机器人行业“鸡生蛋”难题，被前英伟达团队撕开一道口子

机器人行业的“鸡生蛋”难题，正在成为通用机器人模型创业公司的突破口。

当地时间10月19日，前英伟达GR00T相关研究团队创立的Dream Labs结束隐身，发布首款模型Dream-1，并宣布完成9000万美元种子轮融资。GR00T研究团队是隶属于英伟达GEAR（通用具身智能体研究）实验室的核心研发力量。

Dream-1通过公共API提供服务，官方定价为每小时3美元起，无需针对新机器人专门采集训练数据，即可控制未见过的双臂平行夹爪机器人，执行未展示过的操作任务。

Dream Labs尝试打破的是一个长期存在的行业困局。过去机器人要先有用才有人买，想有用就需要大量数据，而数据只有在足够多人使用之后才会产生。

此次，Dream Labs试图改变机器人智能的获取方式，让机器人先借助通用模型变得有用，再通过实际使用积累数据，推动模型持续进化。只是从实验室展示到复杂环境中的稳定作业，这条路径仍面临技术与商业化考验。

从“先有数据”到“先能干活”

尽管机器人行业常被拿来与自动驾驶类比，但后者可以通过日常行驶持续收集道路数据，许多机器人没有类似优势。不同机械臂的结构、夹爪、摄像头和工作环境存在差异，一款机器人积累的数据未必能直接用于另一款。

这一数据困境恰恰是Dream Labs试图用通用模型解决的问题。其尝试主要基于两大行业变化：低成本机器人硬件逐渐普及，机器人基础模型开始展现跨任务、跨本体泛化的潜力。

若新机器人接入模型后就能完成一部分实用任务，便有机会更早进入实际场景，形成硬件普及、模型使用、数据积累、模型改进的飞轮。

团队在2026年2月便发表论文《World Action Models are Zero-shot Policies》，提出WAM（世界动作模型），并推出DreamZero模型。

与主要根据视觉和语言指令生成动作的VLA（视觉—语言—动作模型）不同，WAM将未来视频状态预测与机器人动作生成结合起来，试图从视频中学习物体、动作及物理环境如何变化。

论文称，DreamZero仅需约30分钟的新机器人操作数据适配，便能保留对新任务的泛化能力。但这并不意味着完全不需要新本体数据，而是少量适配数据有望替代大规模专属训练。

Dream-1进一步将这一思路产品化。它输出的是末端执行器位姿，即夹爪移动到哪里、如何开合，而不是直接输出某一型号机器人的全部关节指令。这一设计试图建立跨硬件共同接口，同步通过头部和两侧腕部摄像头提供视觉信息，尝试突破部分既有方案对特定夹爪和腕部视角的限制。

评测成绩不等于普遍可用

Dream Labs公布的评测显示，Dream-1平均每次任务得分为59%，单次任务尝试成本仅为Gemini 4 Argon的近1/16。

该结果为低成本机器人模型服务提供了初步依据，但基准得分不等于真实工厂、家庭等场景中的任务成功率，更不能直接证明模型适合无人监管的长期作业。

另外，Dream-1目前主要针对双臂平行夹爪操作，未覆盖移动、行走、灵巧手操作及全身控制的通用机器人系统。模型也不直接规划完整手臂路径，因此可能在障碍物、关节限位或运动学差异较大的情况下失效。

为此，公司提供微调即服务（FaaS），当零样本能力不足时，用户可以提交少量演示数据，获得针对特定机器人或任务的定制模型。

行业内，围绕机器人基础模型的竞争已经展开。英伟达GR00T聚焦人形机器人及其开发生态；Physical Intelligence的π系列致力于通用操作能力；Google DeepMind的Gemini Robotics探索视觉、语言与机器人行动的结合。

Dream Labs的差异在于商业交付方式，将机器人控制能力封装成按小时计费的API，并通过FaaS补足新硬件和新任务的适配需求。

作为创业公司，Dream Labs押注的不是机器人从此不再需要数据，而是通用模型从少量数据开始适配。若这一能力持续提高，机器人厂商就可以将更多资源用于硬件和场景开发，不必为每款设备重复建设整套模型训练体系。

但从低价API走向规模化应用，还要跨过可靠性、安全性、实时控制和经济性几道门槛。机器人“大脑”能否成为像云计算接口一样可调用的基础设施，将取决于它能否在真实环境中长期、稳定、低成本地完成工作。