AREX Viewpoint Article
机器人领域的苦涩教训：为什么规模化才是终局
导读
9月29日，Dyna Robotics 发布 Dyna-2.1 Physical Agent，一款可以完成商业洗衣班次等完整工作流的半人形机器人，并已在酒店、洗衣店和餐厅部署。这则发布本身没有回答一个关键问题：机器人究竟只是新增一个演示，还是开始形成可复制的客户价值？10月13日放出的 Jason Ma 访谈恰好提供了回答。
Jason Ma 给出的判断标准很直接：真正的门槛不是把机器人放进一个试点，而是让客户确认机器人创造了足够价值后，愿意在多个地点推广。鼎泰丰的案例让这个标准有了可检验的事实支撑。根据 Dyna 的官方博客和 LinkedIn 公开信息，鼎泰丰已把机器人带出试点、扩展到餐厅网络，每台机器人需要在18小时班次中产出约1500条桌用餐巾；这不是单点宣传，而是客户主动扩大部署。
视频进一步拆解了支撑这种部署的技术路线。Dyna-2 先在超过一百万小时的人类自我中心视频上预训练，再用少量机器人数据弥合人机动作鸿沟；新硬件只需要约45分钟演示就能学会新任务。Dyna-2 的核心是先用未来视频预测推演物理世界，再生成动作，相当于机器人在视觉和物理空间里进行思维链推理。这样一来，规模定律就不再只是论文数字，而成为解释机器人如何获得可迁移能力的工程路线。
但视频真正补充的是，端到端小时级工作流不能靠单一模型硬扛。Jason Ma 认为，商业价值来自持续数小时、无需人工监督的完整工作流，而不是几十秒任务；因此 Dyna 采用思考层规划步骤、执行层完成精细操作的双模型设计。这解释了为什么 Dyna-2.1 被定位为物理智能体，而不是简单的模型升级。
最后，视频把硬件重新放回讨论中心。过去业界谈机器人基础模型和数据很多，但 Dyna 的全栈实践显示，灵巧手会很快过热，供应链也依赖全球原材料。Jason Ma 的部署优先视角因此提供了一套筛选标准：不要看演示视频，而要看机器人是否在客户现场持续运行、是否被客户主动复制，以及数据、模型、分层智能和硬件是否同时过关。
核心结论
- 机器人公司的真正分水岭不是做出演示，而是让客户主动在多个门店规模化部署：鼎泰丰的多门店部署证明，只有客户确认机器人创造了足够价值并主动推广，才算跨越了从试点到商业化的门槛。这一判断将行业注意力从技术炫技拉回到真实需求验证上。
- 机器人基础模型必须依靠人类视频预训练加少量机器人数据适配，单靠自采数据无法支撑泛化：机器人领域没有互联网级别的数据来源，人类自我中心视频提供了几乎覆盖所有物理活动的先验，而少量机器人数据则弥合了人机动作鸿沟。这条路线让新硬件只需约45分钟演示数据就能学会新任务。
- 世界-动作模型通过预测未来视频来引导动作，相当于让机器人在视觉和物理空间中进行思维链推理：Dyna-2 的核心差异在于先预测未来视频或表征，再据此生成动作，而不是直接从感知跳到动作。这种先推演再执行的机制，使机器人决策从反应式控制升级为带有内部推理的智能行为。
- 小时级自主工作流需要分层智能架构，单一模型无法同时承担高层规划与低层精细操作：商业价值来自持续数小时、无需人工监督的完整工作流，而非几十秒的孤立任务。Dyna 采用思考层规划步骤、执行层完成精细操作的双模型设计，将机器人问题从模型问题升级为系统问题。
- 硬件瓶颈比模型瓶颈更被低估，灵巧手过热和供应链依赖是通用机器人落地的现实障碍：现有灵巧手不够耐用且容易过热，直接限制了精细操作任务；同时机器人供应链高度依赖全球原材料，美国本土无法完全自给。行业讨论过度集中在模型和数据上，忽视了硬件作为部署前提的约束力。
观点拆解
1. 机器人公司的真正分水岭不是做演示，而是让客户愿意在多个门店规模化部署
-
真正的门槛不是把机器人放进一个试点，而是让客户主动在多个门店推广：Jason Ma 认为，机器人行业里做单点部署或试点并不难，难的是让客户确认机器人创造了足够价值，从而愿意在多个地点推广。这一判断把“演示成功”和“商业规模化”明确区分开来，是理解 Dyna Robotics 商业逻辑的核心。
“今天，许多机器人公司都在谈论部署和试点，但真正的困难不在于把机器人放到一个地点或做一个试点。真正的困难在于让客户相信或验证机器人创造了足够价值，从而愿意在多个地点部署。”
“许多机器人公司都在谈论部署机器人和试点。但真正的困难不在于把机器人放到一个地点或只做一个试点，而在于让客户相信机器人创造了足够价值，从而推动他们在多个地点部署。”
-
鼎泰丰的多门店部署是通用机器人公司中罕见的规模化案例：Dyna Robotics 的机器人在鼎泰丰多个美国门店每天折叠数千条餐巾，Jason Ma 将其视为多用途机器人公司中少见的、由客户价值驱动的规模化部署。这为“从试点走向多店复制”提供了具体商业证据。
“我们的机器人今天在为美国多家不同的鼎泰丰门店折叠数千条餐巾。所以，他们实际上是我们最大的客户。”
“这在我们与鼎泰丰的合作中发生了，而据我所知，这还没有发生在其他多用途机器人公司身上。在鼎泰丰，我们的机器人每天折叠数千条餐巾。”
2. 机器人行业仍过度沉迷于演示，真正需要的是把机器人部署到真实客户现场并解决实际问题
-
机器人行业仍过度沉迷于演示，真正需要的是把机器人部署到真实客户现场并解决实际问题：Jason Ma 直言机器人行业仍过度聚焦于演示，而他更希望看到更多人致力于将机器人基础模型与硬件结合，部署到真实客户现场。这一判断把行业注意力从实验室炫技拉回到商业落地上，强调只有真实部署才能验证技术价值。
“我觉得机器人行业仍然过度聚焦于演示。我过去在实验室里做过很多演示，甚至在这里我们也不得不展示一些演示。但我认为我们需要更多真正专注于使命的人，尽最大努力去部署机器人，把机器人基础模型与硬件结合起来，并让它们出现在真实的客户现场。”
-
只做单点技术的人如同身处战争迷雾，可能造出技术上出色但并非人们真正需要的东西：Jason Ma 认为，如果只解决机器人问题中的一个环节，就看不到完整图景，容易陷入“战争迷雾”。这解释了为什么他坚持从部署出发：只有面对真实客户和完整工作流，才能识别并解决真正的瓶颈，而不是做出脱离需求的炫技成果。
“我认为，对于只解决问题中一个部分的人来说，这就像战争迷雾。你看不到完整图景，可能会造出技术上很出色的东西，但它最终可能并不是人们需要或想要的。”
-
大量机器人公司失败，正是因为它们拥有令人印象深刻的机器人，却没有解决人们真正需要的问题：Jason Ma 将行业失败归因于“演示很强、需求错位”。这一判断强化了部署优先的逻辑：机器人公司不能只证明技术可行性，还必须证明其产品能在真实场景中持续创造价值，否则再惊艳的演示也难以避免失败。
“我认为有大量机器人公司失败了，而且我认为它们都拥有出色、令人印象深刻的机器人。但你知道，关键是要知道人们真正需要什么。”
3. 机器人基础模型必须走“人类视频预训练 + 少量机器人数据适配”的路线，单纯自采机器人数据远远不够
-
机器人没有“互联网”，任何单一公司自采数据都不足以支撑基础模型：Jason Ma 指出，语言模型可以依赖互联网级别的数据，但机器人领域没有这种现成数据源。即使像 Dyna 这样在办公室大量采集机器人数据，单靠一家公司的自采数据也远远不够，就像只用 Reddit 或 Facebook 无法构建整个互联网。这意味着机器人基础模型必须寻找更大规模的外部数据来源。
“数据是当今机器人领域最重要的问题，因为与语言模型不同，机器人没有互联网。”
“我认为任何一家公司能自己采集的数据量都远远不够。这就像试图只用 Reddit 或 Facebook 这样的网站来构建互联网。”
-
人类自我中心视频是机器人预训练的最佳先验来源，因为它覆盖了几乎所有可想象的物理活动：Jason Ma 认为，当模型还没有任何知识时，任何数据都有用，而人类自我中心视频尤其适合作为机器人预训练数据。因为人类数据极其多样，覆盖了几乎所有可想象的物理活动，能够为模型提供关于物理世界如何围绕人类演化的强大先验。
“当你的模型没有任何信息、数据为零时，任何数据都是有用的。你可以使用大量视频数据。就人类自我中心数据而言，我认为它是预训练机器人的绝佳方式，因为人类数据极其多样，覆盖了几乎所有可想象的物理活动。”
-
人类数据提供物理先验，但必须用少量机器人数据弥合“人机动作鸿沟”：Jason Ma 强调，人类数据虽然能提供丰富的物理世界先验，但在机器人完全等同于人类之前，人类动作与机器人动作之间存在差距。因此，仅靠人类数据无法直接执行机器人动作，必须结合少量机器人自身数据来适配具体任务。这种“大规模人类数据 + 少量机器人数据”的组合才是让机器人掌握任意任务的关键配方。
“人类数据的问题在于，在机器人完全等同于人类之前，人类动作和机器人动作之间会存在差距。所以，仅靠人类数据训练，今天不太可能直接执行机器人动作。你仍然需要用机器人自身的数据进行一定程度的适配。”
“我们思考的配方是：如何利用我们今天最大的数据源，比如自我中心数据，为模型提供关于物理操作所能覆盖的一切的强大先验，然后将其与少量机器人数据结合，让机器人掌握我们关心的任何任务。”
-
人类视频预训练让新机器人硬件无需大量专属数据即可快速学会任务：Jason Ma 用新机器人的案例说明，即使新硬件在预训练中从未出现过、自身数据也很少，模型仍能快速学会新任务。这是因为团队在硬件就绪之前就坚持进行人类数据预训练，使得模型已经具备了可迁移的物理先验。这验证了人类视频预训练对跨硬件泛化的实际价值。
“这个新的机器人模型在预训练中从未见过这种机器人，但它能非常快地学会你们看到的任务。这在很大程度上是因为，甚至在硬件就绪之前，我们就已经坚持进行人类数据预训练，因为我们知道我们的机器人最终会变得像人类。”
4. 世界-动作模型通过预测未来视频来引导机器人动作，相当于让机器人在物理和视觉空间中进行“思维链”推理
-
世界-动作模型的核心差异在于：先预测未来视频或表征，再据此生成机器人动作：Jason Ma 指出，世界-动作模型与普通机器人模型的关键区别，是它除了输出动作之外，还会先输出未来视频或其表征，然后用这个预测来引导机器人的实际运动。这意味着模型不是直接从感知跳到动作，而是先在视觉层面推演接下来会发生什么，再决定怎么动。
“但在世界-动作模型的情况下，真正有趣的是，除了动作之外，你还可以输出未来视频，对吧？所以，你基本上可以先输出未来视频或它的表征，然后用它来引导机器人的动作。”
-
未来视频预测相当于机器人在视觉和物理空间中进行“思维链”推理：Jason Ma 将这种先预测未来再执行动作的机制类比为“思维链”：机器人先在视觉和物理空间中推理，然后才输出动作。这个类比说明世界-动作模型不只是反应式控制，而是带有内部推演过程的决策方式，这也是它区别于传统视觉-语言-动作模型的关键所在。
“所以，我思考这个问题的方式是，这有点像思维链，你知道，机器人模型在视觉和物理空间中进行推理，然后输出动作。”
-
世界-动作模型的输入融合了视频、关节状态和语言指令，使其区别于纯视频预测模型：Jason Ma 强调，机器人世界模型的输入不只是视频，还包括关节编码器提供的关节角度信息，以及用于任务指令的语言输入。这种多模态输入组合让世界-动作模型能够理解机器人自身的物理状态和人类意图，而不是像纯视频模型那样只能被动观看画面。
“对于输入，最重要的是视频，对吧？你可以把它想象成机器人用摄像头拍摄的视频，也就是过去几秒钟拍摄的视频或图像，这就是输入。但机器人真正有趣的地方在于，它们还配备了很多关节编码器。所以，机器人知道自己的关节角度。这些角度也可以被视为世界模型的输入。这与只能观看视频的纯视频模型完全不同，对吧？”
“此外，对于机器人，我们希望能够与它们对话，引导它们执行不同的任务，对吧？所以，我们也可以给它们提供语言指令。这些就是我所说的进入任何机器人模型（包括世界-动作模型）的核心输入集合。”
5. 真正的通用机器人需要分层智能：高层智能体负责规划，低层世界-动作模型负责执行
-
长时间物理任务需要高层决策与低层执行分离，而非单一模型硬扛：Jason Ma 指出，真实世界中的长时任务不只是连续轨迹控制，还涉及“先做什么、再做什么、等待时去处理什么”的高层认知决策。如果只靠一个低层模型直接输出动作，理论上可行但效率极低，因此需要分层架构来承担不同粒度的智能。
“真实世界中的长时任务需要高层决策，对吧？这不只是让机器人思考物理世界或连续轨迹，因为那对于实际执行来说层级太低了。当我们做决策时，我们思考的是步骤和配方。”
“理论上你可以尝试用一个输出动作的低层模型来学习这些，但那样效率会非常低。所以，拥有一个分层系统，比如在我们的世界-动作模型周围加上一个智能体系统，才能让模型组合不同能力来解决时间跨度长得多的任务。”
-
机器人行业的真正价值不在几十秒的单任务，而在小时级无监督工作流：Jason Ma 认为，当前机器人领域仍停留在“30秒到1分钟任务”的自主性层面，但商业价值来自持续数小时、无需人工监督的完整工作流。这要求把机器人问题当作系统问题，而不是单纯的模型问题。
“我认为今天机器人领域的人仍然在任务层面思考自主性，比如一分钟或30秒的任务。但真正的价值在于持续数小时无需监督的任务或工作流，这才是我们追求的目标。”
“因此我认为重要的是不要把机器人问题仅仅看作建模问题，而要看作系统问题。你需要一个好的智能体、好的软件工程、好的模型、好的硬件，所有的一切。”
-
分层架构落地为“思考层规划步骤、执行层完成精细操作”的双模型设计：在具体实现上，Dyna 采用双模型设计：思考层接收语言指令并规划步骤顺序，执行层负责低层操作和精细操控。执行模型还需要具备可引导性，能够理解用户意图、把握交接时机，避免误判和失误。
“这个模型有思考层和执行层，是一个双模型设计。在基础层，我们向思考模型发送几句语言指令，然后思考模型规划所需步骤——先去冰箱拿饮料，然后回来，再依次交给一个人，并监督整个执行过程。而执行模型，也就是较低层级，负责执行操作和精细任务。”
“从执行模型的角度看，它必须是可引导的。你告诉它要拿六种饮料中的哪一种，然后视觉执行模型帮助它想象和理解你的意图。系统还必须识别你抓住饮料的瞬间，并在那一刻松手。我们不想要误判，也不想把饮料掉在地上。”
6. 硬件瓶颈比模型瓶颈更被低估：灵巧手过热和供应链问题仍是通用机器人的现实障碍
-
灵巧手硬件不稳定，过热问题直接限制了精细操作任务的落地：Jason Ma指出，机器人要完成摆台等需要类人灵巧度的任务，仅靠平行夹爪不够，但现有最先进的灵巧手也不够耐用、容易过热，导致硬件稳定性成为模型部署的现实障碍。这说明在讨论通用机器人能力时，不能只看模型和算法，末端执行器的物理限制同样决定了任务边界。
“在有些任务里，比如摆台，你可能需要的就不只是一个平行夹爪，而是更精细的东西，比如类人的手。但如果你想在手上测试模型，就会遇到硬件稳定性的问题。目前的手，哪怕是最灵巧的，也不够耐用，它们会很快过热，这就形成了瓶颈。”
-
机器人供应链高度依赖全球原材料，美国本土无法完全自给：Jason Ma承认，即使有公司声称在美国组装机器人，也仍然需要从世界其他地方进口原材料，目前没有一家美国公司能完全在本土从零开始制造所有部件。他以稀土磁铁为例说明，关键材料的生产集中度极高，供应链长度和难度是机器人制造商必须正视的问题。
“我认为，围绕把制造业带回美国有很多有意思的讨论，但具体到机器人，这比看起来要难得多。我会说，至今没有一家美国公司能在国内从零开始制造所有东西。即使他们说是在美国组装机器人、在美国制造所有部件，他们仍然从世界其他地方进口原材料。”
-
硬件难度在机器人讨论中被严重低估，行业关注过度集中在模型和数据上：Jason Ma认为，当前关于机器人基础模型和数据的讨论很多，但制造优质硬件的难度没有得到足够重视。作为全栈机器人公司，Dyna Robotics对供应链的长度和复杂性有直接体感，这一判断提醒行业不能把硬件当作已经解决的问题。
“作为一家全栈机器人公司，我们意识到供应链有多长、整个问题有多难。我认为现在很多讨论都围绕机器人基础模型和数据展开，但我觉得硬件以及制造好硬件的难度没有得到足够的关注。”
7. 机器人领域的“苦涩教训”是：与其堆叠特定工程假设，不如简化算法并规模化正确数据
-
机器人同样遵循规模定律，但真正的难点是确定“正确数据”：Jason Ma 认为机器人领域会像语言、游戏等其他被机器学习解决的领域一样，最终由数据规模驱动。但与语言领域直接使用文本、游戏领域直接使用游戏数据不同，机器人领域更难判断什么才是真正有效的数据，因为传感器选择本身就决定了可获得的数据类型。
“机器人会像其他任何被机器学习技术解决的领域一样实现规模化。这意味着拥有尽可能多的数据。但在机器人领域，更困难的是：什么才是正确的数据？”
“在语言领域，数据就是文本；在视频游戏领域，数据就是游戏数据。而在机器人领域，你选择的传感器类型决定了你能获得什么样的数据。”
-
与其堆叠特定工程假设，不如简化算法并规模化合适数据：Jason Ma 指出，很多机器人研究通过添加高度特定的先验假设来提升感知能力，例如让机器人先识别物体并画出边界框。但他认为，真正的泛化来自简化算法并扩大合适数据的规模，而不是不断叠加这些工程化假设。
“很多机器人研究引入了非常特定的先验假设。比如，我们需要让机器人看到物体的本来面目，画一些边界框，这会给机器人更好的感知能力。但我认为这里的苦涩教训是：简化算法，扩大合适数据的规模，泛化就会出现，性能就会提升。”
-
规模化最终会成功，但机器人领域的规模化路径更难：Jason Ma 认为第二个更重要的“苦涩教训”是：规模化最终会奏效，但在机器人领域，如何实现规模化比其他领域困难得多，因为机器人缺乏像互联网之于语言那样的现成数据来源。
“我认为第二个更重要的苦涩教训是：规模化最终会成功。但在机器人领域，规模化以及如何实现规模化要困难得多，因为缺乏……”
8. 合成数据和自生成训练数据将成为机器人扩展的新维度，前沿模型正在加速这一进程
-
合成数据是机器人扩展的新维度，而非现有数据管道的简单补充：Jason Ma 认为，当前研究者主要关注自采数据和机器人数据，这些数据虽然可扩展，但合成数据将构成一个全新的扩展维度。这意味着机器人训练的数据来源将从“采集更多真实数据”转向“生成更多定制化数据”，从而突破真实数据采集的物理瓶颈。
“我认为为机器人生成合成环境、合成数据和模拟数据将是下一个最有前景的领域之一。因为如今研究者们专注于自采数据和机器人数据，这些数据是可扩展的，但我认为合成数据将代表一个全新的扩展维度。”
-
前沿模型的视觉与三维理解能力已跨越临界点，使“现实转模拟”成为可能：Jason Ma 回顾了 Eureka 项目时期的局限：当时模型缺乏良好的视觉能力和三维理解，只能依赖代码生成和有限的文本反馈。而今天的前沿模型已经能够将现实转化为模拟、进行跟踪和三维重建，这标志着合成数据技术从“概念验证”进入“可加速研发”的转折点。
“当时这类工作仍然非常受限，因为模型没有良好的视觉能力，也没有内建的三维理解。所以基本上只能靠生成代码和使用非常有限的文本反馈来尝试创造新的模拟环境。而今天，这些前沿模型的视觉能力已经令人惊叹。它们能够将现实转化为模拟，进行跟踪、三维重建等等。我们已经到了一个转折点，这项技术可以极大地加速我们的开发。”
-
Dyna 将前沿模型生成的数据视为内部加速器，并用自己的世界模型形成自生成闭环：Dyna 不仅探索用前沿模型为自身生成定制化数据以加速内部研发，还利用自己的世界-动作模型生成视频和训练数据。这种“模型生成数据、数据训练模型”的自我强化循环，使合成数据从外部工具升级为机器人研发的核心基础设施。
“我们正在探索使用前沿模型为我们的数据、我们关心的环境生成合成环境。令人惊讶的是，我认为我们现在已经到了这项技术值得深入投入的阶段。”
“我们把这视为加速内部进展的一种方式。因为我们在构建模型，也在构建硬件。所以，如果一个前沿模型能以这种方式给我们更多数据，比如为我们生成定制化数据，那对我们来说将非常有用。”
“除了用这些模型创建三维环境，我们还用了自己的世界模型，就是我之前提到的世界-动作模型，因为这个模型不仅能生成动作，还能生成视频。它还能生成自己的训练数据。这样一来，就形成了一个自我实现的完整循环，我认为这会非常有效。”
总结
机器人行业的真正竞赛不在实验室，而在客户现场。谁能把机器人从单点演示推进到多门店规模化部署，谁才算真正解决了问题。这要求公司同时打通数据路线、模型架构、分层智能和硬件供应链，任何一环的薄弱都会卡住落地进程。Dyna Robotics 的实践表明，人类视频预训练加少量机器人数据适配是当前最可行的基础模型路线，而世界-动作模型和分层智能架构则为小时级自主工作流提供了技术支撑。最终，行业需要从沉迷演示转向解决真实需求，这才是机器人公司穿越周期的关键。
信息源
视频来源
- Robots That Predict the Future: Dyna-2 & Physical AI — Jason Ma, Dyna Robotics：
外部资料
- Dyna-2.1: A Physical Agent for End-to-End Workflows：
- DYNA Robotics Launches DYNA 2.1 Physical Agent, a ...：
- Dyna-2: A 1-Million-Hour Scaling Law for World-Action ...：
- Amy Vaduthalakuzhy's Post：
- Not Just a Model, But a Product：
- Why Scaling Wins — Jason Ma, Dyna Robotics：