Lindon Gao: Finding Clarity in the Fog of Robotics, Disagreements & Choices, and Wang Yangming

摘要

• Dyna创始人Lindon把公司定位为“Product Research”派，自称“全战派”。 他强调用产品闭环引导research方向：任务级落地不等于商业闭环，“机器人需要保姆这件事情是一个非常大的产品问题”。他去年决定不继续scale已有十余客户的折叠业务，转向“一个员工”战略——机器人24小时产出达到一个人8小时的产出；他说目前已经超出这一目标。
• 技术路线上Dyna押注ego-centric第一人称数据，称在100万小时级预训练集上发现了“非常强的scaling law”，并从重视高质量数据转向追求更广泛、多样的数据。 Lindon承认自己曾选择性听取LLM从业者的ablation结论来强化“all in high quality data”的判断，后来认为应先从更广泛的数据中找到可scale的部分；他认为押注teleop、UMI等形态，某种程度上是在押注机器人手不能work，而机器人手是工程问题，不是research问题。
• 商业判断的反共识：他认为B2B通用机器人的需求会大于B2C家庭机器人；家庭是机器人很难、很远的产品方向，不是当下的首战场。 他的论证是：美国失业率4.5%意味着企业雇用了95.5%的美国劳动力；按三人家庭估算，家用机器人可能只需约一亿台，而企业对产能的需求还会扩大。首个落地场景选酒店洗衣房——他称美国有10万家酒店、每家洗衣房需要2–5人，TAM有好几个billion；并把洗衣房称为通往home的“最小unit”。
• 对“大脑vs本体”的判断是“大脑是机器人的下限，本体是机器人上限”：大脑决定能不能做，硬件和运控决定做得多好。 他认为十年维度供应链可能更重要。Dyna在中国有四五十人的硬件研发和供应链团队，工作流机器人已进入百台级别的初步量产；上一代没有量产，因为他认为它本质上跑不通。
• 对自家产品和战略方向，他估计距离可规模化的产品价值还有一到两年；他认为未来一两年行业可能进一步收敛。 他用GPT-3（2020年6月，API形态）到ChatGPT（2022年11月，聊天产品形态）说明产品形态不可忽视，并预告明年会展示下一步产品；他认为机器人不必先达到physical AGI，产品定义和使用方式同样重要。
• 去年底团队经历了“做落地还是做research”的战略分歧，Lindon也困于“要做一个不犯错的CEO”的包袱。 他承认战略下一步没想清楚时曾跟着市场看别人做什么，做出不够符合第一性原则的技术选择。团队后来把目标放到工作流，让research和落地在同一个战略点上推进；他总结：“为了不犯错而做决策，本质上就不是一个好的决策。”
• 连续创业者底色：14岁卖游戏装备赚上万美金；上一家公司Capa做无人零售购物车，进YC后融资艰难，最终出售，Lindon随后在Instacart待了3年。 最困难时，他cold email一千多个天使投资人，只转化两个；四个创始人同住、月烧7000美元撑了两年半。他曾对团队说：“我们是蟑螂，我们死不了。”核心learning是产品必须回到ROI：“ROI不成立，就不是一个产品，也没有product-market fit。”
• 修心是贯穿访谈的一条线：他自述18、19岁确诊强直性脊柱炎，后来把病痛当作experiment，通过调整作息和饮食摸索规律；读《沉思录》、王阳明等也帮助他面对创业难关。 他的驱动力已从外界评价和自我证明转向“更好地活成真正的自己”；他把自己定义的失败称为“修行的失败”。

精读

1. 中美机器人的路线分野：大脑派、身体派与“全战派”

• Lindon对两地的观感先泼一盆冷水：“两边其实都挺浮躁的，天天都有非常多的release，每一家都想多融一些钱。”但战略认知有差异：美国是大脑派——觉得“大脑是唯一的问题，身体会自己解决”；中国是身体派——觉得“供应链是唯一的问题，大脑长期会自己解决”。他也补充，中国最近开始在模型层面布局。
• 被问Dyna属于哪一派，他回答：“全战派。”之后他又把公司的工作方式概括为product research：围绕产品闭环做research。

2. 十四岁的第一桶金：卖游戏装备赚上万美金

• 11岁从中国去美国，成长环境“非常entrepreneur”。14岁上初中时，他发现“游戏里面好赚钱”，做了游戏账户与装备买卖平台，赚了上万美金，后把网站卖掉。他当时不觉得这是创业，“只不过是hustle，就是赚点小快钱”——今天卖游戏、明天卖软件、后天卖鞋子。
• 对赚钱的自我剖析值得留存：“也不是喜欢钱本身，而是喜欢做对了一件事情带来的reward。”课业？“我没有特别专注课业。”

3. 珠宝生意：从to C苦力活到to B外贸抽成

• 大二时，他收购别人准备回炉的珠宝库存，在eBay上卖；后来嫌包装与客服太累，转成to B：通过家里和朋友对接中国珠宝供应链，把货供给美国珠宝设计师并抽成，解决设计师在美国本土找工厂贵、打磨差、量产差的问题。
• 这门生意变成self-managing business，交给家人打理近十年。他说一周花三四个小时，一年能赚十几二十万；币种在 transcript 中没有明确说明。最终他自己主动关掉：“我现在觉得不太值这个时间。”

4. 学医两年、转金融、投行两年——然后直接跳进创业

• 教育路径“非常自由”：学医是父母的意愿（主持人提到纽约大学医学院，他确认），两年后不想学了就转金融；去投行是跟风——“我刚转到金融专业的时候，其实不知道投行是什么，可是我知道大家都想去，所以我就想跟大家比一下。”投行两年多后直接创业，中间没有过渡。

5. Capa的反共识起点：150个超市老板连免费的Amazon Go都不要

• 2017年Amazon Go引爆无人零售，行业出了几十家、50多家公司；他说Capa算是行业里“为数不多的幸存者”。他见了150个超市老板，推销Amazon Go式改造，结果没有一个想要，免费也不要。理由是没有ROI：花几十万省几个收银员不划算，收银员也不只做收银，此外还有装修和维护成本。
• 于是他们换产品：把传感器融合和视觉识别放进购物车。无人零售要解决两个问题——谁付钱、付多少钱——购物车同样能解决，技术还简单得多：“谁付钱，就是谁带着这个购物车；付多少钱，就是你放进了什么商品。”

6. 融资地狱与“蟑螂”宣言：一千封cold email换两个天使

• 首次申请YC就录取，mentor是Sam Altman和Geoff Ralston，后来两人都成为YC的president和CEO。出YC时他们在整个batch里融资倒数，只融到30万。四个创始人加一两个早期员工搬进一套房子同住：“我没办法给你工资，可是我们可以付房租、车油费和伙食费，不过伙食费要自己煮。”他们月烧7000美元，撑了两年半。
• 账户只剩一两万时，他cold email了一千多个天使投资人，转化两个、各投约5万美元续命；种子轮见了一百多家机构，除First Round Capital外都拒绝，种子轮约200万美元。2019年A轮又被六十多个投资人拒绝，最后Lux Capital投了一千多万。“很少有创业者能在被拒几百次的情况下还不放弃创业。当时我就跟团队说，我们是蟑螂。我们死不了。”
• 事后复盘被拒一百多次的原因，不是他已有投资人画像，而是当时没有画像：“我当时只顾着说，不顾着听”，没和投资人到同一个频道上，难以建立共鸣。

7. 出售Capa：不是为了钱，是为了做更大的事

• B轮时traction已起，拿到两份term sheet和一个收购报价，拒绝对方两次后决定出售。他说公司持续了约六年，2021年出售，成交数字是3.5亿；transcript没有明确说明币种。他随后在Instacart待了3年。
• 出售那一刻，他的第一反应“不是突然有钱了，是发现这件事情做对了”。卖的主因是“我觉得我可以做一个更大的事业和行业”。主持人提到2022年AI开始爆发，他确认那时才出现明显曲线。

8. 前几次创业的核心learning：一切归根到ROI

• 总纲是“做事要做最本质的事情”：不能抱着“招到这个人问题就解决了”“拿下这个客户就能融资”的心态。机器人行业也有公司找到所谓PMF，但客户要求的customization和节拍可能让产品达不到机器人本质价值的要求。他的铁律：“ROI不成立，特别是在硬件、机器人行业，我觉得就不是一个产品，也没有product-market fit。”
• 无人零售给他上的产品课：大家拿着锤子找钉子去省收银员，但真正的价值是屏幕交互——放进一个零食推荐另一个、多买两个给coupon。“产品的核心价值是提高average basket size，而不是省多少员工”，同时还发现了广告机会；这些价值在没有屏幕的无人商店里无法实现。
• Sam Altman当年教的东西，他承认自己当时接不住：“我当时能力不够强，没有办法跟他同频。”Sam可能一周见两次，反复催他们做一件事：“Launch，launch，launch，launch and iterate。”

9. CEO是脑力运动员：自律如何喂养决策质量

• 他通常五六点起床、六到七点运动、十点或十一点睡，饮食有规律，晚上很少吃碳水，坚持自律十年左右。理论依据来自《Atomic Habits》：好习惯让事情不再占mind share，“反而变成强迫症：如果我今天不运动，就会不舒服”。
• 与决策的连接是“100%”的：CEO找人、找钱、找方向三件事里，找方向最需要大脑，因为每个决策都要想得本质、清楚。“如果你的脑袋很模糊，天天晚上吃宵夜，或者身体不健康，就很难做出明智的选择。”

10. Instacart三年：野路子创始人补管理课

• 被收购的一大动机是学习：“Instacart里有很多Uber、Facebook、Google的高管，我是一个野路子打出来的人。”最有意思的收获是“怎么样向CEO拿资源”——说明自己做的事情为什么重要，frame事情、挖掘底层动机，再和CEO align。
• 管理上最多直接间接管三百多人。他逐渐发现“有些人是改不了的”，有些人除非突破目前的认知，否则做不了更大的scope。当VP符合不符合他的个性？“一点都不符合。”他把创业比作匠人打磨作品：公司就是作品，里面有技术、文化、产品、管理。

11. 为什么是机器人：在“能改变世界的事情”里排除法

• 卖掉公司后，他和老搭档杨士源认真探索AR约六到八个月，结论是“技术底层的一些东西可能还没有完全ready”；也看过quantum、nuclear等方向，生物类型不太适合他们。筛选标准是做更难、能改变世界的事：“真正能改变世界的事情不多，大概两只手能数出来。”
• 落到机器人，是因为行业形态似曾相识——“大家拿着锤子找钉子”，而且机器人和他们过去的硬件、软件、AI经历相符。团队缺一个对具身智能资深的人，于是在硅谷聊了二十来号人后找到Jason。

12. 挑research合伙人的taste测试：论文越写越简单

• 对第三位co-founder的画像，第一条是research taste，而taste可以从论文轨迹里读出来：Jason博一、博二的论文“相对来说非常fancy”，越到后面“越来越简单、干净，核心概念非常清晰”。Lindon认为他在持续进化，从论文里就能看到这个过程。
• 第二条是现实主义：不光有学术追求，也想把事情落地，真正对产品产生impact。

13. “闻得到钱”与星辰大海：自我画像

• 他给自己的优点是看得远：可以想象公司从现在到十年后的vision，以及战略需要走的步骤。团队说他“闻得到钱”；他把这也归为方向感：“所有公司最后都需要落地、需要赚钱。我可以知道最终赚钱的形态是什么样子，然后我就知道该怎么铺垫它。”缺点是“说话太宏观”：一条逻辑链花二十分钟讲完，对方往往不能follow。
• 主持人追问“闻得到钱”和理想主义是否有分歧，他回答：“没有分歧，我是非常理想主义的人。我来做机器人不是为了赚钱的。我觉得‘闻得到钱’是生存的一条路。我的梦想是星辰大海，可是我的路径需要脚踏实地。”自我定位是现实的理想主义者。他称赞杨士源共情、结构化思考、落地、技术和管理能力都强。

14. 去年底的团队identity危机：落地派vs research派

• “我们有一段时间战略迷失，分歧最大——一拨人说‘我们要做落地’，另外一拨人说‘我们要做research’。”他认为机器人公司都会讨论这个现实问题。自己没有固定派系，但当时更偏向research：落地可以赚钱，可如果不能达到scalable product-market fit，就不是长久的产品形态；落地派是团队里一些工程师。
• 解法不是二选一，而是“把战线拉长”：落地是否能scalable，往往受intelligence限制，所以设定一个更远的战略点，既能improve intelligence也能落地，团队由此重新凝聚。

15. Product Research的定义：有guardrail的research

• 他认为传统research团队可能先朝AGI发散探索，再收敛；但在没有落地的发散过程中，“大概看到一些东西，并不代表这件事情做得足够透”。Product research则给research加guardrails：research必须对长期产品有价值，并按优先级下注，而非同时发散。
• 主持人提到Pi、Generalist等公司，他拒绝替它们断定方向，认为各公司对自己的方向有认知；但强调Dyna一直是research导向公司，只是有product guardrails。“我对未来的产品形态非常清晰，我是在倒推为了达到这个产品形态需要做哪些research。”

16. Dyna-1：折24小时、99%成功率的可商业化demo

• 2025年的product research目标由当时foundation model的缺陷倒推：机器人慢、动作乱，通常只能成功做一件事，再做同样的事或下一步就容易做不好。于是他给团队定目标：成功率拉到99%，速度达到人的50%到60%，才有商业化希望。
• 后来大家在四五月份看到了Dyna-1。Lindon称它对团队和行业都是很大的突破，是第一家首次售出可商业化demo的公司；当时机器人可以连续折餐巾24小时，成功率在99%以上。

17. 为什么反共识地选折叠：容错率与technology-market fit

• 融资时投资人质疑“洗衣服行业有多大”，问为什么不做工厂、物流。他的逻辑是落地场景必须有容错率：做拿铁时打翻一杯是给人添活、还损失一杯；“折叠不一样，折坏了可以重折”。按当时对技术天花板的认知，折叠是technology-market fit，而且是一个isolated场景；他和洗衣店、旅馆聊下来，发现都有dedicated folder和attendant在做。
• 他没有先要求市场足够大，而是先问能否跑通第一个商业闭环，以及这件事是否足够难、能提升模型。技术难点在软体：杯子状态相对有限，折叠每一步都依赖前一步成功，也考验衣物泛化。实测发现，T恤折叠在新环境zero-shot泛化所需的环境数据可能十多个场景就够；衣服尺寸、style和fabric也需要覆盖。

18. 部署的残酷细节：1300张餐巾、double-grab与bin摆放

• 6月至9月的部署暴露了demo与产品的鸿沟。客户一天需要1300张餐巾，Dyna-1当时24小时只能折850张；速度提升后，又发现致命corner case：机器人偶尔抓两张餐巾，正常折一张只需20秒，处理抓两张可能要两分钟。“如果当时有10%是double fold，我们今天肯定达不到标准。”
• 另外，折好的餐巾放进bin时方式随机、不一致，看上去像没折好；团队要condition模型，告诉它按位置整齐摆放。折餐巾的corner case出现时，团队一直坚持由模型解决，而不是用工程方式绕过，因为他们认为scalable product-market fit需要模型完成。

19. 鲁棒性来自预训练：资源配比的转向

• 从部署里得出的关键归因是：“一个模型绝大多数的鲁棒性是从预训练里来的，而不是后训练。”所以他们自己做预训练。当时预训练和后训练投入一半一半，后来预训练投入增加很多；后训练所需的数据越来越少，这对他来说并不意外。
• 抓两张餐巾、导致产出下降的问题，他认为很难通过预训练解决；当时团队考虑用强化学习和其他方法让模型解决。把餐巾放进bin的指定位置、摆放整齐，则可以通过语言和预训练来解决。

20. 不scale的决定：“机器人需要保姆”

• 折叠业务已有十个以上客户，但Lindon选择不继续scale，因为“解决的问题不够根本。我只把这件任务做掉了，可是没有把整个工作流做完”。典型场景是每半小时到一小时折完一叠100张餐巾，机器人就停了，店员要定闹钟来补料；客户投诉“机器人太慢”，查数据发现机器人连续半小时空窗。“那其实不是机器人太慢，而是机器人本身需要一个保姆。”
• 落点是一条产品判断：“如果你去scale一个不完整的产品，这个产品未来会成为你的累赘。”他称这个场景的产品闭环不够完整，因此没有继续扩张。

21. 任务≠商业闭环：对“先解决大脑”论的回应

• 主持人代表research-lab视角发问：是否应该先解决大脑，而不是过早定义场景？Lindon把问题拉回本质：在叠餐巾任务里，“智能体本身已经不是问题了”；限制在于工作流没有形成闭环。任何任务都可以是一串motions；泛化到新场景仍能做任务，的确是智能体提升，但不等于商业闭环。
• 由此定出公司的下一步：“从任务进化到工作流”。以叠餐巾为例，要做完上下料：知道库存在哪、取料、回桌、折叠、把折好的餐巾放到货架、再取新的桶循环。他说现在整个工作流都可以做完；工作流有商业客户，也已在不同场景开始跑通，但尚未完全落地。

22. Dyna-2的技术栈：System Two/One/Zero与泛化迹象

• 从Dyna-1到Dyna-2，模型架构、预训练数据集、reasoning乃至硬件都有变化。Lindon把积累归为三个system：System Two是embodied reasoning layer，理解物理属性、当前状态和semantics，再给System One发语言指令；System One是world-action model，把语言转成动作；System Zero负责运控，用强化学习等方法让trajectory更快、更丝滑、更准确。
• 泛化的衡量框架是教人的两种方式：示范和语言。示范维度上，一些很新的task已经能通过几次示范学会；语言维度上，language sensitivity有明显提升，细节留待发布时讲。完成工作流则需要每一步都足够可靠：多个任务的成功率相乘，整体成功率会快速下降，因此要知道各任务的corner case并把任务连起来。

23. 商业指标重定义：不比人快，比人久

• 对“成本能否比人低”的回应是：在当前foundation model约束下，机器人很难达到一个人一天的产出量，硬件、运控和数据速度都限制了速度。于是换指标：“最重要的价值指标不是做得比人快，而是做得比人更久。”
• 他给团队定的目标是机器人工作24小时，达到一个人工作8小时的产出；他说现在已经超出了这一目标。

24. 为什么不做家庭：主观市场与B2B>B2C的人口账

• 家庭对机器人来说算终极形态，但也有时间和产品问题。机器人能泛化到每个家庭，不代表它能做所有工业任务；即使能在家里做事，也不代表产品成立。家庭消费预期高度主观，像有些人和家里的阿姨合作不愉快，并不意味着阿姨不是general-purpose；速度、性格、摆放习惯、安全与corner case都是产品问题。他认为未来三五十年可能做到泛化进入每个家庭，但真正把产品做成，不等于一定有市场。
• 他认为B2B通用机器人的demand会比B2C高：“人的欲望是无限的。”如果人工成本可以忽略，消费需求会增加，企业也会需要更多机器人生产更多产品。他称美国失业率是4.5%，据此说企业雇用了美国劳动力的95.5%；按一个机器人服务三人家庭估算，美国可能需要约一亿台家用机器人，但B2B需求会更大。B2B也更容易标准化，安全问题在一定程度上可控。
• 路径上的判断是：“如果你连B2B都做不成，那B2C怎么做得成呢？”如果连洗衣店员工的工作都无法做好，就更难应对每个家庭各不相同的衣物和需求。

25. 酒店洗衣房的账：十万家酒店、好几个billion、通往home的最小unit

• 看似小市场的拆解：他称每家酒店洗衣房需要2–5人，洗衣直接影响客房能否周转；听说有酒店老板在疫情期间自己去洗衣房干活。绝大多数洗衣房大同小异，一个工作流跑通后可泛化到美国10万家酒店，TAM有好几个billion。
• 战略意义大于收入：“洗衣房本身是大家通往home的一个最小unit。如果洗衣房都做不成，home肯定也做不成。”他还认为这个场景容错率高、时间安排要求低、付费意愿高。往后酒店场景还可以延展到清理、做饭；客房打扫模型智能到位后可以做，但corner case更多、属于更难的阶段，不能越过最小闭环直接做最难的事。

26. 不分场景、分工作流难度：沿途下蛋的真正目的

• 他拒绝行业惯用的场景分类法：“经常有人问我们是不是一个商用场景的机器人，我觉得这个问题不太对。我是按工作流的复杂度来分的。”点餐机上下料是简单短工作流；他举例说，洗衣房可能在level two到three，hotel cleaning可能在level five，但也表示自己没有细分过这些level。
• 落地准则是：“我落地的场景需要在智能体的智能范围内；我接下来想做的战略方向，则是在智能体范围之外。”沿途下蛋不是为了现金流，而是试探智能体在哪个level、有哪些corner case，以及这些corner case是否能引导pre-training方向。

27. 预训练豪赌：ego-centric百万小时与scaling law

• Lindon称Dyna发布的可能是行业最大的数据集，并在100万小时的人体第一视角预训练集上发现了“非常强的scaling law”。他认为这是行业重要节点，因为过去一到两年intelligence ceiling很难突破，大家都说数据是最大瓶颈。团队的第一性原则思考是：要达到GPT-3、GPT-4那样的机器人foundation model moment，应从低质量数据中提取可以scale的部分，而不是只去scale高质量数据。
• 这是一次公开的改口：Dyna-1靠高质量数据训出最好模型，他当时对团队说“Need to go all in on high-quality data”，也承认自己选择性听了想听的LLM从业者观点。做workflow后，他们发现重要的是让模型获得最diverse、最广泛的人类经验；达到internet-scale数据之后，再做ablation、distill才有意义。
• 押注ego-centric，是五到十年维度的判断。他认为押注teleop、UMI或其他非egocentric数据，某种程度上是在押注机器人手不能work；在他看来，robot hands是工程问题，不是research问题。

28. 真机派vs仿真派是伪论战：data mixture看training objective

• 对国内“真机派/仿真派”的站队文化，他说：“我不知道为什么会有这种论战。”技术路径不是本质，而是手段；Dyna真机和仿真数据都用，他说“都好用”。该下注的是最终希望获得什么样的数据和模型能力，而不是某一种手段。路径一直在变：去年年初有人谈真机、遥操作，年底热情转向UMI，今年可能开始谈ego和simulation。
• 他类比大模型公司因目标不同而选不同方向：OpenAI偏consumer application，Anthropic较早bet on coding agent，Google重视多模态。机器人团队对预训练目标也会有不同判断，没有对错。Dyna的预训练目标有两个：减少示范次数（更快部署）和提升language-following能力（把工作流拼在一起的基本链条）。

29. 做通一个场景=做通所有场景；大模型会不会吞掉场景优化？

• 他的杠杆逻辑是：“做通一个工作流和做通一百个工作流之间，相差的其实就是一百个工作流的数据。”产品核心是一个系统：数据进来，系统输出工作流。第一个工作流做透后，许多工作流之间的差异不大，但具体SOP和corner case仍会不同；解决这些问题的基础框架可以相通。
• 主持人拿agent应用被大模型能力跃迁吞噬的现象发问，他认为可能会发生，但并不冲突：Anthropic做成coding agent不代表只做coding，预训练和后训练的框架也可以用于Excel等场景。Dyna的pre-training保持广泛、泛化，post-training是“下蛋”的地方：验证能否做通工作流，并探索哪些瓶颈要继续引导pre-training。

30. 机器人的ChatGPT moment是产品定义问题；自家战略预计还需一到两年

• 对行业是否到了收敛阶段，他不愿纠缠：“重要的是机器人什么时候才能真正给人类带来价值。”他说从Dyna自己的产品和战略方向来看，距离这件事还有一到两年；并认为工作流可以发展到同时做10个、20个。
• 他认为ChatGPT最大的aha moment是“任何人都觉得它有用”。机器人不一定要先达到通用智能，每个人也可以用得上；这在他看来是产品定义问题。
• 他用GPT-3到ChatGPT作比较：GPT-3在2020年6月以API形态出现，有大量开发者和Jasper等公司基于API做产品；ChatGPT在2022年11月以浏览器聊天形态出现，产品形态改变不可忽视。

31. 下一步的悬念：不是机器人形态，是“如何使用机器人的产品”

• 终局产品他只肯说到这：“你可能会觉得产品的最终形态是一个机器人的形态，但我觉得它不是一个机器人形态，而是一个如何使用机器人的产品。”他称这是B2B，但产品体验要让每个人都觉得有用；今年不会发，下一步release可以期待。访谈谈到的战略下一步，他说会在明年看到。
• 是否人形在他这里是ROI问题：“加上这两条腿，能不能带来更高的价值？这个价值是否远远超过做这两条腿的成本？”他把下一阶段称为更大的通用市场，而不是“讲一个更大的故事”。

32. 最大的外界误解：Dyna不是deployment公司

• “业界一说Dyna，就本能地觉得我们更多是做本体、做场景，这是一个非常大的误解。”他解释，早期PR主要围绕Dyna-1的落地讲，没有花很多时间解释公司的research；实际是heavily research的团队。他认为与Physical Intelligence、Generalist、Google DeepMind在研究目标上没有本质区别：都在想办法让模型泛化、提升language steerability和few-shot demonstration能力。
• 他称公司90%的capacity在智能体上。落地工程infrastructure被做得足够简单；演示视频和示范视频由素材团队完成，不是工程和research团队做的。
• 低调的原因之一是research bar很高：language steering去年八九月份就已做出来，但他们认为还没到99%，不想发布。另一个原因是战略不清晰时，不想为了PR讲阶段性、片面的故事。

33. 为什么这么早追求商业闭环：deployment flywheel可能要跑两三年

• 核心不是revenue，而是反馈：“有闭环才有反馈，有反馈才知道下一步该怎么走。”他类比自动驾驶：不把旧金山每条街都跑一遍，就不知道能力边界在哪。
• deployment环节本身很难：硬件、软件、模型、运控都会出问题，有时机器人原本一天折1300张餐巾，某天只折800张，也不知道原因。因此需要observability stack以及support and maintenance stack；他认为整个deployment flywheel可能需要两三年才能跑通。“如果你先把智能体做完，再去跑deployment闭环，就会发现自己落后了两三年。”这是他从Capa落地经验中得到的判断。

34. 供应链、量产与十年之赌：成本和质量战

• 中国团队从第一天建立。他的判断是：“智能体如果没有供应链，就没有办法做出世界级的机器人。”中国有四五十人专做硬件研发和供应链，条件已跑通，工作流机器人进入百台级别初步量产；上一代没有量产，因为他认为上一代本质上跑不通。
• 长跑中如果只能选一个，他认为十年后供应链可能更重要，因为客户最终拿到的是硬件，长期可能形成成本和质量之争。全栈不嫌早的理由是硬件与大脑共同开发：本体至少要迭代三版才可能进入量产；供应链还没收敛，晚三年开始就少三年迭代。灵巧手会换，但他认为现阶段还不适合拿来落地。

35. 大脑是下限、本体是上限——与主流相反的判断

• 主持人指出这与多数人的观点相反，他解释：“大脑决定这件事到底可不可以做，硬件决定这件事到底能做得多好。”例如一天折1000张餐巾，数据、运控和硬件能力都可能影响速度与精度。不同运控算法也会让同一批遥操数据训出的模型表现不同，可能一个很丝滑，另一个很糟糕；因此他认为做B2B落地时，不拥有本体很难达到目标质量和速度效率。
• 驱动方向上，他认为是大脑驱动本体：硬件规格由research团队定义，比如camera的FPS、global或rolling shutter、角度和视野。大脑提升后，硬件可能达到上限；他用“能跟世界级乒乓球选手打球，但身体跟不上”作比喻。
• 对同行的评价具体而克制：宇树在硬件研发、缩小system identification和sim-to-real gap方面有优势；智元资金充足、容错率更高，能铺更广的产品线和智能体方向。行业现在更多是互相尊敬、学习；他认为未来一两年有机会看到模型架构、数据和能力进一步收敛。

36. AI时代的组织：扁平、美国团队约两百人、最精的人做最重要的事

• Lindon认为组织形态发生了质变：pre-coding agent时代大公司层级多，现在组织明显扁平，CEO和高层可以更直接影响执行方向，做事更快。Dyna内部lab属性较高，美国团队research多，中国团队以硬件为主。美国团队人数约两百，主持人随后说稍多。
• 管理理念是“招最精的人，做最重要的事情”：绝大多数IC有过管理经验，后来因为喜欢做IC才选择做IC；大家能自己拆解scope、执行。人少一点，管理成本就下来，也更容易凝聚成一颗心。小组织状态是阶段性的，但以后做大未必需要像过去那样大——以前一千人才能做的事，现在可能一两百人就能做。
• Coding agent爆发后，工程成本下降、迭代变快：“以前一件事需要一个月做，现在只需要一周，就可以同时探索四个方向。”他认为团队迭代速度也影响对AGI时间的判断。

37. 修心的起点：强直性脊柱炎与“转念”

• 修心从Capa创业时就开始，十多年了。Lindon说自己18、19岁时得了强直性脊柱炎，免疫系统会攻击脊柱，睡觉、打喷嚏都痛；当时他怨恨世界，觉得自己不幸运。最大的突破不是病本身好转，而是“我转念了”：把病痛看成experiment，通过十多年调整作息、饮食和生活方式摸索规律，并自述把病调好了。
• 他把同样的转念用在投资人身上：以前觉得不共频的投资人不懂、很傻；后来发现他们的思考维度也值得参考，过去无法接受的观点反而带来启发。他读《沉思录》、王阳明思想，也看佛教和基督教体系，认为核心都涉及如何与世界相处、怎么看待世界、如何转念。

38. 内耗、讨好型人格与新的驱动力

• 他坦白自己会在意别人怎么看自己，觉得有点讨好型人格；演讲后回看视频，会纠结自己怎么说话、有停顿。读到“这个世界上最在乎你长什么样子的人就是你自己”后，他想通了一些。
• 第四次创业的驱动力已换轨：以前用融资、成就、估值、客户和收入评判自己，现在更想“活成真正的自己”。他借“见山是山”和Adam and Eve吃下the apple of knowledge作喻：长大后被规矩和他人看法束缚，而他追求的是不在乎别人的看法、能选择做自己想做的事。“证明自己不是昙花一现”是以前的包袱，现在外界怎么评判他不重要。

39. 去年犯的错：不犯错CEO的包袱与被市场带节奏

• 战略迷失期他“怎么都想不出来”，根因之一是“要做一个不犯错的CEO”的包袱：作为成功过一次的创始人，他觉得大家冲着经验而来，所以不能犯错。“为了不犯错而做决策，本质上就不是一个好的决策。”
• 他承认战略下一步没想好时，就去看别人做什么、觉得自己也要赶上，缺乏自己的市场判断和第一性原则思考；团队因此被市场带来带去，做了不够符合第一性原则的技术选择，浪费时间。找到自洽方向后，团队才稳定、凝聚起来。
• 渡过难关之后，他首先感到感恩，感谢老师、团队、妻子和孩子的支持。他认为有些难关不能靠改变别人和世界解决，就要靠修行去超越；很多问题不是靠工作时长堆出来的，而需要换思维模式。

40. 世界杯、看不见终点的马拉松与快问快答

• 他把机器人行业称为“世界杯”：强手都在赛道里，他带着敬畏心来做。行业一直迷雾笼罩，能在迷雾里探出自己的路会有成就感。若这次结果不如上次？“本质上我是来赢的”，但如果打出自己的风采、打得尽兴，就已开心；每个节点是checkpoint，不是goal。创业者会不断掉进坑、再爬出来，也不知道马拉松终点在哪里。
• 快问快答：家乡美食是福州拌面、扁肉；他有三个女儿，分别一岁、两岁、三岁；人生必读书是《人生只有一件事》；影响机器人进程的论文，他选Jason的一篇，认为它重新定义了机器人未来自我学习的形态，也是认识Jason的原因之一；当下重要的bet是infrastructure，因为模型迭代速度和scale up范围很重要。对“语言即世界”的即兴解读：世界是vision、物理属性和各种sensory inputs；语言让机器人理解世界并把语言变成action。