DYNA 沉寂了大半年后，再次谈“规模化才是充分条件”。

8 月 3 日早上，DYNA Robotics 联合创始人 York Yang 在个人公众号发了一篇文章，标题叫《规模化才是充分条件》（"DYNA2 要来啦"）。当天晚上，这篇文章被设置成了不可见。

文章不长，倒是没说下一代模型细节，核心信息我们总结了一下：

一家沉寂了大半年的公司，发新东西之前先把方法论亮出来，这个动作的诚意还是很足的。

而且"规模化"的说法不是临时起意。过去一年多，York 写了五篇长文，从 2025 年解释"我们为什么去叠餐巾"，到今年 4 月的泡沫、5 月的三道门、6 月的 scalable PMF，有一条线始终在收紧。

8 月 York 的分享，把前面说的东西闭环上了。

梳理完这些纵向的发展，我们想看清这家公司到底在做什么。

关于这一年的进展，York 在 4 月的文章里提到过，DYNA‑1 发布后团队并未拿出亮眼新成果，内部挣扎不断，外界甚至一度以为项目已经停滞。即便有人劝他低调，免得影响投资人信心，他还是选择直面事实。

这一年，主要是在做四件事。

2025 年 DYNA-1 发布的时候，别家都在秀人形跑跳，DYNA 却选择在工位上闷头叠 24 小时的餐巾。

选这么个场景，不是图省事。

Jason 在 CVPR 上算过一笔账：现阶段主流 VLA 模型成功率大多只有 70%–80%，应付论文 Demo 足够，但还达不到量产所需的 99% 。当然，目前全世界也没谁能真的做到。

这十几个百分点的差距，单靠堆数据根本做不了。所以 DYNA 的团队不再盲目追求宽泛的通用机器人能力，公司目标收缩场景、聚焦落地，锁定了重复性强、高吞吐、可连续作业的餐巾折叠任务。

餐饮门店的餐巾折叠高度依赖人工、单日作业量巨大，是非常适合机器人规模化落地的刚需场景。

技术上做了两版。

第一版能连续跑 24 小时的模型，采用奖励模型给数据打分、加权优质样本的做法，本质上是离线 RL 的变体。但那版有毛病：动作慢，而且一旦卡进错误状态，几分钟都缓不过来。

真正好用的是后面的版本。他们让奖励模型跟策略模型同步跑，专门盯那些进度曲线不正常的片段，把故障场景挖出来交给人工补数据，这套叫人机闭环主动学习。

迭代出来的 Dyna 一代，餐巾折叠成功率超过 99.4%，能连续叠 850 条以上；如今吞吐量比初代又提升了 80%，内部前后跑了四轮长时间稳定性测试。

机器人是真铺出去了。他们以折叠为锚点，进了酒店、餐饮、医院这些要靠大量服务人员的场景。

萨克拉门托一家自助洗衣店里，机器人整天叠灰色毛巾，全程无故障，叠齐了堆到一边，交给店员分发给顾客。

CoRL 2025 的展位上摆了原型机，做的是零样本演示。现场不少人故意上手打乱待折的衣物，模型都能快速恢复状态，接着把从没见过的新款衣物叠出来。

硬件上一直在控本，视频里机器人用的都是经济型量产机械臂，眼下还在自研半人形，整套系统成本在 5 万美元以下。

但铺出去和铺得开是两码事。跑得最久的一家客户，在 daily usage 的情况下已经在店里运行了大约 10 个月，可这样的客户数量暂时还不多，模式暂时还谈不上可复制。

York 自己复盘过这一段。

DYNA‑1 发完之后好一阵子没消息，其实就是卡在部署上了。按理说部署应该越做越快、越标准化、越可扩展，但用他自己的话说，这事儿 “并没有自然发生”。部署动不动就要几周，甚至按月算。

机器买回来，还要折腾好几个星期才能正常干活，这哪算什么好产品。他也不藏着掖着，有些客户一开始就是冲着新技术、搞搞品牌宣传才用上 DYNA，最后算下来不赚钱，就终止合作了。

所以他说：硬件不等于渠道。

车没智驾也能卖，机器人不行，没智能就是堆废铁。真正的渠道，是一整套包括场景评估、数据回流、现场调试、远程诊断在内的系统工程。

碰壁之后，他们花了几个月讨论可扩展性、数据、预训练和硬件本体。发现一个更底层的困境：整条链路上，没有一个环节的指标是真正明确的。

模型层，该看预训练用了多少小时数据，还是看 action MSE loss 有多低？渠道层和硬件层也是同样的困境。终端场景本身还没定型，终端指标就定不下来，中间每一环的指标也都无法确定。

基于这条线，York 点出三个卡点。

六月份的时候，York 聊了内部的技术转向：从 VLA 换成内部叫 VAM（Video Action Model）的东西，其实 2025 年底就开始用了，只是不爱用 world model 这个词，嫌太 hype。

当时网上正吵"VLA 已死、world model 新王将立"，他觉得跑偏了：架构漂不漂亮其实不重要，基模能覆盖更多的机器人通识本身才是目标。

论据有点反常识：他说曾有顶尖大模型公司的资深学者告诉他，预训练时把图片和视频数据全去掉，各种智能度 benchmark 的结果相差无几。

这等于说今天的 VLM 压根没把视频里的物理动态学进去，而这正是机器人最缺失的一环。视频模型不一样，生成视频本身就要求动作连贯，等于逼着模型在预训练阶段学一点物理。

VLM 也没丢，留着做推理和记忆。人记事不会把每一帧的像素都存下来，时间一长就变成"我做过某件事、结果怎样"这么一句，这种记忆压缩是视频模型干不好的。

Jason 在 CVPR 上也点过这层：在线 RL 的探索环节被砍掉了，但 RL 的思想没丢，奖励塑形、Critic 这些还是可以沿用，只是改成靠奖励模型定向挖问题来驱动。

三个问题分别对应移动与长程任务规划、可教性、鲁棒性与错误自纠错三大技术命题。

DYNA 最初思路是打补丁迭代：现场新增规则，或是为单个客户定制专属模型。但团队很快发现此路不通，规则是写不完的。。。

每新增一个客户，都要重复一轮繁琐修补。

他给出六个方向：泛化性、工程投入、可教性、规模落地、产品载体、端到端自主。其中变化最大的是两条。

泛化被提到了最高优先级。把泛化"当成首要的研究问题，而不是部署的副产品"。这是对之前逻辑的正面修正，原来设想是先部署、数据自然反哺模型，现在的说法是这份能力没法来自早期几个客户 site，只能靠巨量、多样的人类物理经验数据做预训练。

这等于承认纯"部署驱动"走不通，还是要回头做预训练。

Jason 也认为真实场景 RL 不是眼下的瓶颈，瓶颈在工程基础设施。以前指望用真机 RL 解决的那些问题，现在靠优化工程方案、升级预训练模型就能搞定。这和 York 说的"执行靠部署体系"，是同一件事的两个切面。

可教性成了新标尺，但它建在泛化之上。York 的定义是：一台机器人的价值上限，不在于出厂那一刻会做多少件事，而在于教会它一件新事的门槛有多低、速度有多快、有资格教它的人有多少。

标准是一个完全不懂技术的现场员工，几个小时教会它一件新事。这看起来是降低用户门槛，实际上抬高的是模型要求：模型得能从极少的示范里抽出任务结构再迁移出去。所以这六件事不是并列的，泛化是地基，可教性是地基上的楼。

目前离这个标准还有距离。Jason 那边能做到的是，新任务用不到一小时的专项数据、配标准的监督微调就能跑出可用模型，但操作的仍然是工程师，不是现场员工。门槛在往下掉，只是还没掉到 York 说的那个位置。

把 DYNA 的路线放回行业里，位置其实挺微妙。眼下"泛化到底从哪来"，可能至少有三种答案：

• 部署驱动。先让机器人在真实场景里跑起来，用数据反哺模型。代表如智元机器人，2026 年 3 月完成第 10000 台通用具身机器人下线，3C 产线作业成功率 99.99%；越疆全球部署超十万台，基于实景数据做"一脑多体"。好处是数据来自真实需求、商业闭环近；风险是泛化不够时，每进一个新场景都要重新调试，部署越多工程成本越高——DYNA 撞的正是这堵墙。

• 模型驱动。先靠大规模预训练让机器人具备通用能力，再推向市场。代表如 Physical Intelligence，π0.7 做到"一个模型通吃多任务"；国内原力灵机推出 4B 参数的 DM0.5（这是一个拥有40亿个参数的模型，参数越多，通常意味着它能学到的技能越丰富），千寻智能强调预训练加少量场景数据微调，蚂蚁灵波发布 LingBot-VA 2.0。底气来自大模型的经验，但物理世界吃不吃这一套，还在争论。

• 场景驱动。从一个具体商业场景建立闭环，跑通再横向扩展。代表如酷哇科技，在全球 50 多个城市部署万台级机器人、沉淀 50PB 数据；擎朗智能提出"岗位化"，全球超 10 万台机器人在酒店、商场、餐厅运行。商业验证快，难在跨场景迁移。

DYNA 现在的位置，更像是在模型驱动和部署驱动之间找一个中间点：先把预训练的泛化能力顶上去，再用可教性把部署的门槛降下来。它没有放弃部署，只是不再指望部署自己长出泛化。

DYNA走的这些路，也不仅仅是他们一家的事情。

York 也把视角拉到了整个行业，给所有具身智能公司定了一套评判标准。

在 5 月的文章里，他复盘了无人驾驶、XR、无人零售等行业的过往，总结出行业必经的三道关卡：资本门、使用门、ROI 门。简单说就是：烧的钱能不能跑出阶段性成果、产品能不能被高频真实使用、客户能不能持续付费、真正算得过来账。

他的核心观点是：三道关卡不用完全同步推进，但差距不能长期悬殊。

很多人会问，机器人会不会迎来 ChatGPT 时刻，一把跳过这三道门？

York 的答案是否定的。纯软件行业边际成本极低，可以抹平发展断层；但机器人不一样，中间还有硬件稳定性、故障自恢复、高昂部署成本、漫长回本周期等一堆物理世界的硬核难题。

到了 6 月底的文章，他的视角更加落地。

借着美光、闪迪等存储企业的发展规律，他拆解出传统工业机器人 “四大家族” 的核心问题：受限于规模化能力，即便有市场需求，也始终做不出顶级体量，成不了行业巨头。

用这套逻辑回看当下的具身智能行业，会发现 DYNA 这一年的坎坷经历，不是特例。

目前有三件事，正在成为整个行业的普遍常态。

DYNA 从"部署驱动"转到强调预训练，不是它一家的纠结。前面那三条路线摆在一起就能看出来：至今没有谁真正跑通过规模化，所以每条路都还有人信，也都还没人能被证伪。

而且这三条的分歧不在技术偏好，在于对"能力从哪来"的根本假设。假设不同，钱怎么花、人怎么招、节奏怎么排全都不同。它们不是三种战术，是三种赌注。DYNA 中途换过位置，恰恰说明这个赌注现在还锁不死。

York 说的"没尺子"，是这个行业最难受的地方。以前看 demo 够不够炫、发布会够不够大、出货量数字够不够高，但这些跟做得好不好其实没什么关系。模型该看 loss 还是看成功率？硬件该看运动性能还是平均无故障时间？终端该看签了多少家还是有多少复购？

场景本身还没定型，标准就立不起来，最后只能各说各话。这也是为什么 Scaling Law 喊了两年，谁也画不出一条像 NLP 那样的曲线。

DYNA 坦承有客户因为 ROI 不达标终止了合作，这种事很多厂商是不会往外说的。过去两年行业主要靠资本和 PR 撑着，不少项目带着试点和示范的性质；现在钱变谨慎了，账就得摆到桌面上。

以前是"有 demo 就有未来"，现在是"进了场还得让人续约"。从"客户愿意试"到"客户愿意一直掏钱"，中间的路不好走啊。这已经不是哪一家的问题了。

以上就是关于 DYNA 的复盘。

对照 York 的三道门来看，资本门已经打开，使用门有零星试点落地，但 ROI 门依旧横在所有人面前。

到底哪条路径能率先跑通规模化具身智能？

欢迎在评论区聊聊你的看法。