不藏了，前英伟达世界模型团队出租机器人大脑，融资6亿

机器人前瞻（公众号：robot_pro）

作者 | 刘俐杉

编辑 | 许丽思

机器人前瞻10月20日报道，今天凌晨，美国具身大脑公司Dream Labs宣布完成9000万美元（约合人民币6亿元）种子轮融资。

本轮融资由B Capital领投，Kindred Ventures、A.Capital Ventures、Unusual Ventures、SV Angel、Wing Venture Capital、Scribble Ventures和Adrian Aoun参与投资。

并且，Dream Labs还公布了多位天使投资人，包括Hugging Face联合创始人兼首席科学官Thomas Wolf、前Google Android副总裁Dave Burke、前腾讯CXO David等。

与此同时，该公司还通过上线Dream API，向全球用户开放世界动作模型Dream-1。

该模型能够控制从未见过的机器人，执行从未接触过的任务，其运行成本低至每小时3美元（约合人民币20元）。

团队将Dream-1设计成即插即用的产品，只需为Dream-1接入一台全新的双臂机器人，并配备平行夹爪，再连接该公司的 Dream API，就能直接开始执行任务。无需微调，无需提供该机器人此前的操作示范，也不需要用户具备机器学习专业知识。

Dream Labs，创立于2026年，总部位于旧金山。该公司共有12名研究人员和工程师，成员来自英伟达、谷歌DeepMind、Ai2、丰田研究院（TRI）以及斯坦福大学等顶尖机构。2026年2月，该团队发布DreamZero论文，首次提出世界动作模型。

该公司联合创始人兼CEO Joel Jang，曾任英伟达GEAR实验室的高级研究科学家，负责领导 Project GR00T的世界模型团队。

该公司联合创始人兼CTO Yunhao Ge，博士毕业于南加州大学，并在读博期间前往斯坦福大学进行为期一年的访问研究，2025年9月加入英伟达，担任研究科学家。

该公司联合创始人兼首席机器人官You Liang Tan，曾担任英伟达研究院GEAR实验室的高级研究工程师，在Jim Fan和Yuke Zhu领导的Project GR00T团队中负责机器人基础模型研究。

该公司联合创始人兼首席科学家Scott Reed，博士毕业于密歇根大学，在英伟达任职期间担任首席研究科学家，专注于通用具身智能体研究。

▲Dream Labs

一、预测末端位姿，Dream-1实现零样本泛化

长期以来，机器人控制模型面临一个难题，为一款机器人训练出的策略，往往难以直接迁移至另一款机器人上。

而Dream Labs此次发布的Dream-1，试图解决这一问题。该模型能够控制从未见过的机器人，并在陌生环境中执行此前从未接触过的任务。

那么Dream-1是如何实现零样本机器人本体泛化的？

控制机器人有两种方式：控制关节，或控制末端执行器。

传统机器人控制方法通常直接生成各个关节的目标角度，这种方式与机器人的具体结构紧密绑定，因此很难直接迁移到其他机器人上。

而Dream-1选择了另外一条道路——控制末端执行器。

在视觉层面，Dream-1通过3个摄像头观察周围环境，包括一个头部视角摄像头，以及安装在左右两条手臂上的腕部摄像头。

此前，关于通用操作接口（Universal Manipulation Interface，UMI）的研究已经表明，如果不同机械臂使用完全相同的夹爪，且控制策略只依赖腕部摄像头，就有可能在不同机械臂之间实现零样本迁移。

但这种方法存在明显局限。它要求不同机器人使用完全一致的夹爪硬件，同时也放弃了头部摄像头所提供的全局场景信息。

世界动作模型打破了这一限制。WAM会同时学习预测视频和动作。因此，控制机器人与预测机器人接下来会如何运动，本质上成为同一个问题。

在模型看来，不同机器人都以像素这一种形式出现。

无论是UMI夹爪、双指夹爪，还是Dream-1从未见过的机械臂，在头部摄像头拍摄的画面中，都只是场景里运动的物体。

视频因此成为不同类型机器人都能共享的统一表征。

如果Dream-1能够预测机器人完成某项任务时的画面变化，就可以进一步生成让机器人实现这一变化的动作。

这就是它能够控制与UMI夹爪外形完全不同的机器人，甚至能够尝试控制此前从未接触过的机器人形态的原因。

▲模型架构

在控制层面，Dream-1能够预测末端执行器（End-Effector，EEF）的位姿，也就是每个夹爪应该移动到哪里，以及应该张开还是闭合。

随后，机器人的逆运动学求解器，会将目标位姿转换成关节控制指令。这意味着，只要机器人具有双臂和平行夹爪，就可以共享这套末端执行器动作空间。

这一共享接口为Dream-1提供了统一的机器人控制方式，使其能够向从未见过的机器人发送指令。

不过这种方法仍然存在局限。

通过预测末端执行器位姿来控制机器人，可以换取更强的泛化能力，但也会牺牲一部分控制精度。

与针对机器人本体进行适配、直接预测关节角度的方式相比，这种方法无法直接控制机械臂的运动路径，Dream-1只能决定夹爪最终到达哪里，却不能直接指定机械臂如何抵达目标位姿。在需要绕开障碍物，或接近关节运动极限的情况下，这一点可能影响任务执行。

而且如果Dream-1未接触过的机器人的工作空间、运动学或动力学特性，与接触过的机器人相差太大，模型预测出的未来状态也可能无法通过实际的机器人实现。

二、Dream API正式开放，模型运行价格为每小时3美元

除了模型本身，Dream Labs此次还将Dream API正式开放给所有用户。

用户可以直接从自己的软件系统中调用Dream-1。只要机器人能够连接互联网，就可以接入Dream API。

对于没有机器人硬件的用户，Dream Labs还提供了Robot Playground。用户可以远程向位于旧金山办公室的真实机器人发送任务指令，平台全天候运行。

在真正部署到机器人之前，用户还可以通过Sim Playground进行仿真测试。目前平台提供27种机器人，也支持用户上传自己的机器人。

并且，如果零样本能力无法满足具体任务需求，用户还可以选择微调即服务（Fine-tuning-as-a-Service，FaaS）。Dream Labs会针对用户的机器人或具体任务进行微调，并提供专属API接口。

用户只需在自己的机器人上采集一些数据，再通过FaaS进行训练，就可以获得针对该任务定制的模型，不必等到下一次模型发布。

在技术博客中，该公司展示了两台机器人采集训练数据的延时视频，每台机器人各采集了5分钟的数据。

▲两台机器人采集训练数据的延时视频

与直接使用原模型相比，经过微调后，Dream-1更了解这台机器人的结构、运动方式，以及它能够完成哪些操作。

不过，有些机器人的本体形态与Dream-1已有的经验相差更大。要缩小这类差距，就需要采集更多该机器人自身的数据。

例如，Dexmate使用Sharpa灵巧手进行抓取时，这种机器人形态与模型已有经验存在较大差异，因此需要使用77分钟的机器人数据进行适配。

对于YAM机器人，团队为同一任务换用了柔顺夹爪和一个经过改装的刀形夹爪，并使用98分钟的数据完成适配。

在FaaS测试阶段合作的12款机器人中，有10款在微调后取得了更高的语言指令跟随得分。

经过单次适配后，模型的表现仍然优于零样本运行。这说明，零样本泛化与完全适配之间依然存在差距。

在收费方面，Dream-1的运行价格为每小时3美元（约合人民币20元），Dream-1-flash则为每小时2美元（约合人民币13元）。

模型每次调用会返回一段持续1.6秒的动作序列。因此，运行一小时需要调用2250次。

按此计算，Dream-1每个动作的价格约为0.0013美元，Dream-1-flash则约为0.0009美元。

三、与GPT-6 Astra相比，Dream-1的运行速度则达到其1.7倍

该公司公布了Dream-1在仿真环境中控制不同机器人的测试记录，测试对象包括27种训练期间未接触过的机器人，以及训练时使用的YAM机器人。并且该公司公开了450段未经剪辑的运行视频，覆盖8类任务，其中包括失败案例。

在仿真评估中，该公司对每种机器人进行了297次测试。其中，147次用于评估语言指令跟随能力，涵盖49条指令，每条运行3次；另外150次用于评估未见任务泛化能力，每项任务运行1次。

▲仿真测试

测试采用五档评分，分别为0、0.25、0.5、0.75和1分，用于衡量模型完成任务的进度。进度得分是所有测试评分的平均值，而成功率只统计完整完成任务的测试。根据Dream Labs公布的数据，整体进度得分为53%，成功率为19%。

具体来看，语言指令跟随测试的进度得分为61%，成功率为30%；未见任务泛化能力测试的进度得分为45%，成功率为9%。

在未见任务泛化能力测试中，Dream-1 在不同类别的任务上表现出了明显差异。

其中，在拾取与放置任务的表现最好，进度得分达69%，成功率为40%；其次是插入与装配任务，进度得分为58%，成功率24%。

▲不同任务的进度得分和成功率

对于中等难度的任务，模型也展现出一定的泛化能力，如倾倒与舀取任务进度得分为55%，成功率 10%；布料与软体任务中，进度得分为52%，成功率为19%；重新定向任务和推动与滑动任务，两者的进度得分均为50%，成功率分别为14%和19%。

相对而言，工具使用任务和打开与关闭任务对模型挑战最大，其中工具使用任务的进度得分为 44%，成功率仅6%；打开与关闭任务中的进度得分为42%，成功率为16%。

需要注意的是，以上数据均附带标准误差，进度得分的标准误差在±3%至±4%之间，成功率的标准误差在±3%至±6%之间。

此外，在模型发布前，Dream Labs还在Robocurve上进行了评测。

▲Dream-1在机器人领域达到SOTA

▲Dream-1成本低于Gemini 4 Argon

▲Dream-1运行速度比GPT-6 Astra快

上方的评估报告显示，Dream-1在性能、速度和成本方面都具备优势，在机器人控制任务中形成了新的帕累托前沿。（注：指在性能、速度和成本的多重约束下，打破了原有的极限，找到了各项指标更均衡、更优的综合方案）

在RoboDojo-RC Tier 1评测中，Dream-1的得分超过了Opus 5.5和Gemini 4 Argon。Dream-1获得59分，高于此前最佳方案的48分。

在成本上，Dream-1单次任务尝试成本仅需0.15美元，而Gemini 4 Argon需花费近2.4美元，前者仅为后者的十六分之一。

运行速度方面，Dream-1仅用了1.4分钟，相比花费超2分钟的GPT-6 Astra，速度达到了后者的1.7倍。

结语：在解决机器人数据积累难题的路上，通用机器人大脑才刚迈出第一步

机器人行业长期面临一个“先有鸡还是先有蛋”的问题，机器人必须足够实用，用户才愿意购买；但要让机器人变得实用，又需要采集这款机器人自身的数据。而只有当足够多的用户开始使用它时，这些数据才会逐渐积累。

Dream Labs试图从模型上入手，打破这一循环。

通过世界动作模型，Dream Labs的路线是，让同一模型具备跨机器人本体、跨任务和跨场景的泛化能力。对于无法直接完成的任务，再使用少量的机器人数据进行适配。

从目前的表现来看，Dream-1的能力仍然主要集中在双臂平行夹爪机器人上，同时在零样本泛化上，该模型也存在明显的能力边界。

但Dream Labs此次开放Dream API，也是在尝试验证这条路径能否真正走向实际应用。