周五,一家名为 Dream Labs 的机器人初创公司公开推出了 Dream-1,获得了 9000 万美元的种子资金,并公开推出了 Dream-1,该公司表示,该模型可以控制以前从未见过的机器人,执行从未展示过的任务,通过公共 API 每小时 3 美元起。

该公告发布在梦想实验室的研究页面上,很快就登上了《黑客新闻》的头版,评论者们争论零样本机器人控制是否最终实用或仍然是一个研究演示。该公司将 Dream-1 描述为任何人都可以使用的第一个“世界动作模型”,标志着其致力于使通用机器人行为像大型语言模型下的文本和图像生成一样可插入。 更多相关背景,请参阅我们的AI新闻。

Dream-1 实际做什么

给 Dream-1 一个带有平行夹具的双手机器人,将其连接到 API,该公司表示,该模型立即开始执行任务——无需微调,无需特定机器人的演示,也不需要机器学习专业知识。

该公司在其发布帖子中写道:“我们希望拥有机器人的任何人都可以使用通用机器人技术,而不仅仅是大型实验室。”该公司将设置描述为接近即插即用:连接你的机器人,将其指向 API,然后运行。该团队表示,他们每周都会举办内部黑客马拉松,以尽可能缩短从注册到工作机器人的时间。

该公司的发布材料显示,测试人员运行 Dream-1 执行一系列桌面任务:在 Anvil Robotics 将糖果分类到容器中,在深圳的 BitRobot 拉纸巾,在新加坡的 Cortex 堆放杯子,在首尔的 KAIST 折叠盒子,以及在巴黎 Hugging Face 实验室的容器之间移动立方体。 Dream Labs 表示,12 个外部站点的 Beta 测试人员以正常速度的 8 倍速度自主运行该模型,内部运行速度为正常速度的 4 倍。

第二组演示展示了更长的自主过程:折叠衣服、将盘子放入水槽、将鸡蛋放入纸箱、从盒子里重新装罐子以及用海绵擦拭台面。

从一篇 30 分钟的论文到一家公司

Dream Labs 的起源可以追溯到 2026 年 2 月,当时其团队发布了 DreamZero,这是一篇介绍世界行动模型的研究论文,该公司表示,该范例已被机器人社区采纳,成为机器人学习中最有前途的方法之一。根据发布的帖子,令团队感到惊讶的结果是,在使用来自 YAM 机器人的仅 30 分钟的数据对 DreamZero 进行后训练后,该模型将零样本推广到了它从未见过的任务。以前,这种传输需要数百甚至数千小时的机器人特定训练数据。

经过六个月的构建,该团队表示,结果已经成熟为“零样本实施例泛化的早期迹象”,Dream-1 现在通过其 API 公开了该功能。

为什么数据问题很重要

机器人技术长期以来一直陷入该公司所谓的先有鸡还是先有蛋的循环:机器人在人们购买之前需要有用,但要使其有用需要来自该机器人的训练数据,只有在足够多的设备投入使用后,这些数据才会积累起来。自动驾驶汽车逃脱了这个问题的一个版本,因为人类驾驶员从第一天起就生成了数据。大多数机器人从未有过这种奢侈。

如果单个模型可以在机器人身体上进行泛化,那么一台新机器就会从有用的技能开始,而不是一个空的数据集——而且每次部署都会添加训练数据,以改进下一个机器人,这种说法是这样的。

廉价硬件是故事的另一半

梦想实验室将其模型主张与硬件论点结合起来:有能力的机器人变得越来越便宜。该公司表示,现在一个双臂装置的价格约为 2,000 美元,七个半人形机器人的价格不到 15,000 美元——这个价格在一年前几乎不存在。

在消费者端,Dream Labs 提到了 Hugging Face 售价 399 美元的 Microduck 桌面机器人,该公司表示,该机器人在 8 月底推出后的四天内就售出了 10,000 多台。该公司做出的区分是经过深思熟虑的:企业买家做出所谓的电子表格决策,而在成本、速度或可靠性方面无法击败工人的机器人则不会被购买。消费者则不同——超过 10,000 人在四天内支付了 399 美元购买了一台主要工作是令人愉悦的机器,它可以行走、摇摇晃晃、滑旱冰。梦想实验室认为,在玩具和功能齐全的家用机器人之间存在着一个最佳点,在这个点上,采用率开始复合,每个家用机器人都成为训练数据的新来源。

注意事项

所有性能声明均来自公司本身,独立验证仅限于测试版合作伙伴公开展示的内容。 Dream Labs 将自己的部分专门讨论 Dream-1 无法做到的事情,承认概括性仍然狭窄:演示的任务主要是使用配备抓手的手臂进行桌面操作,与家庭和建筑工地的无组织混乱相去甚远。

机器人技术的历史充满了在实验室外停滞不前的引人注目的演示。但是,公共 API、按小时定价以及向消费者领域下降的硬件价格下限相结合,使 Dream-1 成为迄今为止将机器人基础模型转变为其他开发人员可以简单调用的基础设施的更具体的尝试之一。

---

掌握AI最新动态

获取最新的AI新闻、分析和突破——尽在一处。

阅读更多AI新闻 →