对话Dyna Robotics：被部署教训了300天后，找到机器人缩放法则

文 | 硅谷101 “全世界最无聊的机器人。”这是最近《纽约邮报》的一篇报道标题，而这家公司的创始人们却认为，这是“对一家机器人公司最高的赞美”，这家公司叫Dyna Robotics。 看多了机器人跳舞、打拳、跳钢水等酷炫的视频，Dyna确实很“无聊”：此前发布的Dyna-1主攻叠毛巾、叠衣服。这次发布Dyna-2之后，新机器人Taku进了洗衣房，默默把脏衣服放进洗衣机、操作机器，再把衣服拿出来，送进烘干机，最后取出、折好、放到架子上。 联合创始人Jason Ma说：机器人如果真的开始工作了，本来就应该是“无聊”的。而在这份“无聊”的背后，真实部署是衡量机器人的“唯一评估”，在Jason看来， 机器人不能落地，不是因为没有腿、没有手，而是因为模型和整个系统还不够好 。 为了让机器人更好地工作，Dyna也重新选择了模型路线：从VLA（视觉-语言-动作模型）转向WAM（世界动作模型），将预训练数据扩大到100万小时第一人称人类视频。他们发现，随着人类视频数据增加，模型对未在预训练中见过的机器人动作，也预测得越来越好。 这些探索意味着机器人正在接近自己的“GPT时刻”吗？这一期视频播客，时隔一年半，我们再次回到Dyna Robotics。我们从技术和部署的角度，聊聊Dyna过去两年经历的挫败、教训、反思与优化。我们也想通过Jason，理解这一轮硅谷具身智能正在发生的变化与趋势。 以下是我们和Jason的对话。 陈茜：Jason你好，欢迎做客《硅谷101》。 Jason ：你好，非常荣幸参加你们的播客。 陈茜 ：这次对话我们也邀请了在机器人行业工作的君武，作为特邀联合主持人，希望能就一些专业问题展开更深入的讨论。 张君武 ：你好，我现在在Blue River Technology做机器人工程师。 陈茜 ：Dyna最近有一系列发布，硅谷机器人行业也很热闹，很多公司都在发布新模型、新演示。你觉得机器人行业进入了一个新的里程碑吗？为什么最近有这么集中的发布？ Jason ：我觉得要把通用机器人做下去，还是至少需要一两个突破。很多公司的大路线差不多，首先要扩大数据规模，也想做出模型的一些能力。也可能暑假是个发布的好时机，所以大家都把东西发出来了。 整个机器人领域现在正逐渐从演示走向真正的商业落地，我们公司也在这方面做了很多工作。所以我觉得这是做机器人非常激动人心的时刻。 陈茜 ：从你的角度看，现在机器人行业进入了什么阶段？如果和LLM（大语言模型）相比，有人说是不是快到GPT-3的时刻了，可以这样对比吗？ Jason ：我觉得可能还在GPT-2和GPT-3之间。纯从数据规模看，机器人拥有的数据量，相对于GPT-3阶段的语言模型还是要小一些。 但机器人和语言模型也不一样。 你可以有很强的机器人模型，完成指令下的一些特定场景任务；语言模型如果不能跟你流利地聊天，其实没有什么能力能真正用上。所以从产品形态来说，机器人有没有“GPT时刻”，可能没有那么重要。 张君武 ：现在也有一种说法，机器人行业不一定会有“GPT时刻”，因为机器人的形态、处理的具体任务都不太一样。你觉得会有这样的时刻吗，还是要看情况？ Jason ：我觉得要看情况。在具身智能之前，我们可以看自动驾驶。自动驾驶就没有人提过“GPT时刻”这个概念。Waymo、特斯拉在10多年前已经能做好一个演示，但从演示到真正落地，能在旧金山打到一辆Waymo的车，中间的距离还是很长。 在真实世界里迭代，这个过程比较长。虽然现在相比无人车刚开始的时候，已经有很多更好的技术，但这个过程仍然必须经历。它肯定不能像语言模型一样，大家已经有手机、电脑，只要能上ChatGPT的网站，就能用到这种智能。在具身领域，如何把智能用起来，本身就是一个很难的问题。 陈茜 ：你刚才说，数据和模型都有进展，是这两个方面的进展让机器人又能往前迈一步了吗？ Jason ：这两点非常重要，但还有一个特别重要的东西，就是硬件。没有硬件，模型再厉害，你也感受不到。如果硬件只是一个只有5个自由度的小机器人，它也只能做一些很简单的抓取。 在具身领域，模型、数据和硬件必须一起进步，才能最终做成一个让不同的人、千家万户都能用上的产品。 陈茜 ：硬件主要指本体、供应链，还是运控？ Jason ：首先指本体。供应链对于扩大本体规模也有很大作用。现在有很多不同的机器人，但在设计过程中，要把机器学习、人工智能中的一些概念，以及模型训练、部署的心得，放进硬件迭代的过程。最后能形成闭环，是一个很大的壁垒。 陈茜 ：你们的联合创始人York之前把行业分成三派：一类是模型优先，只做大脑，比如Physical Intelligence，也就是π；一类是硬件优先，只做本体；还有一类是一体化集成，全部都做。Dyna属于第三类，大脑和本体同时做，为什么选择这个路线？ Jason ： 因为最终部署机器人智能时，客户付费的并不只是模型，模型只是整个技术栈的一部分。 我们跟客户聊，他们根本不在乎我们用VLA（视觉-语言-动作模型）还是世界模型，也不知道这些是什么。他们最后在乎的是，在自己的场景里，机器人能不能完成复杂、多样的任务。 从这个角度出发，我觉得必须把大脑和本体放在一起做，才能达到最好的效果。从技术层面来说，也很难把两者分开，做出一个非常通用的东西。在真实世界里，物理智能是大脑和本体连在一起，才能达到很好的效果。就像人一样，我们的大脑也适配了自己的身体。 陈茜 ：我觉得Dyna是一家偏务实的公司，从演示和本体设计上都能看出你们非常克制，没有追求很炫酷的演示或动作，而是从叠毛巾、叠衣服这些很具体的商业化场景来设计路线。这是为什么？ Jason ：从纯学术角度来说，机器人领域能做的事情太多了，任何一个话题都可以花好几年做研究。但我觉得，机器人学习技术已经到了有可能商业化的阶段，现在非常需要从产品出发，思考哪些问题必须解决，哪些问题现在解决与否还不是特别重要。 这样可以帮助整个团队排好优先级，确保我们在技术研发、公司这两年的成长过程中，每个节点都能做出更正确的技术判断和选择。 从过去的演示中可能也能感受到，我们做的能力，都是我们认为真正落地必需的能力，而不是为了拍一个炫酷的视频。这个领域现在很火，很多人的做法可能更以演示为导向，但我觉得那样可能本末倒置了。 我们是从最终要开发、生产、派出几万个机器人的目标出发，思考哪些技术问题必须从今天开始解决，以此决定整个团队的技术路线。 张君武 ：我想追问一下硬件的协同设计，以及你们在客户现场获得的经验。我之前也做过物流、挑拣，客户的要求很高。你们是一开始就想自己做硬件，还是到了客户现场，有了某些经验教训之后，才觉得一定要自己做？ Jason ：两个都有。从第一性原理出发，要做通用机器人，必须先想数据从哪里来、用什么数据训练，再以此引导硬件设计。 我们现在已经发布了Dyna-2，预训练用了大量人的第一视角数据。如果预训练要向人学习，那么部署时，机器人的形态越像人，迁移就会越好。 但做人形机器人，要权衡是否做腿、是否做手。我们从中间选了一个很好的权衡点：半人形加底盘。这个形态可以从今天开始部署，也能获得从人的数据中训练的很大好处。这就是我们从第一性原理出发设计硬件的思路。 陈茜 ：你们没有做全人