Pour Lindon Gao, patron de Dyna Robotics, réussir un workflow revient à les réussir tous, et le budget a basculé vers le pré-entraînement

Lindon Gao, fondateur et PDG de Dyna Robotics, a accordé à Zhang Xiaojun un entretien de 171 minutes pour l'épisode 154 de son podcast 商业访谈录 (Business Interviews), paru cette semaine, et y affirme que faire fonctionner pleinement un scénario revient à faire fonctionner tous les scénarios. Derrière cette phrase, il y a un arbitrage budgétaire : après un produit « serviette de table » conforme au cahier des charges mais qui réclamait quelqu'un pour le surveiller, Dyna est passé d'un partage à parts égales entre pré-entraînement et post-entraînement à des dépenses bien plus lourdes en pré-entraînement, un basculement que Gao situe cette année. Le billet de Dyna donne le moyen de vérifier : un cycle de blanchisserie enchaîne environ 79 étapes, et à 95 % de réussite par étape, il « ne va presque jamais au bout sans aide ».

Les notes d'émission opposent la voie de Dyna, qui traite un workflow comme la plus petite unité et alimente le pré-entraînement du modèle à partir de tâches réelles, à la recherche pure sur le cerveau du robot menée par Physical Intelligence, et Gao ramène l'écart entre un workflow et cent workflows à « juste les données de 100 workflows ».

Le robot à serviettes a tenu son cahier des charges, et il fallait quand même quelqu'un pour le surveiller

Dyna a livré Dyna-1 en juin 2025 et l'a déployé de juin à septembre pour plier des serviettes. Gao raconte que le robot réalisait quatre des cinq plis et laissait le plus difficile, le dernier, au personnel du restaurant ; le client, un très gros compte de restauration qui avait besoin de 1 300 serviettes par jour, s'est plaint en voyant le temps de travail que ce dernier pli mobilisait. Au début, Dyna-1 pliait 850 serviettes en 24 heures, soit environ 65 % du besoin quotidien, et le travail sur la vitesse l'a amené à la cible. Saisir deux serviettes d'un coup demandait environ deux minutes pour les démêler, et Gao estime qu'avec 10 % de doubles prises, la cible quotidienne devenait hors de portée.

Le produit à serviettes comptait plus de 10 clients, et Gao dit avoir décidé en 2025 de ne pas le passer à l'échelle : le robot terminait la tâche sans terminer le workflow entier. Il qualifie « le robot a besoin d'une baby-sitter » de très gros problème produit.

Gao résume le raisonnement d'une phrase : « Si on passe à l'échelle un produit incomplet, ça devient un fardeau par la suite. » Interrogé sur les laboratoires qui voient dans le cerveau du robot le problème fondamental, il retourne la question : « Si le cerveau ne suffit pas, où ça ? » puis : « Mais dans le scénario du pliage de serviettes, est-ce que c'était un problème de cerveau ? » Dans cette tâche, dit-il, l'intelligence n'était pas la contrainte ; le scénario échouait parce qu'aucune boucle fermée ne se formait sur l'ensemble du workflow.

Le pré-entraînement monte, et Gao revient sur sa propre règle de qualité des données

En 2025, dit Gao, les modèles de fondation n'étaient pas assez bons pour être déployés : lents, désordonnés, capables de réussir une chose une fois, si bien qu'il a fixé à l'équipe un objectif de recherche de 99 % de réussite. Dyna-1 utilisait ce que Gao appelle les données de la plus haute qualité, et il a demandé à l'équipe de tout miser dessus. Il raconte avoir écouté de façon sélective ce qu'il voulait bien entendre des chercheurs en modèles de langue et en génération vidéo, qui rapportaient que retirer une partie des données améliorait le pré-entraînement.

Les workflows ont changé la règle. Une fois un workflow pris comme unité, la priorité est devenue, selon Gao, de savoir si le modèle voit l'expérience humaine la plus diverse et la plus large, et une optimisation lourde de la qualité avant d'atteindre l'échelle d'Internet n'est « pas forcément un principe premier ». Vers la fin 2025, raconte-t-il, Dyna a traversé une période de confusion stratégique, un groupe poussant vers le déploiement et un autre vers la recherche, et il a penché pour la recherche. Cette année, le partage a bougé : le pré-entraînement prend désormais bien plus de budget que le post-entraînement, et la majeure partie de la robustesse d'un modèle vient, dit-il, du pré-entraînement.

Un cycle de 79 étapes exige près de 99,9 % par étape pour finir sans surveillance

En traitant ces 79 étapes comme indépendantes et sans aucune reprise possible, un cycle se termine environ 1,7 % du temps à 95 % ; à 99 %, le chiffre est d'environ 45 %, et à 99,9 % d'environ 92 %. Le décompte de 79 étapes de Dyna est une estimation, et les systèmes réels se remettent de certaines défaillances. Selon cette arithmétique, un workflow ne couvre une vacation sans surveillance que lorsque la fiabilité par étape approche 99,9 %.

Dyna a présenté Taku le 29 septembre, un semi-humanoïde au buste de forme humaine, au bas du corps pliant, à quatre roues orientables et deux bras à 7 degrés de liberté montés sur des actionneurs planétaires à faible réduction, et a montré un workflow de laverie d'une heure, autonome et sans coupure. La pile fonctionne en trois couches : un contrôleur corps entier entraîné par apprentissage par renforcement en simulation, à 100 Hz ; la policy Dyna-2, un modèle monde-action qui produit des trajectoires cibles pour tout le corps ; et un orchestrateur vision-langage qui suit le workflow, tient une mémoire textuelle et choisit l'étape suivante. Dyna compte treize points de décision dans un cycle de blanchisserie.

Le pari du pré-entraînement a ses propres chiffres. Dyna-2, publié en août 2026, est pré-entraîné sur plus d'un million d'heures de vidéo humaine égocentrée, soit environ 170 ans, et son score normalisé moyen sur 14 tâches est passé de 20 % à 28 %, puis 45 % et 53 %, à mesure que ces données humaines montaient de 1 000 à 10 000, 100 000 et 1 000 000 d'heures : un gain de 33 points pour une multiplication par mille. Sur des sites clients que ni l'un ni l'autre modèle n'avait vus, Dyna rapporte un taux de réussite en production de 46 % pour Dyna-1 et de 87 % pour Dyna-2, soit 41 points d'écart.

Chaque workflow demande encore son propre travail de reprise

Le récit de Gao lui-même limite la portée de l'argument sur les données. Placer proprement les serviettes à une position donnée dans le bac est un problème que le pré-entraînement peut résoudre par le langage, dit-il, et Dyna a relié la faible capacité de son VLA à suivre des consignes au pré-entraînement ; saisir deux serviettes d'un coup est un problème que le pré-entraînement ne peut pas résoudre, si bien qu'un workflow a toujours besoin d'un travail de post-entraînement sur sa défaillance propre.

Le chiffre de 87 % est une vraie preuve sur site client, mais il vient de tâches fixes, où Dyna indique aussi qu'un nouveau site atteint son seuil de production en trois jours seulement ; le workflow complet n'a pas encore de chiffre comparable.

Les deux documents publiés par Dyna en septembre ne disent pas la même chose sur l'avancement du déploiement. Le billet technique présente les sites clients réels comme « notre prochaine étape », tandis que le communiqué du même jour annonce que Dyna 2.1 est déployé dans des hôtels, des laveries et des restaurants. Gao dit que le workflow a des clients commerciaux mais qu'il n'est « pas encore pleinement déployé », en citant les hôtels. Chaque laverie d'hôtel demande de 2 à 5 personnes selon l'hôtel, l'approche pourrait atteindre 100 000 hôtels aux États-Unis, et il chiffre ce marché à « plusieurs milliards », estime que les robots sont à « un à deux ans » d'un product-market fit à l'échelle, et affirme que Dyna dépasse déjà sa métrique de valeur : un robot qui travaille 24 heures équivaut à la journée de 8 heures d'un salarié américain.

Si les 87 % tiennent sur le workflow complet de blanchisserie chez des clients, le virage vers le pré-entraînement passera pour ce qui l'a permis.

Dans la version serviettes de 2025, raconte Gao, le robot restait parfois à l'arrêt une demi-heure d'affilée, parce que le personnel n'avait pas remis de pile en place. En septembre, Taku a fait tourner une laverie tout seul pendant une heure sans coupure.