Een robotica-startup genaamd Dream Labs kwam vrijdag uit stealth met 90 miljoen dollar aan startfinanciering en de publieke lancering van Dream-1, een model dat volgens het bedrijf robots kan besturen die het nog nooit eerder heeft gezien, op taken die het nooit werd getoond, beginnend bij 3 dollar per uur via een openbare API.

De aankondiging, gepubliceerd op de onderzoekspagina van Dream Labs, bereikte al snel de voorpagina van Hacker News, waar commentatoren debatteerden over de vraag of zero-shot robotbesturing eindelijk praktisch is of nog steeds een onderzoeksdemo. Het bedrijf beschrijft Dream-1 als het eerste 'World Action Model' dat voor iedereen beschikbaar is, waarmee het een poging markeert om robotgedrag voor algemeen gebruik net zo plugbaar te maken als het genereren van tekst en afbeeldingen onder grote taalmodellen. Voor meer context over dit verhaal, zie ons meer AI-verhalen.

Wat Dream-1 eigenlijk doet

Geef Dream-1 een bimanuele robot met parallelle grijpers, verbind hem met de API, en het bedrijf zegt dat het model out-of-the-box taken begint uit te voeren – geen verfijning, geen demonstraties van die specifieke robot en geen expertise op het gebied van machine learning vereist.

"We willen dat generaliseerbare robotica toegankelijk is voor iedereen met een robot, niet alleen voor grote laboratoria", schrijft het bedrijf in zijn lanceringspost, waarbij hij de opzet beschrijft als plug-and-play: sluit uw robot aan, wijs hem op de API en start. Het team zegt dat het wekelijks interne hackathons organiseert om de tijd tussen aanmelding en een werkende robot zo kort mogelijk te houden.

Het lanceringsmateriaal van het bedrijf toont bètatesters die Dream-1 gebruiken voor een reeks tafelbladtaken: snoep sorteren in containers bij Anvil Robotics, zakdoekjes trekken bij BitRobot in Shenzhen, bekers stapelen bij Cortex in Singapore, dozen vouwen bij KAIST in Seoul en kubussen tussen containers verplaatsen in het laboratorium van Hugging Face in Parijs. Dream Labs zegt dat bètatesters op twaalf externe locaties het model autonoom op acht keer de normale snelheid hebben uitgevoerd, terwijl interne runs vier keer zo snel zijn.

Een tweede reeks demonstraties toont langere autonome sessies: een jurk opvouwen, de vaat in de gootsteen afruimen, eieren in een doos doen, blikjes uit een doos bijvullen en een aanrechtblad afvegen met een spons.

Van een paper van 30 minuten tot een bedrijf

Dream Labs vindt zijn oorsprong in februari 2026, toen het team DreamZero uitbracht, het onderzoekspaper dat World Action Models introduceerde – een paradigma dat volgens het bedrijf door de roboticagemeenschap sindsdien is overgenomen als een van de meest veelbelovende benaderingen op het gebied van robotleren. Het resultaat dat het team volgens de lanceringspost verraste, was dat het model na de training van DreamZero op slechts 30 minuten aan gegevens van een YAM-robot, zero-shot generaliseerde naar taken die het nog nooit had gezien. Voor dat soort overdracht waren voorheen honderden of zelfs duizenden uren aan robotspecifieke trainingsgegevens nodig.

Na zes maanden bouwen zegt het team dat het resultaat is uitgegroeid tot "vroege tekenen van zero-shot uitvoeringsvorm-generalisatie", de mogelijkheid die Dream-1 nu via zijn API blootlegt.

Waarom het dataprobleem ertoe doet

Robotica zit al lang vast in wat het bedrijf een kip-en-ei-lus noemt: een robot moet nuttig zijn voordat mensen hem kopen, maar om hem nuttig te maken zijn trainingsgegevens van die exacte robot nodig, die pas worden verzameld als er voldoende eenheden in het veld zijn. Zelfrijdende auto's ontsnapten aan een versie van dit probleem omdat menselijke bestuurders vanaf de eerste dag gegevens genereerden. De meeste robots hebben die luxe nooit gehad.

Als een enkel model over robotlichamen kan worden gegeneraliseerd, begint een nieuwe machine met nuttige vaardigheden in plaats van met een lege dataset – en voegt elke implementatie trainingsgegevens toe die de volgende robot verbeteren, zo luidt het argument.

Goedkope hardware is de andere helft van het verhaal

Dream Labs koppelt zijn modelclaims aan een hardwareargument: capabele robots worden dramatisch goedkoper. Een tweearmige opstelling kost nu ongeveer 2.000 dollar, zegt het bedrijf, en zeven semi-humanoïde robots zijn verkrijgbaar voor minder dan 15.000 dollar – een prijsniveau dat een jaar geleden nauwelijks bestond.

Aan de consumentenkant wijst Dream Labs op de $399 kostende Microduck-desktoprobot van Hugging Face, waarvan het bedrijf zegt dat er binnen vier dagen na de lancering eind augustus meer dan 10.000 exemplaren van zijn verkocht. Het bedrijf maakt bewust een onderscheid: zakelijke kopers nemen wat zij een spreadsheetbeslissing noemen, en een robot die een werknemer niet kan verslaan op het gebied van kosten, snelheid of betrouwbaarheid, wordt niet aangeschaft. Consumenten zijn anders: meer dan 10.000 mensen betaalden in vier dagen $399 voor een machine waarvan de belangrijkste taak is om heerlijk te zijn, een machine die kan lopen, waggelen en rolschaatsen. Ergens tussen dat speelgoed en een volledig capabele thuisrobot, zo betoogt Dream Labs, ligt een goede plek waar de adoptie zich begint te verergeren en elke huishoudelijke robot een nieuwe bron van trainingsgegevens wordt.

De voorbehouden

Alle prestatieclaims komen van het bedrijf zelf, en onafhankelijke verificatie is beperkt tot wat bètapartners publiekelijk hebben laten zien. Dream Labs wijdt een eigen sectie aan wat Dream-1 niet kan, een erkenning dat de generalisatie beperkt blijft: de gedemonstreerde taken bestaan ​​grotendeels uit tafelbladmanipulatie met met grijpers uitgeruste armen, ver verwijderd van de ongestructureerde chaos van huizen en bouwplaatsen.

De geschiedenis van de robotica zit vol opvallende demo's die buiten het laboratorium zijn blijven hangen. Maar de combinatie van een openbare API, prijzen per uur en een hardwareprijs die richting consumentengebied daalt, maakt Dream-1 tot een van de meer concrete pogingen tot nu toe om robotfunderingsmodellen om te zetten in infrastructuur die andere ontwikkelaars eenvoudigweg kunnen aanroepen.

---

Blijf Voorop met AI

Het laatste AI-nieuws, analyses en doorbraken — allemaal op één plek.

Lees meer AI-nieuws →