西？这是按每个场景单独定制的吗？还是你们有自己的 SDK？
Jason：我们最终会出自己的 SDK，但我们现在的思路是给机器人基础模型做一个通用的代理式外壳层。今天这个模型就是我们自己的。我这么理解：在物理世界里做任何真实的、长时程的任务，都有大量高层决策要做。不只是让机器人在动作层面推理物理世界、输出连续的轨迹，那其实是很底层的，是你真正在物理世界里执行的东西，但那不是意图本身。比如我们做决策的时候，脑子里想的是菜谱的步骤：哦这一步做完了，下一步该做那个；等这部分完成的时候，我得先去别的地方干点别的。这里面有大量的认知和决策。我觉得机器人哪怕只是处理我们给你看的洗衣任务，也必须有这种能力：洗衣机正在转，那我就先去做点别的，等它洗完；现在洗好了，我得马上把毛巾从洗衣机拿出来放进烘干机，不然整个流程就卡在这一步了。理论上你可以只靠一个输出底层动作的模型去学这些，但效率会低得离谱。这就是为什么我们要搞分层系统，在世界动作模型外面套一个代理式系统的外壳，这样模型才能组合不同的能力和技能，去完成长时程得多的任务。这跟语言模型特别像：两三年前，模型还只会自动补全，你得一直点一下它才继续吐代码；但今天，一个代理式系统就能端到端地把任务跑完。现在机器人领域大家还在想怎么做到一分钟、三十秒这种任务级别的自主，但真正的价值在于那些无人监督、连续跑好几个小时的任务和工作流，这正是我们在做的方向。所以我才说，要把机器人问题当成一个系统问题来想，而不只是一个建模问题：你需要好的 agent、好的外壳工程师、好的模型、好的硬件，什么都得有。通用机器人就该这么解决。
行业格局：世界模型还是VLA
Vibhu：我有两个技术问题。第一个，你有没有给自己定目标，比如六个月、一年、两年之后，机器人应该能做到什么？你们正在朝哪个方向努力？
Jason：六个月到一年这个范围内，我们的目标肯定是把机器人和模型都规模化，真正让它们落地部署，去做完全不一样的任务——就像现在切菜或者开冰箱这种。我们在探索很多不同行业，没有一个特定任务是觉得必须拿下的，因为我们的目标是做一个通用模型、通用平台，把每个不同任务都当作对平台的验证，当作一个切入点，帮我们搞清楚怎么把一切都做得更好。所以现在我们做得最多的是洗衣和餐厅，已经部署了几十台机器人，明年的目标总体是把部署量做到几百台。
Vibhu：我的第二个技术问题是，你怎么看整个行业的其他玩家？别人在做世界模型时都有哪些路线？为什么他们是错的？他们的方法里又有什么不一样但不错的地方？这个领域机器人世界模型的整体格局是什么样的，你们又是怎么走到现在这条路的？
Jason：我觉得机器人是当下最让人兴奋的领域，有太多我很尊重的优秀公司也在做前沿工作。我们看到现在做机器人的路线还有很多种：我们认为硬件必须自研，要掌控整条链；我们认为扩展人类数据极其重要。但也有公司在押注只扩展机器人数据，或者扩展某种中间数据采集设备。这些方案都在牌桌上，是不同的路线，现在还太早不好下结论。但我们对自己做事的方式挺有信心的，因为从使命上讲，我们不是来只做一个模型的，我们是来真正把机器人部署出去的。所以我们尽可能多地部署，去啃硬骨头，这样能更早发现问题，找到真正的瓶颈并解决它。对那些只做问题中某一部分的人，有点像战争迷雾，你看不到全貌，可能做出技术上很酷的东西，但最终未必是人们需要或想要的。机器人行业有一大片坟场，那些公司的机器人都很炫，但真正运营一家机器人公司把它落地，其实非常难。
Vibhu：技术层面，你们有世界动作模型，这在行业里是标准做法吗？还有别人在走的其他方向吗？
Jason：我会说这个也不是标准的。我们是在世界模型之上建世界动作模型。有很多公司在做世界模型，比如 Runway 也在往适配的方向走，做视频世界模型；也有公司在做视觉-语言-动作模型（VLA），就是把视觉语言模型拿来改造成机器人用的。我觉得路径有很多种，但说到底，给模型起什么名字，不如从第一性原理上讲清楚这个模型到底要能干什么来得重要。
我觉得做机器人这件事，最核心的一点是你要能预测未来。任何物理系统本质上都是这样：基于你此刻和过去掌握的信息，下一步该做什么？预测机器人的动作，说白了就是预测机器人下一步该干嘛。但你再想想，机器人只是世界的一部分，机器人会影响世界，世界也会反过来影响机器人在环境里该怎么动。这么一想，最彻底、最接近第一性原理的做法，就是尽可能多地预测这个世界，这就是我们认为预测未来极其重要的原因。今天它的落地形态就是世界动作模型。而 VLA 只预测机器人动作，或者一个更抽象的世界表征；可一旦你在预测抽象表征，你就把自己认为什么重要的这个偏见编码进去了。那个苦教训一直在提醒我们：把人的偏见去掉，直接拿最原始的表征——也就是相机输入，把它全预测出来。这就是我理解今天机器人建模的方式。
Swyx：那我追问一下，你其实是在说你们的方法比 VLA 更好，对吧？因为你强调的是预测，这一点我完全认同，真的被你说服了。那如果你错了呢，最可能的第二名是谁？别人在做的是什么？
Jason：我之前说的话有个前提，我觉得我可能就错在这里。我说要尽可能多地去预测世界，但这没说你的传感器是不是已经包含了你需要预测的所有信息。比如你训练一个纯基于视频的世界模型，它会是很强的世界模型，但可能不够丰富，因为你漏掉了世界的关键侧面，比如声音、触觉。所以我们可能错的地方是：我明明有最好的视觉世界模型，结果明天有人拿出一个视觉加触觉的世界模型，数据效率高出一百倍——就因为视觉是个信息量很大但冗余度也极高的输入，相邻像素变化都不大，你不靠完美视觉也能理解世界，而触觉或其他模态的信息密度可能高得多。如果能预测那些，你可能用少得多的视觉就够了，同样的性能，算力和数据都省一大截。
Vibhu：还有一个层面，就是需要多少数据的问题。
Jason：对。我之所以提这个，是因为如果最终解决机器人问题的，是视觉加触觉、或者再加音频的世界模型，那么机器人公司会比想做机器人转型的视频生成公司做得更好。原因是理解感知这件事非常复杂，我们从公司成立第一天就在做，知道瓶颈在哪，知道怎么把它们组合起来。但如果你只是想拿个视频模型改造成机器人动作，万一光靠视频模型不够，你其实没有让触觉真正好用的本事，而我们有。
Swyx：顺带问个小问题，我觉得很快能答完。热量看起来很重要。红外对你来说只是另一种颜色，还是说它有别的意义？
Jason：它可以是另一种颜色，模型的又一个输入。实际上在烹饪场景里就能用上。我知道有公司用红外来判断食物熟没熟，因为这事用 RGB 相机真的很难判断。
个人经历与公司文化
Swyx：我想聊点你的个人经历和背景。我俩都上过宾大。
Jason：我今天才知道这事，太巧了。
Swyx：是吧。我最大的遗憾就是当年没参加 DARPA 的自动驾驶挑战赛，那样我可能早就进了 Waymo 早期团队。你在 GRASP Lab，后来又在 Google 和 NVIDIA 待过。你说说看，学术界、Google、NVIDIA 这几家的关注点分别有什么不同？然后显然最后你想算了，我自己干——你也可以去 OpenAI 的机器人实验室啊。所以你就按时间线给我们捋一遍，顺便说说每个地方你学到了什么。
Jason：按时间线的话，也许先说说我当初是怎么入行 AI 的会更有用。小时候我在日本和中国生活过一段时间，从小下围棋，就是 AlphaGo 下得那种棋。AlphaGo 出来的时候我刚上高三，我当时整个人都被震住了，因为这棋我下了好多年，特别复杂。我记得在 AlphaGo 之前，大家都觉得围棋是 AI 永远解不了的游戏之一，搜索空间比宇宙里的原子总数还大，你怎么可能搜得出解法？结果强化学习一下就把它破了。我就是从那开始对 AI 着迷的，一直对能自我提升的模型、系统、agent 特别感兴趣。
所以我到宾大读博的时候，一心想做强化学习。我是双导师制，当时两位导师都对 RL 感兴趣，其中一位偏机器人方向，他之前在 Berkeley 的机器人实验室做过博后，我就这么接触到机器人了。宾大的 GRASP Lab 应该是全世界做机器人最好的地方之一，我博士期间就是这么一路做机器人的强化学习的。之后我又做了不少研究，思考怎么把强化学习和人类数据结合起来，怎么用非常严谨的理论方式做 RL。然后我去了 NVIDIA，正好赶上 GPT-4 发布。那时候我们特别想解决一个转笔的任务。
Swyx：那是灵巧操作的极限嘛，对吧？你能解魔方，然后你就能……
Jason：当时我正跟 UCO 的 Jinpeng 合作，你们应该也认识。我们就想着，来试试灵巧手转笔吧。最初的想法是从人类视频里学，盯着人怎么做。但我很快意识到，现在根本没有一只灵巧手能转笔，那我就算算法学得出来，拿什么去评测？所以我想，得先在仿真里试。结果我一动手给机械手加支笔搭仿真环境，立刻看出问题在哪了：如果让我自己设计这个仿真环境和强化学习的奖励函数来解决转笔，根本不可能，我写不出所有需要的项让 RL 学到正确的行为。后来我就想，如果一个会写代码的模型来做这件事呢？这就是 Eureka 项目的由来。在我看来，我们做出了第一个能在仿真里递归自我改进的机器人 agent，因为我们用它解决了一个从来没人演示过的新任务。这让我看到了用语言模型、用 coding 模型来加速机器人研究的潜力。
之后我去了 Google DeepMind，因为他们有 Gemini，至今也是前沿模型之一，我一直在琢磨怎么用 Gemini 做机器人。但慢慢我发现，做学术研究虽然很有意思，心里总有个疑问：这些到底有没有意义？在实验室里做这种事，别人会问你，你怎么总能想出这么多有趣的任务？其实就是在给自己出题、给自己打分。我想要更真实的东西，想要真能让全世界几百万人用起来的东西。我觉得 2024 年底是我们启动 Dyna 的时间，那时候把这些技术真正带到现实世界里正合适。所以我跟 Lindon Gao 和 York Yang 一起创办了 Dyna。快进两年，我们的平台、模型都建起来了，机器人已经在鼎泰丰干活了，你去看看。
这一路走来不容易。不过到现在还让我特别兴奋的，是有些想法我们创业时暂时搁置了，因为开公司必须很务实。我觉得 2024 年仿真还没准备好，但现在有了新一代前沿模型，加上我们内部看到的一些东西，情况可能会变。这非常让人期待。
Swyx：那我们也聊聊公司文化吧，你们建公司是靠什么原则在撑的。很明显，科学和研究议程是你负责的。而且感觉我们见到工程师的时候，大家都特别投入，主人翁意识很强，动力也很足。
Vibhu：我觉得挺有意思的一点是，大家会做多少个人副业项目。我们看过的一些演示，就是负责那个的工程师说，这个看起来好玩，那就顺手做了呗。说到你刚才讲的那种好玩的评测，就比如镜头后面两英尺的地方……
Swyx：这个不能说。
Vibhu：就是那个评测，四个荧光笔用橡皮筋绑在一起，对吧？谁能想到要测给荧光笔套橡皮筋这件事啊。反正就是有点裂变的感觉，这里的人非常有创造力，是个很棒的地方。
Jason：对，文化这块。嗯，先说说我们怎么运营一家公司吧。我们把自己定位成最终是一家研究加产品的公司，有点像 OpenAI，你做前沿研究，但最后所有东西都会通过 ChatGPT 和 Codex 落地，我们也是这么想的。我们不是来做那些当下觉得有趣、没有边界的事的，我们一直是产品驱动的。比如我们想把机器人和平台部署到一个新客户那里，那有哪些技术问题必须解决？我们必须解决泛化，必须解决全身控制，必须解决快速适应，必须解决让机器人听懂语言指令，必须解决灵巧性。等这些问题都拆清楚了，我们的工程师能力很强，都很聪明，他们就会自己造任务的实例，造一些能压力测试这些能力的任务。比如抓饮料那个任务，其实就是在测语言跟随能力，你可以随便指定你想要什么，如果模型真的理解意图、遵循指令，它就该能做到。所以我们就是这么想的：在最顶层，我们确定哪些问题是必须解决的，然后下面有很多子项目去推动执行把它们解掉。再加上招对人，这里的每个人对机器人都超级有热情，干这行很久了，真心喜欢。我们只是营造一种文化，让这些事情自然发生。真的是个很好玩的工作地方。
Vibhu：公司在技术研究和软件这边，跟硬件这边，大概是怎么分配的？
Jason：我们最近扩张得很快，所以我手上没有特别精确的数字。但硬件这边我猜大概是百分之三十到四十的人，因为硬件需要的人更多。然后模型团队大概十个人。再就是软件工程师、机器人工程师，业务侧也有很多非常厉害的人。做机器人公司最爽的一点是你能看到一切，太阳底下任何可能用得上的东西最后都用得上。所以你会接触到特别多不同背景的人，而且他们都真心热爱机器人。我觉得这对作为创始人的我来说特别开眼界。以前我在实验室做研究员、读博士的时候，每天跟研究者聊天，那也很好，我到现在也还在这么干。但现在我也从各行各业不同的人身上学到太多东西了。比如我们有些采集数据的人，之前完全没有机器人经验，之前在零售业或者其他岗位工作，来了之后也被训练成了很专业的机器人人才，看着真的挺震撼的。我一直觉得自己还在学，在机器人这个领域我永远都在学，从来没有像现在这样学得这么多。
愿景、名字与收尾
Swyx：最后收尾一下，Dyna 要去哪里？两年后、五年后，愿景是什么？
Jason：我们的愿景是真正把机器人和智能带进物理世界：看到我们的机器人部署到成千上万、甚至几百万个客户那里。那是我们想去的地方。
Vibhu：Dyna 这个名字是从哪来的？Dynamic 吗？背后有什么故事？
Jason：名字是我起的，当时内部有不少备选。它有两层来源。第一，图灵奖得主、强化学习先驱 Richard Sutton 很多年前写过一篇叫 Dyna 的论文，讲的本质上是一个用世界模型自我提升的智能体。创办公司时我们还没在做世界模型，但我一直相信机器人问题最终会靠它解出来，而现在技术方向正好收敛到这里，所以这是个很酷的灵感来源。第二件更私人一点：我在日本长大，我出生那年有一部动画片《奥特曼》，那一年的奥特曼就叫 Dyna。这是个小细节，一般人都不知道，不过现在估计大家都会知道了。
Swyx：我觉得 Richard 本人会很欣赏这一点。你有没有跟他聊过？
Jason：没聊过，我只在强化学习的会议上见过他。下次我会邀请他过来，直接告诉他，这家公司灵感来自你。
Swyx：好，最后有什么想说的，或者号召大家干点什么的吗？
Jason：我觉得整个行业现在还是太爱做 demo 了。我以前在实验室做了很多 demo，今天在这儿也得演示几个。但我真的希望更多人冲着目标去，不惜一切代价把机器人真正部署出去，让机器人基础模型跟硬件结合，跑到真实客户现场。在这方面我们是先行者，也希望这个领域出现更多这样的人。如果这期节目的观众对这个使命心动，觉得解决当下最难的问题就是每天起床的动力，想来一起干，那我们一直在招人，期待你来。
Swyx：湾区？其他地方有吗？
Jason：目前只有湾区。不过公司越大，其他地点也不好说，永远别把话说死。我最希望看到的，就是世界上多跑一些机器人。
Swyx：恭喜你们做成这一切，两年走到这一步真的太不可思议了。这次到你们现场录，我一点都不后悔——我们大部分采访都在自己工作室做，但这次值了。
Jason：谢谢，真的很感激，也谢谢你们来。我觉得做机器人就得在现场聊才有感觉。
原视频：Dyna-2: General Purpose Physical Agents with Hour-Long Autonomy — Jason Ma, Dyna Robotics
https://www.youtube.com/watch?v=BHiYomkfoGQ
中文播客：在小宇宙App搜《硅谷对谈》，或直接访问下面的链接
https://www.xiaoyuzhoufm.com/episode/6ad273000e4e410a05be0a59
编译：磊哥Thomas