Lindon Gao¶

背景: Dyna Robotics 创始人兼 CEO（2024 年底创立）。中国出生、11 岁赴美，福州人。第四次创业：14 岁做游戏账号/装备买卖平台 → 大二做珠宝外贸（2B，做了十余年）→ NYU 医学院两年转金融 → 投行两年 → Caper（无人零售，2017–2021，以约 3.5 亿美元卖给 Instacart）→ Instacart 三年高管 → Dyna。联创：杨世远（York Yang）（合作十余年，⚠️ 他评为"稀有的技术天才，而且又有管理维度的认知"）、黄一林、Jason Ma（research 联创）。 ⚠️ 全期只播报英文名 "Lindon"，中文姓名未被播报，本库不补。
出现于: 张小珺《商业访谈录》
watchlist slug: 嘉宾（无独立频道）

来源：张小珺 #154 / Lindon Gao（2026-10-15）

⚠️⚠️ 本库对这家公司现有两份材料，来自两位不同联创、同一周、同一次 DYNA-2 发布：Jason Ma（Latent Space，2026-10-13）给的是技术实现与硬约束；这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：Jason Ma 的那条结论——"真正的价值在于能无人监督地持续数小时的工作流"——在这一期里有了来源，而来源是一次客户现场的失败。

⚠️⚠️ 他最该被引用的一条：机器人需要保姆¶

⚠️ 起点是成功：DYNA-1（2026 年四五月）折餐巾、可折 24 小时、99% 以上成功率，他自评 "首家公司首次 show 了一个可被商业化的 Demo"（视频页 [00:46:30]）。⚠️ 而他当初给团队定的 product research 目标是 "成功率拉到 99%、速度拉到人的 50% 到 60%，我们才有商业化的希望"。
⚠️⚠️ 而决定性的失败与模型无关（视频页 [00:58:39]–[00:59:41]）：每半小时到一小时一叠 100 张折完，机器人就停——没餐巾了；⚠️ 店内员工得在手机上设闹钟来上料。客户的反馈却是归因错的——"你机器人太慢了"；查数据发现机器人连续半小时没干活。
⚠️⚠️ 他的结论："那其实就不是机器人太慢，而是机器人本身需要个保姆。" → "所以机器人需要保姆这件事情是一个非常大的一个产品问题，所以当时我选择不 scale。"
⚠️ 理由是技术债："如果你去 scale 一个不完整的一个产品，那这个产品在未来会对你来说是个累赘。" ⚠️ 当时该场景已有 10 个以上客户、已开始上量。
⚠️⚠️ 而由此得到的分界是本库认为最该被 Physical AI 当作默认澄清的一条（视频页 [01:01:42]）："在任务范围之内，智能体不受限；可是在工作流，就是在把整个事情做完的范围之内，是受智能体影响。"
⚠️⚠️ 他对任务级泛化指标的批评更锋利："我可以任何一个任务可以 zero-shot 放到任何一个新的 environment 都可以做这个任务，的确是智能体的一个上升，可是我觉得不是商业闭环。"
⚠️⚠️ 一条他给的、给"99% 成功率"加限定的量化（视频页 [00:54:37]）：偶尔抓两张餐巾（"甚至人手有的时候都会"）→ 解一次约 2 分钟，而正常折一张只需 20 秒 → "如果我们当时如果说有 10% 是 double fold 的话，我们今天就肯定是达不到标了。" ✅ 即失败的代价不是一次重试，而是 6 倍于正常节拍的停摆。（⚠️ 这条推论的提法是本库的。）
⚠️ 他给的"预训练可解 vs 不可解"对照很具体（视频页 [01:42:12]）：⚠️ 不可解——抓两张餐巾导致产出大降；✅ 可解——"把 napkin 放在 bin 里面的位置是否能整齐摆放，完全是预训练可以通过语言来解决的问题。"

⚠️⚠️ 一次完整的预训练路线自我纠正，含罕见的认知偏误自述¶

⚠️ 第一阶段的结论与现在相反，而且有实验支撑（视频页 [01:29:04]）：做 DYNA-1 时做了很多 AB test，"最高质量的数据本身就可以训出最好的模型" → "你得 go all in on high quality data。"
⚠️⚠️⚠️ 而他主动承认了当时的认知偏误，本库认为这是他全部材料里最该被引用的一句（视频页 [01:30:04]）："可是我就和业界的非常多的 LLM 也好、Video Generation 模型的人聊也好——其实当时我是 selectively 想听到我想听的东西。"
⚠️⚠️ 转念由做工作流触发，而落点是一条方法论："最重要的是模型本身是否我们能给最 diverse 最广的 human experience；然后当我们达到一个 internet scale 数据之后，我们再去做 ablation study、再去 distill 这个数据才有意义" → "我们在这个前提已经没有达到的前提去做太多的 quality optimization，我觉得不一定是第一性原则。"
⚠️⚠️ 而选 egocentric 的那条论证本库认为是他最精彩的一次推理，因为它把一个数据采集的战术选择等价成了技术判断（视频页 [01:31:04]）："我们要去 bet teleop，或者要去 bet UMI，或者说要去 bet 一些不是 egocentric 数据的形态本身——我觉得我们就是有点程度上面是在 bet 机器手不可以 work。" ⚠️ 而反方是 "行业的共识是 robot hands 本身是一个工程问题而不是一个 research 问题"（⚠️ 他没有给出处）。
⚠️⚠️ 结果（自述，本库未核实）："我们发布的应该是行业最大的数据集"；"在用人体第一视角数据的上面，是可以在 one million hours 的一个预训练集下面，我们发现了非常强的 scaling law 本身"（视频页 [01:28:02]）。⚠️ 期内无任何曲线、指标或对比对象，他明说细节留到发布时讲。建议发布后回填核验。
⚠️ 资源配比的变化是这次转向的可核验表现：⚠️ 去年底"预训练后训练一半一半"，现在"预训练比后训练多非常多"；理由是 "一个模型的绝大多数鲁棒性是从预训练里面来的，而不是后训练" → "所以必须要自己预训练。"
⚠️ 预训练的两个目标：① decrease number of demonstration（→ 更快部署）；② ⚠️⚠️ language following——"其实就是如何把工作流给拼在一起的一个基本链。" ✅ 这条解释了为什么"工作流"这个产品决定会直接 translate 成一个预训练目标。
⚠️ 他拒绝"真机派 vs 仿真派"之争："这个技术路径本身不是本质的……它是一个手段。我觉得没有必要 bet 手段。" ⚠️ 他们仿真也有一部分，"哪个好用就用哪个"。

⚠️⚠️ 他的两条反多数派判断¶

⚠️⚠️ 一、"大脑决定下限，本体决定上限"（视频页 [02:08:29]）。⚠️ 主持人当场指出这与多数人相反。 他的论证："大脑是决定这件事情到底可不可以做，硬件是决定这件事情到底能做的多好。"
⚠️⚠️ 而"为什么不能不 own 本体"的论证是数据侧的，本库认为这是他最有机制含量的一条："我们从运控上面收集到数据，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——一个可能是非常非常丝滑非常漂亮，另外一个可能就是一个非常糟糕的机器人。所以我很难想象说真正去做 B2B 落地场景，如果你不 own 这个机器人本体，你是很难达到他们的质量和速度效率的。"
⚠️ 方向是"大脑驱动本体"，而机制是组织性的："硬件的定位一直都是 research 团队给出来的——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 Jason Ma 自述"硬件还没好之前我们就已经决定在人类数据上做预训练" 吻合。
⚠️ "现在做全栈会不会太早"他给了一条机会成本："硬件本体是需要刷起码三版，你才可以真正进入量产"，而 "如果说你在三年之后再去做这个硬件，那其实你就少了 3 年可以迭代的一个过程"。
⚠️⚠️ 二、"机器人不需要达到通用，就可以被每一个人用上"（视频页 [01:45:13]）。⚠️ 论证是 ChatGPT 的类比："GPT-3 到 ChatGPT 本质的变化是一个产品变化，是一个从 API 形态变成了一个 browser chat 形态，才达到了一个非常强的一个用户飞跃。" → "这是一个产品定义问题。"
⚠️ 一般化表述："机器人本身其实就是一个智能体和一个产品形态，而不是只是一个智能体形态。"
⚠️⚠️ 而终局形态他明确拒答："你可能会觉得说产品的最终局是一个机器人的形态。其实我觉得不是一个机器人的形态，而是一个如何使用机器人的一个产品。" → "现在不方便说。" ⚠️ 本库照录，不推测。

⚠️⚠️ 他的路线图框架：按工作流复杂度分级¶

⚠️ 他明确否认按场景分类市场："我一直以来对市场的认知一直都不是分场景的……我是按工作流的复杂度来分的。" 分级（⚠️ 他自述未细分过）：level 1–2 = 叠餐巾；level 3 = 更长的工作流；level 4 = 洗衣房；level 5 = hotel cleaning。⚠️ 洗衣房整个工作流他自评 level 2–3（一致性高但工作链极长）。
⚠️⚠️ 而落地与战略的定位规则是本库认为他最干净的一条可迁移规则（视频页 [01:25:56]）："我落地的场景需要在我智能体的智能范围内；然后我接下来想要做的战略方向，其实就是在我智能体的范围外。"
⚠️ "沿途下蛋"的目的他否认是现金流："是让我理解我目前的这个智能体本身……而且在这个智能体的 level 上面我会有哪些 corner cases，那这些 corner cases 是否可以引导我 pre-training 的方向。"
⚠️⚠️ "做一个场景等于做通所有场景"："做一个工作流 versus 做 100 个工作流，其实相差的其实就是 100 个工作流的数据"；而产品被他定义成一个系统——"数据可以进来这个系统，然后这个系统就可以出一个工作流"。
⚠️⚠️ 而工作流为什么是预训练问题，他给的是一条乘法："你要把工作流做完，那其实就是 99 times 99 times，就是一个 compound，是一个 exponential 的一个过程。"

⚠️ 他的 ROI 判据，以及它的来源¶

⚠️⚠️ 一次重要的指标替换（视频页 [01:10:51]）：被问"成本能比一个人低吗"，他先承认做不到——"一个机器人去替代一个员工，在目前的 foundation model 的 constrain 下面其实非常难达到一个人一天的产出量"；⚠️⚠️ "所以我们发现最重要的价值指标不是要做得比人快，而是要做得比人更久"——目标是机器人 24 小时 ≥ 一个人 8 小时，⚠️ 他说现在"已经超出了"。
⚠️⚠️ 而这套判据的来源是 Caper 的那条产品教训（视频页 [00:11:03]–[00:23:09]）：他见了 150 个超市老板问 Amazon Go 式方案，⚠️⚠️ "没有一个人想要"；问"免费给你要不要"——"我也不想要"；理由就是 "性价比不高，我没有 ROI"。
⚠️⚠️ 而真正的产品价值不在省人工：转做智能购物车后发现价值在屏幕交互——"我们的产品价值核心后面是我们可以提高 average basket size，而不是我们可以省多少人工"，⚠️ 而这在无人商店形态里结构上拿不到（"你是没有一个屏幕可以跟你互动"）。
⚠️⚠️ 他把这条直接搬成了对机器人行业的批评："在机器人行业有非常多的公司找到了所谓的 product-market fit，可是发现后面他们需要做的 customization 也好、客户要求的节拍也好，他们是远远达不到客户对机器人本质价值的一个产品形态。" → "我觉得 ROI 不成立就不是一个产品，就没有 product-market fit。"
⚠️ 为什么选折叠（反共识，融资时被质疑"洗衣服行业有多大"）：三条判据是容错率（"折叠我折坏了可以重折"，对比打翻一杯拿铁）、场景隔离、痛点普遍；⚠️⚠️ 而他明说不是看市场大小——"而是我是否可以把我第一个商业闭环先跑起来；而且这件事情足够难，所以对我模型的本质的提升还是有非常大的空间的" → "我觉得是一个 technology-market fit 的一个状态。"
⚠️ 为什么不做家庭：⚠️⚠️ "就算机器人可以在每个家庭里做事情，也并不代表这个产品是成立的"——因为产出要符合购买预期，而预期非常主观。⚠️⚠️ 他的类比把"不通用"与"不合意"分开了："有些人家里的阿姨合作的不是非常愉快——其实并不是说这个阿姨不是 general purpose 阿姨，而是不管是性格、做事速度方面，其实都是有非常大的分歧。" ⚠️ 所以泛化不是唯一维度（还有速度、是否顺心、安全、corner case 数量）。⚠️ 时间估计是"三五十年"，但 "真正把这件事情做成，不一定代表这件事情有市场"。
⚠️⚠️ B2B 是"最小单元"这条是他 day-one 的理由："如果说我在一个洗衣店里面我连洗衣店的员工都没有办法完全做好做清楚，那我怎么可以在每一个家庭里洗大家不同的衣服呢？" / "洗衣房本身是大家通往 home 的一个最小的一个 unit。"

⚠️⚠️ deployment flywheel：一条可检验的战略判断¶

⚠️⚠️ 原话（视频页 [01:57:23]）："deployment 环节本身可能也是需要两三年的时间才能真正跑通的。所以当你把智能体本身完成了，然后你再去跑 deployment 闭环的时候，你就会发现你落后了两三年。"
⚠️ 他先否认 deployment 是智能的下游："可能大家想着说我智能体解决了我就可以大大落地了——其实完全不是。你的硬件会出问题、你的软件会出问题、你的模型会出问题、你的运控算法会出问题。"
⚠️⚠️ 最具体的失效形态是归因困难："突然有一天发现我的 throughput 本来一天是需要折 1300 张餐巾的，可是我今天只折了 800 张——然后你也不知道为什么。" → 需要 observability stack 与 support stack。
⚠️ 依据是前一家公司：Caper 产品已经可以铺到任何一个超市之后，还花了几年时间才真正把落地打通。
⚠️ 对"追求商业闭环会不会太早"的回答："revenue 不是最重要的一件事情，而是我们要把商业闭环的每一个阶段、每一个问题全部都要想通"；⚠️ 类比是自动驾驶——"如果说你不把 San Francisco 每条街跑一遍，你是不知道你的瓶颈到底在哪的。"

⚠️⚠️ "product research"：一次公开的误解修正，以及一条可被外部检验的声明¶

⚠️⚠️ 他明确否认"落地派"标签："我觉得我是 product research 派，就不是落地派。" ⚠️ 而对"业界为什么本能地认为你们做本体和场景更多"他答 "是一个非常大的误解"，归因在自己——"我们可能刚开始 PR 没有花非常多的时间"，因为出 DYNA-1 时是以落地为核心方向去讲的。⚠️ 他对"外界说得最不准的地方"的回答是同一件事："我们是个 deployment 公司……我从第一天其实我们就不是一个 deployment 来去为核心观点来做这个公司的。"
⚠️⚠️ 而他给的那条验证方式本库认为最该被引用，因为它是可观察的（视频页 [01:51:19]）："公司的百分之八九十的 capacity 全部都是在智能体上面"；⚠️⚠️ "我们现在已经做到任何数采员就可以训一个模型"；⚠️⚠️ "你们看到的所有我们的落地的视频也好、示范视频也好，全部都是数据采集团队做的，而不是我们的工程和 research 团队做的。"
⚠️ product research 与传统 research 的区别，带一条对后者的批评：传统路径是"走向 AGI → 发散探索 → 再收敛"，⚠️⚠️ 而他的批评是 "在发散性模式当中，有的时候做的一些事情不一定是做得足够的深。因为如果你没有落地的话，你就大概看到了一些东西，其实并不代表这件事情是做得足够的透"。⚠️ 他的两条机制是 research 边界有 product guardrails、以及优先度有框架（"而不是说同时发散"）。
⚠️ 他对与 PI / Generalist / Google DeepMind 的 research 差别的回答是 "没有本质的区别"，⚠️ 而对"是不是也做机器人大脑"答 "我们一直都在做，我们从第一天就开始在做"。⚠️ 他也拒绝替别人贴标签。
⚠️ 而他对低调一年给的第一条理由随后被自己修正：research bar 太高（⚠️ 自述"PI 出的一些东西我们早几个月就已经完成了"，本库未核实），⚠️⚠️ 而修正是 "我们自己对 research 的 taste bar 如果太高的话，我们什么都不发，其实也不好。所以在这一方面是有一定的改观"。

⚠️⚠️ 去年年底的战略迷失，以及"不犯错的 CEO"这个包袱¶

⚠️⚠️ 分歧的性质他说得很重（视频页 [00:40:23]）："我们当时有一段时间战略迷失的时候，其实这个分歧是最大的。就是我们作为一个团队的 identity 是有非常大的冲击的——就是一拨人说我们要做落地，另外一拨人说我们要做 research。" ⚠️ 落地派是团队的一些工程师；他自述自己当时更偏向 research 派。 ⚠️ 他认为这不是个别现象："我觉得没有一个机器人公司不会讨论这个问题。"
⚠️⚠️ 他给的通用诊断指出两难的根因在别处："我去探高，那我就没有落地的可能性；那我去落地，那我就没有这个 capacity 去探高。可是往往是因为落地是否可以 scalable，是因为是被 intelligence 给 cap 住了。" → 解法是把战线拉远，找一个既能 improve intelligence 又能落地的更远目标。⚠️ 交集点就是打工作流，内部代号"一个员工"。
⚠️⚠️ 而他对自己失误的复盘是本库认为他最该被引用的一段管理材料（视频页 [02:40:49]）："我们在战略的下一步没有思考好，然后就去开始跟——就是看别人在做什么，然后我们也觉得我们要去赶上。所以缺乏了自己对市场的判断和自己的第一性原则思考，导致团队是在一个飘动的一个情况下……一直是在一个被市场带节奏的一个状态。" ⚠️ 他另两条自责是战略方向不清、以及没花时间打理文化导致凝聚力不够。
⚠️⚠️ 而根因他归到一个具体的心理包袱上（视频页 [02:37:48]）："要做一个不犯错的 CEO 的包袱。我当时非常怕犯错，因为其实我也算是成功过一次的创始人了……大家其实都是冲着我的经验来的。" → ⚠️⚠️ "可是在这个包袱下，反而让我的很多决策变得非常的不明智，或者说甚至是为了不犯错而做的决策。那我觉得为了不犯错而做决策，其实本质上就不是一个好的决策。"
⚠️ 他也放下了另一个旧包袱："要证明自己不是昙花一现"——"那是一个自我证明式的想法，而且这是一个外界对你的评判的一个想法。可是我觉得外界对我的评判现在不重要。"
⚠️ 解法与工作时长无关："我是从投行走过来的，一周工作 100 到 120 个小时当时是一个常态。可是我发现很多时候你是靠时间是堆不出来的东西，是需要换一个思维模式才能解决的。"
⚠️ 度过之后第一情绪是感恩（老师、团队、妻子、孩子；"两个联创他们是真的是力挺我到头的"）。
⚠️ 他对"被拒一百多次"的归因同样在自己："我当时对投资人没有一定的思维画像，所以我才被拒了一百多次。就是我当时只顾着说，我不顾着听。"

⚠️ 组织：一条"coding agent 让组织变扁"的一手观察¶

⚠️⚠️ 参照点是 coding agent 之前（视频页 [02:19:37]）：以前大公司10 到 11 个 level，⚠️⚠️ "那其实在目前的一个 AI 状态下面，我组织非常明显变得非常非常的扁" → CEO 与高管"可以直接操控执行方向"，直达 execution 的 engineer / researcher。⚠️ 他的定性是"做事就快了很多"。
⚠️ 人员（自述）：总数不到 200；美国略多、以 research 为主；⚠️⚠️ 中国团队四五十人，专做硬件研发与供应链，⚠️ 而这是 day-one 决定——"我觉得智能体没有供应链，是没有办法做出世界级的机器人的。" ⚠️ 量产状态：整条链跑通、初步量产、百台级别（新一代；上一代他选择不量产）。
⚠️ 管理理念："招最精的人，做最重要的事情"；⚠️ 多数 IC 有过管理经验、后来因为喜欢做 IC 才回来做 IC → 能自己拆解 scope。⚠️⚠️ 他的反规模论断："我反而觉得人数多的时候更难成为一颗心。所以我是想在一个最小单位形成一颗心。" ⚠️ 他认为规模基准变了："可能以前 1000 个人才能做的事情，现在可能只需要花一两百人。"
⚠️⚠️ 而 agentic coding 让他对 AGI 时间表更不敢断言（视频页 [02:23:38]）："以前你一件事情需要一个月做，现在只需要一周了，那你就可以同时探索四件事情" → "所以其实刚才你问我要多少年可以进入 AGI，其实我也不知道，因为本身工程效率也一直在提升。所以我觉得最重要的还是一个团队的迭代速度。"

⚠️ 中美对照与行业判断¶

⚠️⚠️ 大脑派 vs 身体派（全期开场）（视频页 [00:02:00]）："大脑派其实就是美国，觉得大脑是唯一的问题、身体会自己解决它自己。中国觉得供应链是唯一的问题、大脑长期会自己解决。" ⚠️ 他自称"全栈派"，并补 "我的确也认识到中国其实最近也在一些模型层面上面也开始布局"。⚠️ 他也说两边都浮躁（"天天都有非常多的 release……每家都想多融一些钱"）。
⚠️⚠️ 而被逼问"真让你往 10 年去看"时的回答需要与别处并读（视频页 [02:03:27]）："我觉得两个都重要。可是如果说真的让我往 10 年去看这些事情，我觉得可能供应链更重要"（理由是客户最终拿到的是硬件、长期会形成成本与质量战）；⚠️ 而在同一段他对"智能和产品哪个更重要"答的是"智能更重要"。✅ 本库并列两条、不调和：⚠️ 一条问的是十年尺度的胜负手，一条问的是当下的前提；引用时必须带作用域。
⚠️ 对两家中国公司的评价（照录）：宇树——"把他们的 System ID 和 sim to real gap 做的这么小，本质上面是一个非常强的突破口"；智元——⚠️ "他们有足够的资金，我觉得资金可以维持这个组织非常长的一个时间，其实这也是战略本身"，资金多 → 容错率更高 → 产品线更广、智能体上可以更发散地 bet。
⚠️ 他认为现在不是竞争状态（"大家也是非常的 open"），⚠️ "真正有 market share 之后，我觉得才能真正形成一个 competitive dynamics"；⚠️ 收敛判断是"接下来一到两年之后有机会看到一个更收敛的模式"。
⚠️ 时间判断：到 scalable product-market fit "一到两年"；下一阶段（脱离场景受限、做通用市场）在明年。

⚠️ 本库对他的四条限定¶

⚠️⚠️ 这是一次发布前访谈，DYNA-2 的能力描述与预训练的三条量级（"行业最大数据集"、"one million hours"、"非常强的 scaling law"）全部是自述、期内无任何数字或对比对象，⚠️ 而他明说细节留到发布时讲，对终局产品形态明确拒答。本库按自述记录，建议发布后回填核验。
✅ 但本库认为他的论述结构好于一般创始人访谈，有五条可查理由：① 主动承认一次认知偏误（"当时我是 selectively 想听到我想听的东西"）；② 把去年底的战略失误归到自己一个具体包袱上并描述了失误形态（"被市场带节奏"）；③ 自我修正了"bar 太高所以什么都不发"这条做法；④ 把"被拒一百多次"归因在自己；⑤ ⚠️⚠️ 主动放弃了一个已有 10 个以上客户、已开始上量的场景，理由是"解决的问题不够根本"。
⚠️ 他与 Jason Ma 的两份材料在量产量级、客户类型、硬件由 research 定义三处相互吻合，⚠️ 但本库记为同一方的两次自述，不因互相吻合而转为事实。
⚠️⚠️ 本库照录但不采用一处口头推算："美国失业率 4.5%，那其实 business should hire 了 95.5% of 美国的 total population"——⚠️ 失业率对应的是劳动力人口中的失业比例，不等于"企业雇了全国 95.5% 的人口"。他想说的方向（B2B 单位需求远大于 B2C）不依赖这个数字。