Jason Ma¶

背景: Dyna Robotics 联合创始人兼首席科学家（2024 年底创立）。宾大 GRASP Lab 博士（双导师，RL for robotics：如何把 RL 与人类数据相连、以及严格的 RL 理论）→ NVIDIA（GPT-4 刚发布时与 Jim Fan 一起做灵巧转笔，产出 Eureka）→ Google DeepMind（Gemini for robotics）→ 创业。在日本和中国生活过，从小下围棋。
出现于: Latent Space
watchlist slug: 嘉宾（无独立频道）

核心立场与观点¶

技术路线：world action model¶

第一性原理是"尽可能多地预测世界"：机器人（任何物理系统）本质是"基于当下与此前的信息，下一步该做什么"；而机器人只是世界的一部分——它影响世界，世界也影响它该如何行动，所以最第一性原理的做法就是把能预测的世界尽量全预测（[00:56:38]）。
⚠️ 据此反对预测抽象表示：VLA 只预测动作或更抽象的世界表示，而"你一旦预测抽象表示，就把你自己关于什么重要的偏见编码进去了"；苦涩教训要求去掉人的偏见、取最原始的相机输入全预测（[00:57:38]）。
✅ 他给 world action model 的类比："类似 chain of thought—— 机器人在视觉与物理的空间里推理，然后输出动作。"（[00:04:01]–[00:05:02]）
架构 = diffusion transformer：transformer 吞数据、diffusion 精修到可执行所需的平滑精确运动； flow matching 是 diffusion 的一个特例，让变换简单得多、不用怎么调 scheduler（[00:06:02]–[00:08:03]）。
规格：约 100 个连续动作维度，以至少 50 维向量、每秒 10–20 次预测， 向前预测 1–2 秒（[00:46:26]–[00:47:28]）。Dyna-2 训练数据 >100 万小时（[00:02:00]）。

⚠️⚠️ 他主动给出的自我证伪条件（本库少见）¶

被明确问到"如果你错了，第二名是谁"（[00:57:38]）： - caveat 是："你要尽可能多地预测世界"并没有说你的传感器就包含了关于世界你需要预测的一切（[00:58:39]）。 - ⚠️ 具体失败情形：纯视觉世界模型会很强但可能"不够丰富"（缺声音、触觉）； 若有人拿出"视觉 + 触觉"世界模型，可能数据效率高 100 倍—— 因为视觉是信息高度冗余的输入（隔一个像素变化不大、视觉不完美也能理解世界）， 而触觉等模态信息密度可能高得多（[00:58:39]–[00:59:41]）。 - ✅ 但他接着给了"即便如此仍是我们赢"的论证：解决机器人的若是多模态世界模型， 机器人公司会比转向机器人的视频生成公司做得更好——"理解传感本身非常复杂，我们从公司成立起就在做，知道瓶颈在哪、知道怎么融合"；只做视频适配的一方"并不真的有让触觉工作起来的 know-how"（[00:59:41]）。 ⚠️ 立场陈述，他未给任何触觉结果。 与 Runway 一期构成直接对位。

⚠️ 数据观："不像语言模型，这里没有互联网"¶

✅ 定性句："数据是今天机器人领域最重要的事，因为不像语言模型，这里没有互联网。"（[00:10:04]）
自采有上限："任何单独一家公司能自采的量都远远不够"—— 类比是"你想靠只有 Reddit、只有 Facebook 来造一个互联网"（[00:11:05]）。
⚠️ ✅ "数据质量在机器人里是个非稳态问题"：什么算高质量会随模型水平改变—— 模型什么都不会时任何数据都有用（[00:11:05]）。
egocentric 人类数据的作用与局限：覆盖"你能想到的每一种身体活动"、给强先验； ⚠️ 但"在机器人长得跟人一模一样之前，人的动作与机器人动作之间总有 gap"，仍需机器人自己的数据补低层反射与灵巧（[00:12:08]）。配方是两者合进一个模型，⚠️ 并明确"现实是没有单一的取胜策略"（[00:13:09]）。
微调量级：新任务通常几个小时数据，有些几十分钟（切菜 45 分钟）（[00:00:00]、[00:31:18]）。
合成环境是"下一个 scaling 维度"（[00:16:09]）；⚠️ 他用自己的论文做今非昔比的基准—— Eureka 时代"模型没有好视觉、没有内生 3D 理解"，而"今天前沿模型的视觉能力疯狂，能做 real-to-sim CAD、3D 重建，现在到了临界点"（[00:17:10]）。 GPT-6 上他最兴奋的也是构建虚拟环境（[00:51:30]）。

⚠️ 两条"机器人的苦涩教训"¶

机器人也会 scale，所以保持算法更简单、scale 对的数据，泛化会涌现； ⚠️ 反对加很具体的先验（如"让机器人把物体看成物体、画框以改善感知"）（[00:43:24]–[00:44:24]）。
⚠️ ✅ 真正苦的是第二条："scaling 会奏效，但在机器人里要 scale、以及怎么 scale 都难得多—— 因为没有互联网。你得先搞出硬件、搞出传感器、把这些全弄对，然后才能 scale。"（[00:44:24]）并且"什么才是对的数据"比别的领域难判断——选什么传感器决定了你有什么数据（[00:43:24]）。

⚠️ 硬件：自研判据，与一条对行业的批评¶

✅ 自研/外购判据：部件的输入输出非常清晰、且已有极成熟方案 → 外购（lidar、部分相机）； 对系统最终性能极关键 → 自己拥有（[00:22:14]）。
⚠️ 执行器自研的理由很具体：执行器质量与设计直接决定你能把机器人建模得多好—— 要在仿真里建模，"你需要选到足够好、而且容易被建模的执行器"（[00:22:14]–[00:23:14]）。
机器人比例按真人测量，因为在人类数据上预训练，要最好的迁移； "终究是硬件承载智能"（[00:23:14]）。
⚠️ ✅ 对行业盲区的批评："这些天很多讨论围绕机器人基础模型、模型、数据。但硬件、以及造好硬件有多难，被严重低估了。"（[00:25:16]）
⚠️ 供应链冷水："即使现在，美国也没有一家公司是真正在美国从零造出一切的"—— 即便在美国组装，原材料仍从别处采购；对机器人来说把制造搬回美国"比看上去难得多"（[00:24:14]）。
✅ 反"无平台"路线的论证来自亲身经历："此前我在 DeepMind、在 NVIDIA 主要就是造模型，我看到了当你不控制硬件、不能优化它时，系统的上界。"（[00:26:16]）

⚠️ 形态：半人形 + 轮子，以及"形态是数据迁移率的函数"¶

构造：人形上身 + 腰部四自由度 + 轮式下身（[00:27:16]）。
选轮子的三条取舍：腿的能耗高得多、更不稳定、安全极难保证—— "现在对腿式机器人，根本没有机器人会全程保持直立平衡的保证"（[00:27:16]）。
⚠️ ✅ 腰部自由度的论证起点是一次拉伤：拉伤后"你会意识到我们日常用了这么多自由度，平时却当作理所当然"；"哪怕我只想拿这个瓶子，我也不只是在动手臂"（[00:28:16]–[00:29:17]）。 而真正把它与数据接起来的是：人在数据里一直在动躯干， 形态不允许 → 迁移变少 → 机器人更不灵巧（[00:29:17]–[00:30:18]）。
⚠️ 对"直接上人形"的反驳是迭代论：终局认同人形最好，但硬件决定贵得多、慢得多， "你其实不想一步走到最终形态，因为造出来的很可能不够好，最后反正要推翻"； 证据是 Optimus 已多次迭代并推翻过设计（[00:44:24]–[00:46:26]）。
一条先于硬件的决定："硬件还没好之前我们就已经决定在人类数据上做预训练，因为我们知道我们的机器人终将像人"（[00:30:18]–[00:31:18]）。

⚠️⚠️ "把自主性的单位从任务换成工作流"¶

✅ 本库认为这是他最该被引用的一条判断： "我认为今天机器人领域的人还在任务层面想自主性——一个一分钟、三十秒的任务。但真正的价值在于能无人监督地持续数小时的工作流。"（[00:49:29]–[00:50:30]）
⚠️ 由此重新定性整个问题："所以我思考机器人问题时不把它当成一个建模问题，而是当成一个系统问题——你需要好的 agent、好的 harness 工程、好的模型、好的硬件，样样都要。"（[00:50:30]）
做法：在 world action model 外套 agentic harness；洗衣的具体推理是 "洗衣机在转 → 先去干别的 → 洗完立刻转进烘干机，否则那就成了瓶颈"（[00:48:29]–[00:49:29]）。承认低层模型理论上能学，"但会极其低效"（[00:49:29]）。
实现形态（片尾演示段）：两模型架构 = 推理层 + 动作层，推理模型收几句语言 prompt、逐步规划并监督执行，动作模型负责操作与灵巧（[01:19:01]）。

延迟与部署形态¶

⚠️ 约束是硬的："机器人的推理延迟必须很短——机器人不能举着一把刀三秒不动，那会吓到人" （[00:19:12]）；更一般地"物理和重力不会等你"（[00:20:12]）。
所以部署的模型必须能本地服务（走网络"没有保证"），但训练的模型不必小—— 训最大的再蒸馏，"机器人领域正在往那儿走"（[00:20:12]–[00:21:13]）。自研推理栈（[00:21:13]）。

⚠️ 部署：他坚持的那条区分¶

✅ 最可核验的一条口径："真正难的不是把机器人放进一个站点、或者做个 pilot。真正难的是客户相信或验证了你的机器人创造了足够价值，以至于他们想把你的机器人铺到自己很多个站点。" （[00:00:00]、[00:39:20]）⚠️ 他自称这在鼎泰丰身上发生了、而"据我所知做类似通用机器人的其他公司还没真的发生过"——自述的行业比较，本库未核实。
客户与量：鼎泰丰（每天折数千张餐巾、多个美国门店，⚠️ 精度要求到几厘米级，他称已达人类水平）、Best Western（毛巾）；鼎泰丰规模化后签了更大合同并要求切食材（[00:38:20]–[00:42:23]）。 已部署数十台，明年目标数百台（[00:53:33]）。
⚠️ ✅ 为什么通用模型反而赢过专用机器人：可变形物体有无穷多种构型，这对专用机器人非常难；通用模型再适配"反而能更快到生产质量"（[00:40:21]）。 第二条理由是跨站点一致性，机制是权重——各门店折法不同而客户要一致， "模型就是一组权重，可以 OTA 一次全部更新"（[00:42:23]）。

⚠️ 瓶颈，以及一条硬件→研究速度的因果链¶

灵巧手：最好的灵巧手仍不够耐用、很快过热——"你真的得放个冰袋"（[00:35:20]）。
⚠️ ✅ 本库认为这条最该被记："要知道你在任何任务上有进展，你最终都得在硬件上 eval。而 eval 不够随时、不够快，也就限制了你的研究进展。"（[00:36:20]）
⚠️ 缺失的传感模态：人还会听、摸、闻且是下意识地用， "如果完全没在采集那些，即便 scale 到数百万小时，你也可能漏掉任务的关键维度，于是永远解不了它" （[00:36:20]–[00:37:20]）。
✅ 对称的限定：对今天就能高保真采到数据的工作流，他不认为存在根本瓶颈（洗衣为例）；总结是更通用的那个东西，最大瓶颈仍是硬件与数据（[00:37:20]）。
评测流程 = "机器人版 RLHF"：真实世界 rollout → 打分好/坏/一般 → 这些经验数据再训模型；模型"大概到 70%、80%"时看它怎么失败、补数据迭代（[00:31:18]–[00:33:19]）。 最长完整工作流已在小时量级（洗衣约 1 小时）（[00:35:20]）。

个人与公司¶

入行起点：AlphaGo 出来时他高三，"我震惊了，因为我玩了这个游戏很多年"—— 此前围棋被认为是 AI 永远解不了的（搜索空间大于世界原子总数），而 RL"就这么破了它"；由此对能自我改进的系统感兴趣（[01:01:41]）。
⚠️ ✅ Eureka 的由来：想从人类视频学转笔，但"今天根本没有能转笔的灵巧手，我怎么评估算法"→ 先进仿真 → 立刻发现手写转笔的 RL 奖励函数是不可能的（"我列不出需要的那些项"）→ "要是一个能写代码的模型能做这件事呢"（[01:03:44]–[01:04:44]）。 ⚠️ 他对它的定性："在我看来，我们做出了仿真中第一个递归自我改进的机器人 agent。" 本库标注这是他本人的定性，且指的是仿真中自生成环境与奖励函数，与 AI 做 AI 里追踪的 RSI 起飞判据不是一回事。
⚠️ ✅ 离开实验室的理由："做学术研究我很开心，但心里总有一个问题——这些到底有没有意义？ ……你问我们怎么想出那么多有趣好玩的任务——你基本是在做自己的 eval、给自己的作业打分。我想要更真实的东西。"（[01:04:44]）他认为 2024 年底是能把技术推到现实的时点（[01:04:44]–[01:05:47]）。
公司名两个来源（他起的）：Richard Sutton 的 Dyna 论文（在世界模型中自我改进的 agent）—— "创业时我们还没做世界模型，但我觉得机器人会这么被解决，而现在技术方向正在收敛到那儿"；以及他出生那年的奥特曼叫 Dyna（[01:10:51]–[01:11:52]）。
组织：硬件约 30%–40%，模型方向约 10 人（[01:08:49]）；定位是研究 + 产品公司"有点像 OpenAI"，产品驱动、自上而下定问题 + 自下而上执行 （[01:06:47]–[01:07:48]）。
⚠️ call to action 本身是一条行业判断："作为一个行业，机器人仍然非常 demo 导向。" 他承认自己过去做过很多 demo、"连这次我们也得演示一些"（[01:11:52]–[01:12:54]）。

⚠️ 本页的立场提示¶

叙述者是当事公司的首席科学家，访谈在公司现场录制、且与 Dyna 2.1 发布同周。 "第一个 100 万小时以上的 world action model"、"更灵巧更鲁棒"、"人类水平折叠"、 "最长的本地灵巧操作演示"全为自述，期内无第三方基准。 ✅ 但本库认为这期的证据质量有一处高于同类发布期材料：他被明确要求给出"如果你错了"并给了具体的技术性自我证伪条件（见上）。

已收录视频¶

日期	视频	主题
2026-10-13	Dyna-2 与 Physical AI	world action model、数据、自研硬件、半人形、agentic harness、部署

⚠️⚠️ 交叉验证：同一家公司、同一周、另一位联创（2026-10-15）¶

✅ 本库在两天后摄取了同一家公司 CEO Lindon Gao 的三小时访谈（张小珺 #154），⚠️ 而两期的分工很干净：本页（Jason Ma）给的是技术实现与硬约束；那一期给的是商业判据与战略形成过程。
⚠️⚠️ 而本库认为最有价值的一处对位是：他这条"把自主性的单位从任务换成工作流"的结论，在那一期里有了来源，而来源是一次客户现场的失败——折餐巾机器人每半小时折完一叠就停（没餐巾了），店内员工得设闹钟来上料，客户的反馈却是"你机器人太慢了"；⚠️⚠️ CEO 的结论是 "那其实就不是机器人太慢，而是机器人本身需要个保姆"，并据此选择不 scale 一个已有 10 个以上客户的场景（Lindon Gao 视频页 [00:58:39]–[00:59:41]）。
⚠️ 而 CEO 给的那条分界是本库建议与本页并引的："在任务范围之内，智能体不受限；可是在工作流范围之内，是受智能体影响"（Lindon Gao 视频页 [01:01:42]）。
✅ 两期在三处可核验点相互吻合：① 量产量级（本页"已部署数十台、明年目标数百台"vs CEO"初步量产阶段、百台级别"）；② 客户类型与节拍（本页点名鼎泰丰每天折数千张餐巾 vs CEO 说"餐饮里非常大的客户"、一天 1300 张）；③ ⚠️ 硬件由 research 团队定义——CEO 自述 "camera 需要多少 FPS、global 还是 rolling shutter、角度需要多广，全部都是 research 团队去界定的"，与本页"硬件还没好之前我们就已经决定在人类数据上做预训练"同向。⚠️ 本库仍记为同一方的两次自述，不因互相吻合而转为事实。
⚠️ 两处口径不同、值得一并记：
① ⚠️ egocentric 人类数据的分量：本页记的是他对 egocentric 的作用与局限都有保留（给强先验，但缺听觉触觉等模态时"即便 scale 到数百万小时也可能漏掉关键维度"）；⚠️⚠️ 而 CEO 那一期是明确 all in egocentric，并自述在 one million hours 预训练集上发现"非常强的 scaling law"、"我们发布的应该是行业最大的数据集"（⚠️ 自述、无数据）。✅ 本库认为这不是矛盾而是侧重不同——他讲的是单一模态的天花板，CEO 讲的是当前最该下注的形态；但引用时不应把两条写成同一个判断。
② ⚠️ "为什么必须 own 本体"的机制不同：本页记的是迭代速度（"eval 不够随时、不够快，也就限制了你的研究进展"）；⚠️⚠️ 而 CEO 给的是数据分布——"用两个不同的运控算法就可以训出两个非常不一样的模型"。✅ 本库认为两条指向同一结论、机制互补，建议并引。
⚠️ 本页的 Eureka 来历在那一期得到了外部印证：⚠️ CEO 自述 Eureka 是"我认识 Jason 的一个主要的论文"，并把它列为他心中影响机器人进程的论文；⚠️⚠️ 而他对 research 联创的第一判据是 taste，判别法是看论文的演化方向——"你可以从他博一博二的时候看到他很多论文是相对来说非常 fancy 的东西；而越到后面，他的论文越来越简单干净、核心概念非常清晰"（Lindon Gao 视频页 [00:38:20]）。
⚠️ 而那一期同时披露了一件本页没有的事：⚠️⚠️ 去年年底公司内部有一次"战略迷失"，分歧是"一拨人说我们要做落地，另外一拨人说我们要做 research"，CEO 自述那对团队 identity 冲击很大，⚠️ 而他当时"更偏向 research 派"、落地派是"团队的一些工程师"。✅ 本库据此标注：本页记录的"工作流"路线不是一开始就有的，而是那次分歧的收敛结果。