一台折毛巾的机器人，把行业的度量衡换了一副

先做一道算术。假设一个班次有一千个连续步骤，每一步的成功率相互独立。

单步 99%，一千步全对的概率是 0.99 的一千次方，约 4.3×10⁻⁵，折合十万分之四左右。单步提到 99.9%，一千步全对的概率回升到约 36.8%。单步降到 90%，一千步全对的概率约 1.7×10⁻⁴⁶。

这道算术不需要任何论文支撑。它说明的是，用单任务成功率去描述一个班次，单位本身就不配套。【判断】

🤖 9 月 29 日发布的这台机器

DYNA Robotics 在 9 月 29 日发布 DYNA 2.1 physical agent，通稿走 PR Newswire。前一天 RoboticsTomorrow 发过预告，但没有给型号名与参数。

硬件是一副上半身加两条手臂，夹爪可以换成平行夹爪或灵巧手，底下四个转向轮。轮子这个选择躲开了双足平衡的全部麻烦，代价是够不到高处、也上不了台阶。

软件分三层。一个视觉语言编排器负责推理多步工作流；一个全身控制器负责把底盘移动、手臂伸展与弯腰抬举并成同一次连续动作；底下是 DYNA 2 这个世界动作模型，训练数据是一百万小时的人与机器人数据。

⏱️ MTBI 换掉了什么

联合创始人 Jason Ma 的说法是，孤立任务的单 episode 成功率无法反映真实的商业可行性，因为真实班次要求数千个连续步骤。CEO Lindon Gao 的说法是，客户要的是完成整段工作流的整班机器人，旁边不能再站一个盯梢的人。

公司改用 MTBI（Mean Time Between Interventions，平均干预间隔）作为优化目标，记录的数据从推理层的决策轨迹一路到控制层的关节负载，再回灌系统。

🧺 一个洗衣班次的完整链路

公司公开的场景是一整段商业洗衣班次：装洗衣机并启动，把烘干机最深处的毛巾掏出来，抖平、折叠、再按尺寸分堆放好，最后分别码到高低不同的货架上。掉在地上的毛巾自己捡起来，抓坏了松手重来，全程不问人。

💼 已落地的部分有数可查

已部署场景是酒店、自助洗衣房与餐厅。通稿与跟进报道共同提到的一条商业证据是，连锁餐厅鼎泰丰的现有部署已经跑出投资回报，并计划到 2027 年上半年扩展到数百台。

这张表并列的是公司披露了什么，以及没披露什么。

创始团队的履历是 Lindon Gao 与 York Yang，此前把 Caper AI 以 3.5 亿美元出售；Jason Ma 此前是 DeepMind 研究科学家。投资方包括 CRV 与 First Round。

🔍 换度量衡这一步，比发布硬件更值得读

MTBI 的优点直接对应成本。一次人工干预要付一个人的时间，MTBI 乘以人力单价就是班次成本里那块可变的量，能进财务模型。

它的缺口同样清楚。平均数掩盖分布：一小时插手一次连干十小时，与十次干预全挤在第一小时，两者平均值可以相同，对排班的意义完全不同。干预的定义也没给边界，是人手碰到机器算，还是远程点一下屏幕也算。【推论】

公司把 MTBI 定为 optimization target，却没有给出这个 target 的当前读数。这一步至少让外界无法判断它自己算不算达标。度量衡是它立的，第一份成绩单也是它留着的。

信源：PR Newswire 官方通稿（Redwood City，2026-09-29）、The AI Insider（2026-09-30）、RobotToday、FairsOnline，以及 RoboticsTomorrow 9 月 28 日预告。

限定：100 万小时训练数据与 MTBI 的提升幅度均为公司自述；鼎泰丰相关数字未核到该企业官方确认；MTBI 当前数值与统计口径通稿未给；开头的概率算术按独立同分布假设自算，非论文数据。