【專訪】Jason Ma：Din Tai Fung 餐巾是機器人的及格線

這場訪談有五個值得說的點。第一，Dyna 的核心技術路線是 world model——讓模型預測世界接下來會怎麼變，再從預測裡導出動作，而不是直接輸出動作；第二，機器人的資料問題和語言模型的資料問題本質不同，難在沒有網路可以爬；第三，硬體決策和 AI 模型的關係比多數人想的更緊密，選錯硬體等於讓訓練資料先天殘缺；第四，Dyna 已經有真實的商業部署——Din Tai Fung 和 Best Western 都是付費客戶；第五，Ma 對整個產業的批評很直白：大家還在比示範影片，部署才是真正的考試。合起來看，這是一家把從實驗室到現場當成核心命題的公司，而不是在等技術成熟再出手。

◎World model 不是新詞，但 Dyna 的用法不一樣

World model（世界模型）這個詞，在 AI 圈被說爛了。Dyna 的版本有具體定義：模型的輸出不只是機器人下一步要做什麼動作，而是先預測世界接下來的影像狀態，再從這個預測裡導出動作。Ma 的比喻是 chain-of-thought——語言模型在空間裡推理，Dyna 的模型在視覺和物理空間裡推理。架構上，底層是 diffusion transformer（擴散模型加上 transformer，前者負責產生精確細膩的輸出，後者負責從大量資料裡學習），搭配 flow matching（一種讓推理步驟從幾十步壓縮到四步的技術）來確保即時性。為什麼這件事重要？機器人不能等。ChatGPT 回答慢個三秒沒關係，機器人拿著刀停在半空三秒，旁邊的人會嚇到。

◎資料是機器人業界最難的題，而且難法和語言模型不同

語言模型的資料來源是整個網路。機器人沒有這個。Ma 說得很清楚：任何一家公司自己收集的機器人資料，量都不夠，就像只靠 Reddit 和 Facebook 想建出整個網路一樣。Dyna 的策略是分兩層：先用大量以人為中心的影片資料做預訓練，讓模型理解人類怎麼跟物理世界互動；再用少量機器人實際操作的資料做微調，補上人和機器人之間的動作落差。Ma 特別提到，一百萬小時的資料是起點，不是終點。他也坦承，如果有人明天推出一個同時整合視覺和觸覺的世界模型，效率可能比純視覺模型高出百倍，因為視覺資料裡有大量冗餘，而觸覺資料的資訊密度更高。這是他自己說的可能犯錯的地方。

◎硬體不是配角，是 AI 能力的上限

Dyna 自己設計驅動器（actuator）和機器人的比例尺寸。為什麼？因為他們用人類動作資料做預訓練，所以機器人的身體比例要盡量接近人，資料遷移才有效率。Ma 在 NVIDIA 做研究時就發現，當你無法控制硬體，系統很快就會碰到天花板。他說得很直接：沒有一家美國公司今天能從頭到尾在境內把機器人造出來，連號稱在美國組裝的也還是從海外進原材料。稀土磁鐵的供應鏈問題他直接說這是機器人業界必須面對的事，沒有給答案，因為目前確實沒有好答案。現在 Dyna 的機器人是半人形——上半身像人，下半身是輪子。理由很實際：有腳的機器人耗電多，穩定性差，安全保證難做；輪子在大多數室內工作場景夠用，而且現在就能穩定運作。

◎Din Tai Fung 是目前最有說服力的證明

Dyna 的機器人現在每天在多個 Din Tai Fung 美國據點摺餐巾，數量以千計。Ma 特別強調，這不是試點，是 Din Tai Fung 驗證了 ROI 之後主動擴大合約的結果——而且現在他們還要求機器人幫忙切菜。這個順序很重要：不是 Dyna 去說服客戶試試看，是客戶自己確認有價值之後要求做更多。他說，這種從一個據點擴展到多個據點的事，在他所知的通用機器人公司裡，目前只有 Dyna 做到了。另一個客戶 Best Western 則是用來摺毛巾。新任務的學習速度也值得記一下：切菜任務的資料收集加訓練，花了 45 分鐘。

◎示範影片不是終點，部署才是

Ma 在訪談最後說了一段話，針對的是整個業界：大家還在比示範影片，但真正的考試是讓客戶願意把機器人放進多個真實場所。他的批評有根據——他自己在學術界也做了很多很好看但不知道有沒有用的示範，這是他離開 Google DeepMind 創業的原因之一。Dyna 現在的目標是在未來一年內把部署數量從幾十台擴展到幾百台。他也對產業的另一種路線——只做模型，不做硬體，跑在別人的機器人平台上——持保留態度：如果你不掌控整個系統，你看不到真正的瓶頸在哪裡，容易做出技術上漂亮但實際上沒人需要的東西。

機器人業界現在的狀況，和十年前的自動駕駛很像：示範影片一個比一個精彩，但真正在路上跑的車還是少數。Ma 的賭注是：把資料，硬體，模型，部署全部自己掌控，比只做其中一塊的公司更快找到真正的瓶頸。Din Tai Fung 的餐巾是個小東西，但它每天在跑，客戶願意付錢，還要求加量——這三件事同時成立，在通用機器人這個領域，目前確實罕見。