Dynas Lindon Gao sagt, ein funktionierender Workflow sei so gut wie alle, und hat die Ausgaben zum Pretraining verschoben

Lindon Gao, Gründer und CEO von Dyna Robotics, hat Zhang Xiaojun ein 171-minütiges Interview für Folge 154 ihres Podcasts 商业访谈录 (Business Interviews) gegeben, die diese Woche erschienen ist, und darin gesagt, einen Ablauf vollständig zum Laufen zu bringen sei dasselbe wie alle Abläufe zum Laufen zu bringen. Hinter diesem Satz steht eine Budgetverschiebung: Nach einem Servietten-Produkt, das seine Vorgabe erfüllte, aber eine Aufsichtsperson brauchte, ging Dyna von einer hälftigen Aufteilung zwischen Pretraining und Post-Training dazu über, deutlich mehr in das Pretraining zu stecken, eine Wende, die Gao in dieses Jahr datiert. Dynas eigener Beitrag liefert die Prüfung: Ein Wäschezyklus verkettet rund 79 Schritte, und bei 95 % pro Schritt „wird er fast nie ohne Hilfe fertig“.

Die Shownotes stellen Dynas Weg, der einen Workflow als kleinste Einheit behandelt und das Modell-Pretraining aus echten Aufgaben speist, dem reinen Hirn-Forschungsweg von Physical Intelligence gegenüber, und Gao führt den Unterschied zwischen einem Workflow und 100 Workflows auf „nur die Daten für 100 Workflows“ zurück.

Der Serviettenroboter erfüllte seine Vorgabe und brauchte trotzdem eine Aufsicht

Dyna lieferte Dyna-1 im Juni 2025 aus und setzte ihn von Juni bis September zum Falten von Servietten ein. Gao zufolge bewältigte der Roboter vier der fünf Faltungen und überließ die schwierigste, die letzte, dem Restaurantpersonal; der Kunde, ein sehr großer Gastronomiekunde mit einem Bedarf von 1 300 Servietten pro Tag, beschwerte sich, als er sah, wie viel Personalzeit diese letzte Faltung kostete. Anfangs faltete Dyna-1 in 24 Stunden 850 Servietten, rund 65 % des Tagesbedarfs, und Arbeit an der Geschwindigkeit brachte ihn auf Ziel. Zwei Servietten auf einmal zu greifen kostete etwa zwei Minuten zum Entwirren, und Gao sagt, eine Doppelgreif-Quote von 10 % würde das Tagesziel unerreichbar machen.

Das Serviettenprodukt hatte mehr als 10 Kunden, und Gao sagt, er habe 2025 entschieden, es nicht zu skalieren, weil der Roboter die Aufgabe beendete, ohne den ganzen Workflow zu beenden. „Der Roboter braucht eine Aufsichtsperson“ nannte er ein sehr großes Produktproblem.

Gao brachte die Begründung in einen Satz: „Wenn man ein unvollständiges Produkt skaliert, wird es später zur Last.“ Auf die Frage nach Forschungslabors, die das Grundproblem im Roboterhirn sehen, fragte er zurück: „Wenn das Hirn nicht reicht, wo denn?“ und dann: „Aber war es beim Serviettenfalten ein Hirnproblem?“ Innerhalb der Aufgabe, sagte er, sei die Intelligenz nicht die Einschränkung gewesen; das Szenario scheiterte, weil sich über den ganzen Workflow kein geschlossener Regelkreis bildete.

Das Pretraining wächst, und Gao kippt seine eigene Regel zur Datenqualität

2025, sagte Gao, waren Foundation Models nicht gut genug für den Einsatz: langsam, unordentlich, in der Lage, eine Sache einmal erfolgreich zu tun, weshalb er dem Team eine Erfolgsquote von 99 % als Forschungsziel setzte. Dyna-1 nutzte die aus Gaos Sicht höchste Datenqualität, und er wies das Team an, ganz darauf zu setzen. Er sagt, er habe von Sprachmodell- und Videogenerierungsforschern, die berichteten, dass das Entfernen einiger Daten das Pretraining verbesserte, selektiv nur das gehört, was ihm passte.

Workflows änderten die Regel. Seit Dyna einen Workflow als Einheit behandle, sei die Priorität die Frage geworden, ob das Modell die vielfältigste und breiteste menschliche Erfahrung sehe, sagte Gao, und eine starke Qualitätsoptimierung vor dem Erreichen von Internet-Maßstab sei „nicht unbedingt ein erstes Prinzip“. Gegen Ende 2025 habe Dyna, so Gao, eine Phase strategischer Verwirrung durchlaufen, eine Gruppe habe den Einsatz, eine andere die Forschung bevorzugt, und er habe zur Forschung geneigt. Dieses Jahr hat sich die Aufteilung verschoben: Das Pretraining nimmt inzwischen deutlich mehr Budget ein als das Post-Training, und der größte Teil der Robustheit eines Modells, sagte er, komme aus dem Pretraining.

Ein Zyklus mit 79 Schritten braucht nahezu 99,9 % pro Schritt, um unbeaufsichtigt fertig zu werden

Betrachtet man diese 79 Schritte als unabhängig und erlaubt keine Erholung, läuft ein Zyklus bei 95 % in etwa 1,7 % der Fälle durch; bei 99 % liegt der Wert bei rund 45 %, bei 99,9 % bei rund 92 %. Dynas Zählung von 79 Schritten ist eine Schätzung, und reale Systeme erholen sich von manchen Fehlern. Nach dieser Rechnung deckt ein Workflow nur dann eine unbeaufsichtigte Schicht ab, wenn die Zuverlässigkeit pro Schritt nahe bei 99,9 % liegt.

Dyna stellte Taku am 29. September vor, einen Halbhumanoiden mit menschenförmigem Oberkörper, faltbarem Unterkörper, vier lenkbaren Rädern und zwei Armen mit 7 Freiheitsgraden auf Planetengetrieben mit niedriger Untersetzung, und zeigte einen ungeschnittenen, autonomen einstündigen Waschraum-Workflow. Der Stack läuft in drei Schichten: ein in Simulation mit bestärkendem Lernen trainierter Ganzkörper-Controller mit 100 Hz; die Dyna-2-Policy, ein World-Action-Modell, das Zieltrajektorien für den ganzen Körper erzeugt; und ein Vision-Language-Model-Orchestrator, der den Workflow verfolgt, ein Textgedächtnis führt und den nächsten Schritt auswählt. Dyna zählt dreizehn Entscheidungspunkte in einem Wäschezyklus.

Die Pretraining-Wette hat ihre eigenen Zahlen. Dyna-2, im August 2026 veröffentlicht, ist auf mehr als einer Million Stunden egozentrischen menschlichen Videos vortrainiert, rund 170 Jahre, und sein mittlerer normalisierter Wert über 14 Aufgaben stieg von 20 % auf 28 %, dann 45 % und 53 %, während diese menschlichen Daten von 1 000 auf 10 000, 100 000 und 1 000 000 Stunden wuchsen: ein Zugewinn von 33 Punkten bei einer Vertausendfachung. An Kundenstandorten, die keines der beiden Modelle je gesehen hatte, meldet Dyna eine Produktionsdurchlaufquote von 46 % für Dyna-1 und 87 % für Dyna-2, 41 Punkte Unterschied.

Jeder Workflow braucht weiterhin seine eigene Fehlerbehebung

Gaos eigene Darstellung begrenzt die Reichweite des Datenarguments. Servietten sauber an einer vorgegebenen Position in den Behälter zu legen sei ein Problem, das das Pretraining über Sprache lösen könne, sagte er, und Dyna habe die schwache Befolgung von Sprachbefehlen bei seinem VLA auf das Pretraining zurückgeführt; zwei Servietten auf einmal zu greifen sei ein Problem, das das Pretraining nicht lösen könne, weshalb ein Workflow weiterhin Post-Training an seinem konkreten Fehler brauche.

Die 87 % sind echter Beleg von Kundenstandorten, stammen aber aus stationären Aufgaben, bei denen Dyna zudem sagt, ein neuer Standort erreiche seine Produktionsschwelle in nur drei Tagen; für den vollen Workflow gibt es noch keine vergleichbare Zahl.

Dynas zwei Dokumente vom September widersprechen sich darin, wie weit der Einsatz fortgeschritten ist. Der technische Beitrag nennt reale Kundenstandorte „unseren nächsten Meilenstein“, während die Pressemitteilung vom selben Tag meldet, Dyna 2.1 werde in Hotels, Waschsalons und Restaurants eingesetzt. Gao sagt, der Workflow habe kommerzielle Kunden, sei aber „noch nicht voll ausgerollt“, und nennt Hotels. Jeder Hotel-Waschraum brauche je nach Hotel 2 bis 5 Personen, der Ansatz könne 100 000 US-Hotels erreichen, und er beziffert diesen Markt auf „mehrere Milliarden“; Roboter seien „ein bis zwei Jahre“ von einem skalierbaren Product-Market-Fit entfernt; und Dyna schlage schon seine Wertmetrik: Ein Roboter, der 24 Stunden arbeitet, entspreche dem 8-Stunden-Tag eines US-Arbeitnehmers.

Wenn die 87 % im vollen Wäsche-Workflow an Kundenstandorten halten, wird die Pretraining-Verschiebung wie das wirken, was ihn erkauft hat.

Beim Serviettenaufbau 2025 stand der Roboter laut Gao manchmal eine halbe Stunde am Stück still, weil das Personal keinen neuen Stapel bereitgelegt hatte. Im September ließ Taku einen Waschraum eine ungeschnittene Stunde lang allein laufen.