“世界上最無聊”機器人公司探到Scaling Law：百萬小時資料、Bittersweet部署、VLA到WAM，以及矽谷流派之戰｜再訪Dyna Robotics【101影片播客】

Dyna Robotics 聯合創始人 Jason Ma 認為，機器人能不能落地，取決於整個系統是否足夠好，而不是有沒有腿或靈巧手。這集節目以技術與部署為主軸，談 Dyna 從 VLA 轉向 WAM 世界動作模型的理由、用一百萬小時第一人稱影片找到的跨本體遷移 scaling law、鼎泰豐疊餐巾十個月部署的 bitter sweet lesson，以及他對 Physical Intelligence、Figure、特斯拉與大廠競爭格局的判斷。標題所稱的「最無聊機器人」只在開場與洗衣房 demo 段落出現，並非全集主線。

Jason Ma 是 Dyna Robotics 聯合創始人，負責技術路線與研究里程碑，與 CEO Lindon 及工程負責人 York Yang 搭檔；本集由矽谷 101 的陳茜主持，並邀 Blue River Technology 機器人工程師張君武共同提問。讀者可以從中取得一套判斷具身智慧公司的框架：模型架構、資料來源、硬體協同設計、部署規模與 distribution，哪一環缺失都會讓商業閉環斷掉。

機器人資料仍在 GPT-2 到 GPT-3 之間，GPT moment 未必重要

Jason Ma 把當下機器人資料規模定位在語言模型 GPT-2 與 GPT-3 之間，並直言機器人可能不會有、也不需要一個 GPT moment。他的理由是產品形態不同：語言模型若不能流利對話就沒有可用能力，而機器人只要在特定場景把指令任務做好就有價值。

他以自動駕駛作類比：Waymo 與特斯拉十多年前就能做出 demo，但從 demo 到在三藩市叫到一臺 Waymo，中間的距離很長。語言模型能瞬間觸達使用者，是因為手機和電腦已經存在；具身智慧「如何把 intelligence 用上」本身就是難題。

他認為推進通用機器人至少需要一兩個突破，而模型、資料、硬體三者必須同步前進。硬體若只有五個自由度，模型再強也只能做簡單抓取。他強調，把機器學習與部署心得放進硬體迭代、形成閉環，是很大的壁壘。

Dyna 選擇大腦與本體一起做，因為客戶只買整條工作流

Dyna 屬於 York Yang 所分類的第三派：模型與本體同時做，而非只做大腦的 Physical Intelligence 派或只做本體的硬體派。Jason Ma 的論證是，客戶付費買的不是模型，模型只是整個 stack 的一部分；客戶不關心用的是 VLA 還是 world model，只關心複雜、多樣的任務能否完成。

「他們根本就不 care 我們用 VLA 還是什麼 world model，他們根本就不知道這些是啥。」

他從第一原則推導硬體形態：預訓練大量使用人的第一人稱資料，機器人形態越像人，遷移越好；但做人形要權衡腿與手，Dyna 因此選擇半人形加底盤，從今天就開始部署，同時吃到人資料訓練的好處。他明確表示，現在不能落地不是因為沒有腿或沒有手，而是整個系統不夠好，包括 observability：要知道模型當天做了什麼、機器人做了什麼、機上電腦有沒有資源競爭。

| 路線 | 代表 | Dyna 的判斷 |
|---|---|---|
| 只做大腦（model first） | Physical Intelligence | intelligence layer 尚未被證明能落地變現 |
| 只做本體（hardware first） | 多數硬體公司 | 無法掌握整系統穩定性，做產品吃虧 |
| 大腦加本體（integration） | Dyna Robotics | 客戶買的是完整工作流，閉環壁壘最大 |

從 VLA 轉向 WAM：預測世界，而不只是預測動作

Dyna-1 是 VLA 模型，團隊在長期使用後發現框架有缺陷，補丁越打越多，難以在不夠 solid 的基礎上繼續做大，於是在部署的同時重做底層架構，推出 world action model（WAM）。Jason Ma 對兩者的區別給出單一核心：VLA 只計算機器人軌跡，WAM 連整個世界未來會發生什麼也納入訓練，因此能學到更本質的特徵，有助泛化與語言跟隨。

他判斷 VLA 與 WAM 最終會合併，因為本質問題是要不要預測未來，而語言模型的 next token prediction 本質上也是在預測未來。選擇從 video model 出發，是因為既有預訓練 video model 已能預測影片，可直接利用；當時沒有可用的 JEPA checkpoint，因此未走該路線。

在推論時生成未來影片方面，Dyna 發表時的模型並未使用，但現有模型具備此能力。Jason Ma 說團隊仍在探索哪些場景真正需要，因為推論時生成影片成本高，而「更簡單的方法才更 work、更能 scalable」。

一百萬小時第一人稱影片，找到跨本體遷移的 scaling law

Dyna-2 最受注目的結論，是用一百萬小時第一人稱（egocentric）人類影片做預訓練，觀察到跨本體遷移的 scaling law。團隊在一百小時、一千小時、一萬小時、十萬小時四個級別逐步放大資料，每次十倍，模型預測都變好。真正令人意外的是：模型在預訓練中從未見過機器人，卻在人類資料增加後，對機器人動作軌跡的預測也同步改善。

「每一次我們把資料 ten x，這個模型的 prediction 就變好。」

Jason Ma 解釋這條路線的經濟邏輯：機器人搖操資料很難達到一百萬小時，要做 scaling law 就必須從最 scalable 的資料源開始；但越 scalable 的資料離機器人形態越遠，若能從遠離機器人的資料取得機器人上的 scaling，就是重大突破。他稱這是一百萬小時級別中公開資訊裡最大的預訓練規模，成本不便宜但遠低於搖操資料，因為不需要機器人，也不需要教人如何搖操。

他也指出曲線斜率放緩的原因：十萬小時以前的資料都是團隊認定的高品質資料，到一百萬小時時，業界已沒有一百萬小時帶標註的影片，許多影片沒有標註。他對「若有一百萬小時真正高品質資料，scaling 不會變慢」表示高度信心。對於改用第三人稱或與操作無關的影片，他預期仍會有 scaling law，但斜率會不同，且目前尚無充分證據。

| 資料級別 | 觀察 |
|---|---|
| 100 小時至 10 萬小時 | 每放大十倍，預測變好，且皆為高品質資料 |
| 10 萬至 100 萬小時 | 斜率下降，主因大量影片缺乏標註 |
| 下一步 | 驗證數百萬至一千萬小時，並同時 scale 資料、模型大小與算力 |

部署是唯一評估：鼎泰豐十個月的 bitter sweet lesson

Dyna-1 在實驗室成功率達 99.4%，但只有 75% 的疊餐巾達到客戶可接受的 grade 4 與 grade 5 標準；客戶要求的是幾毫米與一釐米之差的精度。速度同樣不足：Dyna-1 每小時疊 35 張、每天約 480 張，客戶要求 18 小時班制下每天 1,500 張；Dyna-2 提升到每小時 95 張、每天 1,590 張，達標。

Jason Ma 把這段十個月部署稱為 bitter sweet lesson：bitter 是比想像中難，sweet 是正因為難，解決後就能領先其他公司很多。他強調實驗室與真實部署的差距很大，成功率之外還有整齊度、語言跟隨與速度。

「你在一個 deployment 上發現的問題，跟你在同時部署十臺、一百臺、一千臺發現問題都是完全不同的，你每次 scale 就會發現新的問題。」

他解釋為何不從輸送帶類任務起步：這類任務成功率是致命的，若不到百分之百，下游就必須有人或機器做 QA，機器人反而給人增加工作。Dyna 因此選擇能由機器人獨自包下整個 workflow 的任務，即使較慢也能產生商業價值。疊毛巾之所以適合，是因為容錯率高，疊壞了也不致命，至今沒發生撕爛毛巾的情況；真正的難點後來才浮現：把疊好的毛巾整齊堆疊，第三條歪了，上面就一路歪下去。

洗衣房與 Taku：physical agent 要像 coding agent 一樣端到端

Dyna 進一步把場景推進到洗衣房，並在訪談中展示即將發布的 Dyna-2.1 與自研本體 Taku（取自日文 takumi，意為匠心）。機器人能自己把髒衣服送進洗衣機、操作按鈕與轉盤、取出送烘乾、再摺好放上架子，掉了會撿起來丟回髒衣筐。Jason Ma 說換一臺洗衣機或烘乾機，十幾分鐘到幾十分鐘的資料就能學會。

他提出一個反直覺的觀察：固定式站點機器人模型越好，人的介入率反而越高，因為疊得更快，桌上很快堆滿毛巾，人必須來收；模型不好則根本沒人買。這促使 Dyna 轉向 physical agent，把整個任務端到端包掉，類比 coding agent 相對早期 auto-complete 的躍遷。

洗衣房任務長達三十分鐘到一小時，每一步都有出錯機率，對泛化性與流暢性要求極高。Jason Ma 也提到，開冰箱這類為人設計的動作，用靈巧手其實更容易；但靈巧手硬體成熟度尚未到可直接落地，Dyna 內部只做基礎研究。

強化學習不是起點：先有問題，再找解法

Jason Ma 的博士研究起點是 AlphaGo 擊敗李世石，他當時在美國讀高中，對第三十七手「神之一手」印象深刻，並認為這與今日語言模型解出困難數學題是同一個原理：獎勵函式確定時，AI 能找到人想不到的解。

但他對在真機上跑 RL 持保留態度，因為 RL 有效的領域都需要好的模擬器，而接觸密集的操作任務離模擬仍有距離，真機並行度遠不如模擬器可同時跑四千個環境。他博士後期的工作都在解決獎勵函式無法手寫這個瓶頸：Meta 時期的 VIP 從人類影片的時間順序學 reward model；NVIDIA 時期的 Eureka 用 GPT-4 自動生成獎勵程式碼，在模擬器中跑 RL，再依表現回饋 GPT-4 迭代，本質是遞迴自我改進（RSI），當時讓 Shadow 靈巧手學會轉筆；後續 Doctor Eureka 把方法搬到真機，教機器狗在瑜伽球上保持平衡。Google 時期的 GVL 則用 Gemini 1.5 的多模態能力，以 VLM 做 in-context learning 直接標註獎勵函式，他認為 GVL 比 VIP 與 Eureka 都更接近商業化，如今已有資料公司用 VLM 做標註。

他反覆強調的方法論是：寫沒有 baseline 的論文，先確立問題，再選解法，而不是拿著一個解法到處套用。

flowchart TD
    A["問題：機器人獎勵函式無法手寫"] --> B["VIP：從人類影片時序學 reward model"]
    A --> C["Eureka：GPT-4 生成獎勵程式碼並迭代"]
    C --> D["Doctor Eureka：搬到真機驗證"]
    A --> E["GVL：用 VLM 直接標註獎勵與子任務"]
    B --> F["Dyna-2：WAM 加百萬小時第一人稱影片"]
    E --> F
    F --> G["部署回饋：鼎泰豐、洗衣房、Taku"]

護城河在硬體與 distribution，不在模型本身

Jason Ma 認為硬體與部署決定 distribution，是最重要的護城河。他以 ChatGPT 為例：若一開始沒有電腦與手機，模型再智慧也沒人能用；若 Dyna 有成千上萬臺機器人在現場，即使某天出現更好或更便宜的開源模型，也能輕易替換或混用。反之，只做模型的公司必須依靠 integrator 分發智慧，若智慧不是最好，人家為什麼要分發你的。

他對 Physical Intelligence 的 intelligence layer 路線持保留：研究很強、對行業開源貢獻大，但該模式尚未被證明，因為後訓練工作量很大，若下游客戶拿不到 ROI，上游也收不到錢，處境類似自動駕駛中只做部分環節的公司被上下游擠壓。對 Skild 的「any task, any robot, one brain」概念，他認為值得探索但困難，因為人腦只適配自己的身體就已足夠好。

對 Figure，他肯定其硬體精緻與運控絲滑，但指出公開 demo 少，難以客觀評估模型。對過度漸進式剪輯的 demo，他認為 hype 能帶動行業，壞處是造成大眾對技術成熟度的錯誤預期。他認同 York Yang 的 bubble 公式：泡沫等於當前能力與公眾預期之間的落差，乘以補上落差的時間。

| 公司／路線 | Jason Ma 的評價 |
|---|---|
| Physical Intelligence | 研究強、開源貢獻大，但 intelligence layer 商業模式未 proven |
| Skild | 單一大腦跨本體值得探索，目前尚無真正突破 |
| Figure | 硬體與運控值得學習，模型能力難以外部驗證 |
| 特斯拉 Optimus | 有機會領先，資料基礎設施與軌跡預測概念可遷移，但大廠團隊壁壘拖慢迭代 |
| 宇樹 | 有平臺者存活率高，跳舞模型未必自研也無妨 |

他判斷終局會有多個贏家，因為物理世界的轉換成本很高，客戶一旦把系統用好就難以更換，越早做 distribution 優勢越大；模型層的轉換成本則很低。他也不特別擔心 OpenAI 等大廠組建機器人團隊，因為 Dyna 掌握部署資料、硬體平臺與成功率壓力下的資料品質見解，別人把模型做好反而對 Dyna 有利。

值得追蹤的張力

Dyna 的技術敘事建立在一個尚未完全兌現的前提上：一百萬小時影片的 scaling law 能否延伸到一千萬小時，取決於市場是否有足夠的高品質供給與標註基礎設施，Jason Ma 自己承認這兩者都是待解問題。另一個張力在架構選擇：WAM 以影片為主要模態，但門的輕重、杯中有沒有水這類物理量無法從畫面判斷，觸覺資料是否必要在機器人學習領域仍有爭議，Dyna 的態度是先看實踐。還有一個時間點值得注意：Dyna-2.1 與 Taku 在訪談時是「週二即將發布」，本集於 2026 年 10 月 19 日刊出，其真實部署表現將是檢驗這套「模型、硬體、部署、資料基礎設施、可教性、physical agent 六根柱子一起 scale」論述的第一個外部證據。