← 返回 Siami 首頁

Dream Labs 推出 Dream-1:世界動作模型讓機器人零樣本控制陌生機體,API 每小時 3 美元

▲ 136 💬 68
Dream Labs 推出 Dream-1:世界動作模型讓機器人零樣本控制陌生機體,API 每小時 3 美元

編按:本文綜合整理自 Dream Labs 官方技術頁、The Robot Report 報導(10 月 22 日)、Robocurve 獨立評測網站、Robocurve 初步指標報告(10 月 15 日)、DreamZero 論文(arXiv:2602.15922)、LAP 論文(arXiv:2602.10556)、ZimaBlue 論文(arXiv:2609.00188)、Kindred Ventures 投資方公告、Joel Jang 發布貼文(X)、Joel Jang 發布 24 小時數據貼文(X)、Dave Burke 貼文(X)、Physical Intelligence Pi API beta 公告 與 Hacker News 討論串(136 分、68 則回覆),並加入 Siami 編輯部觀點與分析。

2026 年 10 月 19 日,舊金山一家叫 Dream Labs 的新創公司走出隱身狀態(out of stealth)。同一場發布會上,它帶來三件事:一筆由 Kindred Ventures 領投、總額 9000 萬美元的種子輪融資;一個叫 Dream-1 的機器人模型;以及史上第一個公開販售的機器人通用大腦 API。

發布 24 小時後,執行長 Joel Jang 在 X 上公布數據:使用者來自 53 個國家、超過 37.2 萬次推論呼叫、控制了 31 種未曾見過的機器人機體,其中約一半流量來自美國。Hacker News 討論串累積 136 分、68 則回覆。

但真正讓這則新聞值得停下來看的,不是金額,也不是流量數字,而是它試圖解決的那個 robotics 界的老問題。


打破機器人的「雞生蛋」死循環

Dream Labs 在官方技術頁裡把困境講得很直白,這是機器人學界反覆出現的冷啟動(cold-start)悖論:

機器人必須先有用,人們才想買它;但要讓它有用,又得先有這台機器人自己蒐集到的資料——而這些資料,只有在夠多人開始使用之後才會存在。

自駕車當年是靠「無腦繞圓圈也有用」繞過這個循環的:車一開始不需要自駕能力也載得到人,於是 millions of people 每天開車,順便產出海量訓練資料。其他機器人沒有這個幸運——機器人不會先被開回家只為了產資料。

Dream Labs 的判斷是,兩件事同時鬆動了:

  1. 硬體變便宜了。 一套堪用的雙臂手臂裝置現在約 2000 美元;7 台半人形機器人加起來不到 1.5 萬美元;Hugging Face 的 399 美元 Microduck 在 8 月底上市後 4 天賣破 1 萬台。
  2. 模型不再需要自己那台機器人的大數據集。 如果一個模型能零樣本泛化到沒見過的環境、任務、甚至沒見過的機體,新機器人一裝上去就能開始做事。

官方把這個過程稱為**「寒武紀大爆發」**——便宜的機器人大量湧入世界,泛化模型讓它們更早變得有用,而有用的機器人反過來產生更多資料餵養下一代模型。

創辦人 Joel Jang 的比喻更直白:租車時你不會重新學怎麼開車,你只是找到方向盤,過去的經驗就會接手。「Dream-1 接近一台新機器人的方式也是一樣,所以新機器人能在幾分鐘內開始工作,而不是幾個月。」


關鍵技術:為什麼放棄直接控制關節

Dream-1 是一種 世界動作模型(World Action Model, WAM)。它跟主流的 VLA(Vision-Language-Action)模型有一個根本差異:

傳統機器人策略輸出的是關節角度,這等於把模型焊死在那台特定機器人的身體結構上。要換一台機器,模型基本要重訓。

Dream-1 輸出的是末端執行器(end-effector)位姿——每個夾爪應該在哪裡(6 自由度),以及該開還是該夾。這是一個所有「雙臂 + 平行夾爪」機器人共用的空間介面,各家機器人自己的 IK 求解器再把位姿轉回關節指令。

但光有共用介面還不夠。官方引用 UMI(Universal Manipulation Interface)的研究指出:如果只用腕部攝影機,靠「從手腕視角看起來都一樣」這招,確實能在相同夾爪的機器人之間零樣本轉移——但前提是夾爪硬體必須完全一致,而且放棄了頭部攝影機看整個場景的視野。

世界動作模型的做法是同時預測影片與動作:控制一台機器人和想像它接下來會長什麼樣,變成同一個問題。而影片是唯一所有機器人共通的表示——不管眼前是 UMI 夾爪、兩指夾爪,還是 Dream-1 從沒見過的手臂,在頭部攝影機裡都只是場景中移動的形狀。

這就是為什麼它能控制外觀與 UMI 截然不同的夾爪,甚至全新的身體。


官方實測:27 個模擬機體、4 台實機

Dream-1 實際上只在 YAM 這一台機器人上訓練過。官方公布的泛化成績如下:

測試環境規模條件
模擬27 個未見機體每個最多 5 次挑戰,300 次 rollout(150 次語言遵循 + 150 次未見任務)
實機4 台未見機體,21 段影片每台最多 5 次挑戰,300 次 rollout(150 次語言遵循 + 150 次未見任務)

被控制過的機體名單長得相當可觀,包括 18 年前 Willow Garage 的 PR2、Rethink Robotics 的 Baxter 與 Sawyer、Boston Dynamics 的 Spot(Spot 未列但 Kinova、Franka、Unitree、ABB YuMi、Universal Robots UR5e 都在列)、Hugging Face 的 SO-101、Anvil Robotics 的 OpenYAM、AgileX 的 PiPER 雙臂,以及 MakeMods 的 Maker Arm。

任務也涵蓋真實家務:「把貓砂鏟從盒子裡鏟出來」、「把杯子掛到杯架上」、「把蛋放進蛋盒的空格」、「折衣服」、「把水果從左邊的碗倒到右邊的碗」、「把中本書從三本書疊抽出來」。

同時擺在官方頁面上的還有失敗案例:內文那張「Unseen Tasks」清單裡,Dream-1 成功做了折衣服、清洗台面、把墨水瓶蓋拔開、把貓砂鏟鏟進貓砂盆、把食物罐從箱子補回架子、把蛋放進蛋盒空格、折襯衫、把吸管插進瓶頸、用藍色海綿擦流理台、將工具放回各自的槽位、把水果從左碗倒到右碗、把中間的書抽出來、折綠色餐墊、把盘子擦乾放到瀝水架、開箱取出粉紅跳繩再蓋上、用刀把切好的胡蘿蔔推到砧板右側。

官方自己在限制章節寫得坦白:用 EEF 位姿預測換來通用性,代價是表現取決於各機器人 IK 求解器的品質;Dream-1 只控制手臂抵達的終點,不控制它怎麼走位,這在障礙物附近或接近關節極限時會有影響;工作空間或運動學/動力學特性差異過大的機器人,可能會預測出物理上不可行的未來狀態。


第三方評測:59.3 分,每嘗試 0.15 美元

官方數字自家說了不算數,關鍵在獨立評測。Robocurve 是一家公開股份有限公司(Public Benefit Corporation),專門替公眾測量並公開前端機器人模型的能力,在 HN 討論串裡還被網友追問它的商業模式會不會有利益衝突。

Robocurve 的 RoboDojo-RC Tier 1 基準(每種設定 120 次任務嘗試)成績如下:

模型平均得分每次嘗試成本
Dream-159.3%$0.15(託管推論)
Gemini 4 Argon (high)48.2%$2.34
GPT-6.1 Sol (high)41.7%$2.15
GPT-6 Astra (high)42.5%$3.48
Opus 5.5 (high)38.2%$2.23
Gemini 3.8 Flash (high)36.2%$0.66
MolmoAct218.9%$0.07(GPU 租用)
GR00T N1.79.5%$0.05(GPU 租用)

對照官方說法,Dream-1 比 Gemini 4 Argon 便宜約 16 倍、比最快的 GPT-6 Astra 快 1.7 倍,而且是榜單上唯一超過 50 分的模型——也就是第一個在 RoboDojo-RC Tier 1 上突破半數門檻的模型。

但這裡有一個容易被忽略的細節:GR00T N1.7(NVIDIA 自己的模型)只拿到 9.5 分,遠低於所有前沿 LLM。Robocurve 的解釋在計分規則裡——LLM 有 40 次模型呼叫的上限,VLA 有 3600 個控制步的上限,兩種預算口徑不同。但 9.5 分這個數字本身也說明一件事:在真實世界操作機器人這件事上,通用語言模型的表現,遠比它們在文字測試上的排名暗示的還要差。 前沿 LLM 是很棒的規劃者,但機器人需要的是一個快速、泛用的「System 1」來執行。


定價:每小時 3 美元,與「連續雇用」相比

Dream-1 是第一個公開販售的機器人基礎模型 API,費率如下:

  • Dream-1:每小時 3 美元
  • Dream-1-flash:每小時 2 美元(更快、更輕的版本)

每次呼叫回傳 1.6 秒的動作,一小時等於 2,250 次呼叫——換算下來,Dream-1 每個動作約 0.0013 美元,Dream-1-flash 約 0.0009 美元。官方在計價頁寫了一句頗有野心的话:「每小時成本之外的所有收益都是你的。」

這個數字要放進什麼基準比較才有意義?HN 上一位網友算了一筆:1.5 萬美元買一台雙足機器人,要靠每小時 3 美元的工作收入攤回,需要相當長的時間。另一位則直接說:「你要怎麼負擔一棟房子,當你正在跟每小時 3 美元的勞工競爭?」

答案其實在 The Robot Report 的報導裡:全世界工廠正在運行創紀錄的 500 萬台工業機器人,但幾乎每一台都只被寫程式做單一任務,多數也無法把學到的東西轉移給其他機器。低價機器人現在幾千美元就買得到,卻不含任何內建智慧,而教一台機器人做一件事需要專家耗上數月——換個任務或換個硬體,往往要從零開始。

換句話說,Dream-1 賣的不是「更聰明的機器人」,而是把機器人的啟動成本從「幾個月 + 專家」壓到「幾分鐘 + 一支 API 金鑰」。這個商業模式被外界形容為 SaaS → RaaS(機器人即服務)。


零樣本之外:FaaS 與「還差多少」

官方也明說零樣本不是萬靈丹。Dream Labs 提供 FaaS(Fine-tuning-as-a-Service,微調即服務):開發者自己蒐集一小批示範資料,交回去,數小時內拿到針對自己機器人的客製模型。

實測差距相當具體:

  • 多數機器人:只需 5 分鐘自身數據,微調後的語言遵循分數明顯提升
  • Dexmate(Sharpa 靈巧手,用的是手不是夾爪):需要 77 分鐘 數據
  • YAM(換上合規夾爪與改裝刀型夾爪):需要 98 分鐘 數據

官方承認:單次適應仍然優於零樣本,差距依然存在。 對 12 台 FaaS 測試夥伴機器人中的 10 台,微調確實提升了分數——但離「開箱即用」還有距離。

這正是本次發布最耐人尋味的一條脈絡。DreamZero 這篇論文(arXiv:2602.15922,2026 年 2 月)正是 Dream Labs 團隊在 NVIDIA 時期的成果:由 14B 自動迴歸影片擴散模型建構的 WAM,在真實機器人實驗中對新任務與新環境的泛化比 SOTA VLA 好 2 倍以上,並且透過模型與系統最佳化實現 7Hz 的即時閉環控制。論文裡還有一句關鍵描述——透過影片示範或跨機器人資料,10–20 分鐘的資料就能帶來超過 42% 的未見任務提升;最驚人的是適應到全新機器人 YAM 只用了 30 分鐘的 play data,同時還保留零樣本泛化能力。

同一團隊的 LAP(Language-Action Pre-Training,arXiv:2602.10556)則是更早的思路:把低階機器人動作直接表示成自然語言,讓動作監督對齊到預訓練視覺語言模型的輸入輸出分布,不需要學習式 tokenizer、不需要昂貴標註、也不需要針對特定機體設計架構。LAP-3B 在多台新機器人與多項操作任務上達成 超過 50% 的平均零樣本成功率,比最強的前作 VLA 約好 2 倍。

順帶一提,同一條技術路線上,ZimaBlue(arXiv:2609.00188,2026 年 8 月)把 WAM 往「可規模化影片預訓練」推得更遠:在真實機器人零樣本評測中,從只用目標機器人資料擴展到 超過 12 萬小時的具身影片,成功率從 36.1% 明顯提升。

換句話說,Dream-1 不是憑空冒出來的奇蹟,它是 2026 年整整一年「世界動作模型」這條路線從 NVIDIA 研究論文走到公開商用 API 的第一個商業化節點。


為什麼這件事重要

為什麼這件事重要

第一,它把機器人的競爭從「硬體競賽」改寫成「腦的競賽」。過去十年機器人產業的所有注意力都在本體:關節數、自由度、負載、靈活手、行走能力。硬體確實重要,但每一台新機器人都要重新教一次,這個成本從來沒有被解決過。Dream-1 的做法是把「教」這件事抽掉——硬體變通用零件,腦變成 API。The Robot Report 引述 MakerMods 執行長 Ryan Chan 的說法很傳神:「客戶買我們的機器人是為了打造東西,而最難的部分一直是讓它們真的能做事。有了 Dream-1,我們的機器人幾分鐘內就跑起來,開始嘗試我們從沒編程過的任務。」

第二,它第一次讓「非機器人專家」也能用上機器人。官方提供的膠囊客戶端程式碼只有十幾行:連上機器人、丟入觀測值、拿到動作。任何有機器人的人和任何會寫幾行程式的人之間,距離被壓到接近零。搭配瀏覽器版的 playground——不用買機器人,在瀏覽器裡對舊金山辦公室的機器人下指令、看它即時反應——這讓機器人第一次有了類似「試用」的東西。

第三,定價結構會反過來重塑整個產業鏈。每小時 3 美元、每個動作 0.0013 美元,這個成本低到讓「租用一個大腦」變成零頭而不是決策。Robocurve 的對照表已經顯示 GR00T N1.7 與 MolmoAct2 靠租 GPU 跑,成本低到 0.05–0.07 美元,但在真實任務得分只有 9.5% 與 18.9%。也就是說,在機器人應用層,「模型夠不夠好」比「推論夠不夠便宜」重要得多——這對所有做機器人模型的團隊是一個明確的訊號:花大錢買推論算力去做落後的策略,沒有意義。

第四,競賽已經開始,而對手的起跑點不低。就在 Dream-1 發布前六天(10 月 13 日),Physical Intelligence 開放了 Pi API beta,把 π0 與 π0.5 模型開放給外部訓練與推論。HN 上有網友認為 PI 的成果更令人印象深刻,因為它涵蓋更多樣的機器人機體與更紮實的真實工作場所任務;但 Dream Labs 的反擊也成立——PI 的 API 需要針對任務與機器人做微調,Dream-1 提供的是零樣本。一個賣「零樣本」、一個賣「更廣的機體覆蓋」,正面撞在一起。 NVIDIA 自己的 GR00T 團隊是這場競爭裡最有壓力的一方:Dream Labs 的核心成員正是從那裡走出來的。


數據解讀與質疑

數據解讀與質疑

一、59.3 分這個數字要怎麼讀。 RoboDojo-RC Tier 1 只有 6 項任務,120 次嘗試,是一個規模相當小的基準。HN 網友 modeless 的質疑值得放在前面:「如果實際展示的內容來看,零樣本機體泛化其實只限於控制兩指夾爪的雙臂機器人。這些機體長得都很像,當它們稍微有點不同(光是把兩根手指換成五根就不行了)就沒法零樣本。但在實務上,做零樣本機體泛化根本沒道理,因為在新機體上採集一點點資料,就能換來顯著更好的效能。」實測數據也支持這點——Dexmate 的 Sharpa 靈巧手需要 77 分鐘、YAM 需要 98 分鐘,代表機體差異一旦超出「平行夾爪」的範圍,零樣本的好處就迅速蒸發。

二、這是研究 beta,不是安全認證。 官方自己寫得很清楚:「Dream-1 是研究 beta。它會犯錯,而且尚未針對安全關鍵用途進行驗證。請在受控環境中測試,機器人在人附近運作時要格外小心。」HN 上有人直接點出核心焦慮:這代表第三方可以控制自己家裡的機器人,而這件事帶有大量負面外部性。

三、demo 與實用的落差。 有從事自動化、製造與倉儲工作多年的一線網友給出最直接的評價:這個頁面上的一切都像是為「剛開始的任務」優化的,跟真實自動化工作對不上,甚至不是個好起點;而且整個頁面散發著為投資人而非客戶優化的氣息——為什麼要把一個純粹的玩具(指 Hugging Face 的 399 美元 Microduck)當成自動化工作的首要例子?這是 HN 討論裡最尖銳也最難反駁的一條批評。

四、90M 美元與它試圖解決的問題規模。 有網友形容這一切「 REALLY 有點讓人感覺回到 1999 年」:有一個潛力無窮的新典範,但手上沒有足夠零件去執行前瞻性的想法,更別說把它變成生意——尤其要想像那支機器人手臂可能摧毀一批超昂貴的機器。

五、勞動市場的數學題還沒人算清楚。 HN 討論裡最長的一條線索是經濟學:一位網友說「當機器人能做得比人類更好也更便宜時,我就不會再雇用了」,把 IQ 80/120/180 三道門檻攤開來講——「從另一個方向打開灘頭堡,典型的兩面夾擊」。也有人提醒 $3 美元與人類勞工的工資不是同一個市場條件下的比較,攤提與需求彈性才是關鍵。

六、一個技術社群不能忽略的觀察。 有人指出這篇文章的寫作痕跡很重,「不是人寫給另一個人看的樣子」,另一人反駁說「他們有很多影片展示機器人在他們的系統驅動下執行任務,那不是假的 AI 生成內容」。這場爭論本身其實比爭論更有價值——它說明外界對這類發布的第一反應,已經從「這個能做到嗎」轉向「這是真的還是被行銷出來的」。


接下來該看什麼

Dream Labs 官方明說,目前 Dream-1 只是一位雙臂平行夾爪機器人的操作策略,是一個起點;團隊相信強大的通用機器人基礎模型可以延伸到移動操作機器人、靈巧手,以及還沒被想像出來的身體。9000 萬美元的種子輪主要會用在算力上——擴展能處理的任務與機體,並支撐更多使用者。

三個可以盯的觀察點:

  1. Robocurve 榜單的下一輪更新。 59.3 分會不會被守住,以及是否會出現第二個突破 50 分的模型。這一輪的成本曲線($0.15 vs $2.34)比分數本身更有殺傷力。
  2. FaaS 的 5 分鐘數字能不能推廣。 官方說多數機器人 5 分鐘就夠,但那是「多數」——真正有價值的應用場景(工廠、倉儲、醫療)恰恰是那些差異大的機體。
  3. Physical Intelligence 的 Pi API beta 與 NVIDIA GR00T 的反應。 三家的零樣本能力、機體覆蓋廣度與推論價格,會在接下來幾個月拉開真正的差距。

至於那份「寒武紀大爆發」的敘事,機器人硬體的價格確實在往下掉,通用模型也確實在補上最後一塊拼圖。但從「$3 一小時的機器人大腦」到「真的會幫你摺衣服的機器人」,中間還隔著一整個產業界沒有人解決過的問題:可靠度、安全責任,以及誰來負責機器人把事情做壞時的損失。


相關延伸閱讀:Dream Labs 官方技術頁|Robocurve 獨立評測|Robocurve 初步指標報告|DreamZero:World Action Models are Zero-shot Policies(arXiv)|LAP:Language-Action Pre-Training(arXiv)|ZimaBlue:可規模化影片預訓練的 WAM(arXiv)|The Robot Report 報導|Kindred Ventures 投資方公告|Physical Intelligence Pi API beta|Hacker News 討論串(136 分、68 則回覆)

網友熱門留言 (6)

#1 Hacker News 網友 modeless(item?id=50224710) 0
如果實際展示的內容來看,零樣本機體泛化其實只限於控制兩指夾爪的雙臂機器人。這些機體長得都很像,當它們稍微有點不同(光是把兩根手指換成五根就不行了)就沒法零樣本。但在實務上,做零樣本機體泛化根本沒道理,因為在新機體上採集一點點資料,就能換來顯著更好的效能——尤其是當這些機體全都非常狹窄、非常相似的時候。
#2 Hacker News 網友 gradus_ad(item?id=50224101) 0
他們所謂的「打破飛輪」策略,是建立在人們會把這些機器人用在真實世界任務上的前提。而從這些示範來看,它們在真實世界任務上根本不可用。
#3 Hacker News 網友 wand3r(item?id=50224390) 0
我不想太刻薄,因為真的有人在做自己充滿熱情的事情是一種很棒的理想。但這真的有點讓人感覺回到 1999 年。有一個潛力無窮的新典範,但我們手上根本沒有足夠的零件去執行那些前瞻性的想法,更別說把它變成生意。Imagine if that robot arm destroyed a ton of super expensive machinery(想像一下那支機器人手臂摧毀了一大批超昂貴的機器)。它拿到的是一個非常公平、非常簡單的指令。還有,拿 9000 萬美元去調校一個 AI 模型,讓它不要在一個還沒被驗證的市場裡失敗掉?
#4 Hacker News 網友 Aurornis(item?id=50224148) 0
這一切都很酷,我也很想親自玩一下。但我沒有辦法在腦中把它連結到我整個職涯中參與過的自動化、製造與倉儲工作。這頁面上的一切都像是為「剛開始的任務」優化過的,我卻覺得它並不適合真實的自動化工作,甚至不是個好的起點。這個頁面的一切都散發著為投資人而非客戶優化的氣息。為什麼要把一個literally 的玩具當成自動化工作的首要例子?除非他們追求的是投資人能在頭條標題裡記住什麼,而不是實際的自動化能做到什麼。
#5 Hacker News 網友 rvz(item?id=50224103) 0
這家公司最後一定會被 OpenAI 收購,併入他們的機器人部門。我說完了,開始倒數。
#6 Hacker News 網友 amelius(item?id=50224252) 0
我覺得有點太雄心壯志了。先讓一台機器人可靠地把事情做好吧,然後再談泛化。他們看起來目前還沒解決任何真正的難題,只是想先推出平台,等社群找出可行解之後就能被大收購。