Dream Labs 开放首个公开机器人大脑 API，背后是 9000 万美元种子轮
Dream-1 在真机基准上以十六分之一的成本超过 GPT-6 Astra 和 Gemini 4 Argon
Dream Labs 周一结束隐身，带着 9000 万美元的种子轮和 Dream API 的公开发布 —— 首个旨在给任何机器人一个可用大脑的云推理服务。这家旧金山创业公司由四位前英伟达 GR00T 团队负责人创立，向开发者开放了 Dream-1 的访问，这是一个世界动作模型，能在没有机器人专属训练数据的情况下实时控制陌生机器人。B Capital 和 Kindred Ventures 领投本轮，A.Capital、Unusual Ventures、SV Angel、Wing VC、Scribble VC 和投资人 Adrian Aoun 参投。
机器人大脑的冷启动问题
全球五百万台工业机器人在运行，但几乎每一台跑的都是为单台机器上的单一任务写的固定代码。入门级双臂机械臂现在低至2000 美元，接近人形的平台不到 15000 美元可得 —— 硬件价格已跌到仓库创业公司或大学实验室完全够得着。瓶颈不再是机械。
教机器人一项新任务历来需要数月的工程师时间和数百小时的机器人专属遥操作数据，而学到的策略锁定在那台特定平台上。换一台机械臂，过程就从零重启。这个冷启动陷阱一直阻止廉价硬件规模化产出有用的自主机器人：机器人只有在部署后才变得有价值，但部署需要多数买家不具备的专业能力。
一个世界动作模型，而非 VLA
Dream-1 是一个世界动作模型 —— 一类机器人策略架构，最早在 DreamZero 中被正式提出，那是英伟达 GEAR 实验室 2026 年 2 月的一篇论文，其中三位作者是 Dream Labs 四位创始人中的三位。
多数机器人基础模型是视觉-语言-动作模型，即 VLA。VLA 直接从视觉观测和语言指令预测机器人动作，在机器人专属的动作空间中输出关节角度或速度指令。该架构在目标机器人的数据上训练得很好，但它把模型学到的表示绑定到一个特定的形态上 —— 改变机械臂几何，策略通常就失败。
Dream-1 改变了预测目标。它是一个自回归扩散 Transformer，被训练来同时联合产出两种输出：机器人头戴摄像头的未来视频帧，以及描述夹爪该移动到哪里的末端执行器位姿序列。视频预测组件是跨形态迁移的关键。从头部摄像头的视角看，任何双臂机器人都是在工作空间中移动的形状 —— 而无论底层机械臂是四个关节还是六个、无论它由宇树、UR 还是 Seeed Studio 制造，那些形状在功能上看起来都一样。
据 Dream Labs 的研究文章，一个世界动作模型「学会一起预测视频和动作，所以控制一个机器人和想象那个机器人将做什么是同一个问题」。因为每个机器人在头部摄像头看来都是场景中移动的形状，单一模型就获得了一个控制它从未见过的硬件的共同表示基础。
Dream-1 在闭环运行中以约 7 Hz 工作。每次 API 调用返回 1.6 秒的未来动作，形式为末端执行器位姿序列，由机器人自己的逆运动学求解器转换为电机指令。
延伸阅读：英伟达与 KAIST 把机器人基础模型每任务 RL 训练时间最多砍去 68.5%
Dream API：每小时 3 美元的基础设施
Dream Labs 卖的是算力，不是机器人。Dream-1 的定价是每小时推理 3 美元；更轻更快的变体 Dream-1-flash 每小时 2 美元。按每小时约可发 2250 次 API 调用算，每一个单独的动作步骤约花 0.0013 美元 —— 与一个小型语言模型 API 的一个 token 在量级上相当。这一定价明确把公司定位为基础设施：机器人硬件 OEM 可以把智能层整个外包，而不必在内部构建 AI 训练能力。
该 API 通过一个 Python 客户端接受头部摄像头图像和自然语言指令，返回电机指令，不要求开发者一侧有机器学习专业能力。一项微调服务 —— FaaS —— 处理需要额外适配的机器人：据公司称，五分钟的遥操作演示数据足以接入多数新硬件，12 家测试硬件伙伴中有 10 家看到了更好的语言遵循分数。对于形态复杂的系统，如 Sharpa 灵巧手，则需要 77 分钟的演示数据。
CEO Joel Jang 在官方新闻稿中描述了这一主张：「硬件已经就绪。一直缺的是一个任何机器人都能用的大脑。你上一辆租来的车时，不会重新学怎么开车。你找到操控装置，你过去的驾驶经验搞定其余。Dream-1 以同样方式对待一台新机器人，所以一台新机器人能在几分钟、而不是几个月内做有用的工作。」B Capital 普通合伙人 Daisy Cai 直接概括了投资论点：「一条有能力的机械臂已经从一辆豪华车的价格降到一台高端笔记本的价格。它现在需要的是智能。」
Robocurve 的数字究竟说明了什么
Dream-1 能力最具体的外部证据来自 RoboDojo-RC Tier 1，一个由独立公益公司 Robocurve 管理的真机操作基准。每个模型配置在真实硬件上评估 120 次试验。Dream-1 得 59% —— 是该基准上第一个跨过 50% 门槛的模型。在直接应用于机器人硬件的前沿模型中，Gemini 4 Argon 得 48%，Claude Opus 5.5 得 38%，GPT-6 Astra 得 43%，GPT-6.1 Sol 得 42%。在专门的机器人模型中，英伟达的 GR00T N1.7 得 10%，MolmoAct2 得 19%。
基准结果值得审视。RoboDojo-RC Tier 1 衡量的是桌面操作任务中的语言指令遵循；它不是机器人能力的一般衡量，而基于云 API 的模型的评估条件可能不同于本地部署的模型。Dream Labs 把 Dream-1 的每任务成本定为约为 Gemini 4 Argon 低 16 倍，这是公司得出的数字，与 Robocurve 自己的每次尝试成本分析相印证。Robocurve 的方法尚未经过独立审计 —— 结果在发布当天就到了。
即便有这些告诫，这一模式仍有分量。一个专门训练的机器人模型持续胜过大它数个数量级、但不是专为物理操作训练的前沿模型。GR00T N1.7 的 10% 与 Dream-1 的 59% 之间的差距，鉴于它们源自同一研究血统，很难被当作基准噪声打发 —— 它更可能反映的是预测视频帧未来相对平台专属关节轨迹的架构优势。
跨 27 台机器人的零样本，真实与仿真
在仿真中，团队在训练期间未遇到的27 种机器人设计上测试了 Dream-1，每台机器人跑 300 次 rollout。27 台中有 24 台达到训练参照平台至少一半的性能；表现最好的未见过设计，一种双臂 PiPER 配置，达到基线的 91.2%。在真实硬件上，Dream-1 在没有任何机器人专属训练数据的情况下控制了来自 MakerMods、Seeed Studio、Anvil Robotics 和 Dexmate 的机器人，完成了折毛巾、关抽屉，以及执行诸如「把不是猕猴桃的水果放进篮子」这样的语言指令等任务。
测试伙伴的部署在全球十二个站点自主运行：上海的 AGIBOT、深圳的 BitRobot、首尔的 KAIST、巴黎的 Hugging Face、旧金山的 Scale AI 等。这种跨形态方法对形态上与训练分布相似的双臂平行夹爪机器人最可靠；公司的文档承认，形态差异很大的配置可能产生不那么准确的预测。
研究测试版：公司坦承的局限
Dream Labs 在交付 Dream-1 时附了一份明确的已知失败模式清单。模型预测的是末端执行器目的位姿，而非关节轨迹 —— 机器人上一个单独的逆运动学求解器把末端执行器目标转换为电机指令，如果那个求解器不精确或机械臂接近关节极限，指令可能产生无法到达的配置。因为模型在末端执行器位姿空间中操作，它不知道机械臂路径上的障碍物，在杂乱的工作空间中造成碰撞和不可行风险。末端执行器差异很大的机器人 —— 多指灵巧手、移动底盘、非标准工具配置 —— 仍是部分不受支持的。
Dream-1 是一个研究测试版，明确未经安全关键应用验证。Jang 在新闻稿中说，公司没有发布打磨过的演示，而是「给人们一个他们能自己测试的可用模型，连错误一起」。
下一步：移动机器人、灵巧手与数据飞轮
Dream Labs 披露了两个近期扩展目标：轮式移动操作机器人和多指灵巧手。公司的研究文章指出，缩小零样本与单样本性能之间的差距 —— 具体说是 Dream-1 在没有机器人专属数据下能做到的，与它在五分钟演示后达到的之间的距离 —— 是团队主要的持续目标之一。这 9000 万美元一轮预计主要用于算力，把 Dream-1 扩展到更广的任务类型和机器人形态。
Dream-1 提出的结构性问题是，机器人硬件制造商将构建自己的 AI 智能层，还是把它们外包给云 API —— 这一动态映照了 LLM API 如何重构了软件行业与语言模型的关系。如果一个云机器人大脑 API 能在生产规模上跨硬件泛化，OEM 就会在运动学、成本和耐久性上竞争，而不是在专有 AI 训练基础设施上。Dream-1 能否兑现这一承诺，还是第一天的基准结果和测试部署代表的是太受控而无法泛化的条件，将由接下来一年的真实世界部署数据回答。