“世界上最无聊”机器人公司探到Scaling Law：百万小时数据、Bittersweet部署、VLA到WAM，以及硅谷流派之战｜再访Dyna Robotics【101视频播客】

具身智能流派之爭與商業落地：軟硬一體全棧 vs 單一大腦模型層

—矽谷具身智能分化為 Model-first、Hardware-first 與軟硬一體 Integration 三大流派，Dyna 堅持全棧路線以牢牢掌控系統穩定性與可觀測性
—終端客戶為實際業務結果買單而非底層演算法，唯有大腦與本體共同設計並包攬完整工作流，才能在不依賴額外人工介入下釋放實質商業價值
—商業落地優先挑選環境規範統一且容錯率適中的 To B 場景，從折疊毛巾、餐巾到洗衣房端到端工作流，避開家庭場景過高的安全隱私要求與難以定義的測試集

機器人 ↑看多中期

終端客戶只為能否穩定完成多樣複雜任務付費，物理智能的大腦必須與本體共同設計才能達到最佳可靠性與系統可觀測性。商業落地應優先聚焦能自主包攬完整工作流的商用與工業閉環場景，避開需人工質檢補漏的流水線與難以標準化的家庭環境。大腦與本體軟硬一體協同並包攬端到端工作流，是具身智能創造實質商業價值與實現落地的核心路徑

底層架構升級與數據 Scaling Law：從 VLA 到 WAM 與百萬小時人類視頻跨本體遷移

—VLA 模型架構僅預測機器人自身動作軌跡且存在先天局限，升級至 WAM 世界動作模型能藉由視頻預測物理世界未來演進，習得本質物理表徵並大幅提升泛化力
—遙操數據因採集與維護成本高昂無法突破百萬小時瓶頸，僅適合作為後訓練以數十分鐘高質量數據針對特定客戶任務進行快速微調
—以 100 萬小時第一人稱人類視角視頻完成預訓練，驗證了數據量每十倍增長即帶動未見機器人動作預測同步改善的跨本體遷移規律

機器人 ↑看多長期

預訓練擺脫昂貴且難以規模化的遙操數據，改以海量第一人稱人類視角影片打底，成功驗證跨本體遷移 Scaling Law 在十萬至百萬小時級別持續有效；模型底層由單純預測動作的 VLA 轉向預測物理世界演進的 WAM。以海量人類視頻預訓練確立世界模型泛化基礎、輔以少量遙操數據進行後訓練微調，是突破具身數據瓶頸的有效演進路徑

真實部署的 Bittersweet 教訓與行業終局競爭：轉換成本與分發渠道壁壘

—實驗室 99.4% 的成功率在鼎泰豐等真實客戶現場因毫米級公差要求導致商用合格率降至 75%，印證規模化部署是暴露並修復硬體與工程缺陷的唯一路徑
—物理世界系統的轉換成本極高，客戶一旦導入穩定運行的硬體方案便難以替換，早期建立硬體分發與客戶部署渠道的平台具備強大的複合優勢
—科技巨頭如 $TSLA 與 OpenAI 雖具備充沛算力與自動駕駛基建遷移優勢，但大企業面臨跨部門溝通壁壘與硬體迭代緩慢，全棧新創可憑藉快速部署飛輪建立護城河

機器人 ↑看多長期

實驗室高成功率在真實嚴苛公差下大幅折損，唯有透過規模化部署才能逼出硬體與系統運維缺陷。物理世界具備極高的系統替換成本，純模型層隨時面臨開源競爭與低轉換壁壘，但早期鋪設的硬體平台與真實客戶部署將隨時間累積複合優勢。規模化部署所形成的數據反饋飛輪與硬體替換壁壘，是具身智能平台在面對科技巨頭競爭時最關鍵的護城河

每天早上,收件匣見

54 位中英文財經 KOL 的觀點,每天自動整理成一份日報。免費,隨時可退訂。

免費訂閱