Dyna - What 10 months of production taught us about the robotics “bubble”

我感觉 Dyna 这个公司还是挺有潜力的，不知道为何前段时间有人（风凉话）说他们不行了，停滞了，但我感觉他们是在 quietly shipping...

今天看到的是他的一个 blog - What 10 months of production taught us about the robotics "bubble" - 读完还是蛮有收获的：

• 首先机器人肯定是有泡沫的... 因为资本的预期太太太高了，对机器人的进展有着不切实际的预期。关于机器人行业的很大一部分，在合理的时间内是很难去产出 commercially meaningful value 的，but that's okay!
• 自动驾驶 vs LLM vs 机器人
  • 机器人会更像自动驾驶而非 LLM，因为 LLM 的 channel 是浏览器和互联网，本身就有二十多年的发展历史而且 bits scale hyper-expontentially
  • 但机器人又不会像自动驾驶。这里引出了一个词：channel - 而对 channel 的定义又很妙。汽车是 channel，但机器人不是，因为汽车本身就已经 useful（虽然需要人去驾驶它）但是机器人根本就没有任何用。机器人今天不是一个 channel，而打造这个 channel 是要花非常非常大的 efforts 的
• 关于 deployment & building a channel
  • 把机器人送进工地 demo 是远远不够的，要能够持续性地去干活，去提供价值，就和 Evan Beard 说的一样，we want to get paid to collect data
    • Fun fact - 这 tm 跟我 4 月份的时候跟 stash 提到的需要 build 的东西很相似
      • Scene assessment
      • Task boundary definition
      • Data capture & feedback
      • Continuous updates
      • On-site debugging
      • Remote diagnostics
      • Reliability maintenance
      • Tooling that turns each deployment into a reusable artifact for the next one
  • 指标很简单：下一次部署是否会比上一次更快（而且快，要如何验证也是门学问）
  • 关于 deployment - 有很多很多 infra 需要构建，我觉得这个给了我一个很好的锚点，on what to build
• 关于数据, LLM & scaling
  • LLM 进展快，爆发，是因为 pre-training & post-training 的 loop 配合得很紧密而且数据太多了，机器人根本就不是
    • LLM 很早就从 scale + data 进化到了 scale + data + iterated post-training feedback 去了
  • 部署不只是预训练，更多是关于后训练，后训练非常重要，这才是 reliability 的关键
  • 非常共鸣 & 很深的见解就是关于所谓的 data scaling law - 这个行业被 LLM 的光辉照耀，被外行的人滥竽充数，所有人都在鼓吹 data scaling，都在想要卖数据（包括某些人），但他们忽略了拿 LLM 做背景对比的前提
    • 在 LLM，预训练和后训练的数据本身就有一个比较统一的 eval 框架，机器人没有
    • Saying "more data" without saying "data measured how, against what target, for which downstream metric" is nonsense
• On Deployment
  • 当今最缺的就是 channel construction - 我的理解是，在 AI 能够实现它的 magic 之前，你必须要有人去把渠道铺起来
  • 部署的系统工程今天也还算是一个研究，it's as much a research problem as model architecture
  • 类似的结论和 taste as Skild AI - 部署文化和 demo 文化是不能共存的，很明显，Dyna 是前者

后面比较王炸的一句结论，感觉这句话说出去会被人打，哈哈。

When people ask "where the robotics bubble is", most of it lives in the gap between teams that have understood this and teams still optimizing for benchmark numbers and demo videos.

最后一个感悟就是 - 我感觉这个行业可能对于 horizontal separation 来说还太太早了，我感觉 Dimensional perhaps is too early for its time.

Fast is slow. 减少今天市场、资本、社会对于机器人行业的预期以及真实情况的 gap 最快的方式其实就是那个看起来大家觉得最慢最累最不愿意做的事情 - honest engineering against real customer ROI & deployment