旧金山一间办公室里，一台售价 2000 美元的双臂机器人正在尝试折叠衣物。它没有被预先编程过这项任务，也没有工程师为它写过一行专用控制代码。操作者只是在浏览器里输入一句自然语言指令，摄像头画面被送往云端模型，几秒后，机器人的两个夹爪开始移动。这一幕并非来自 Dream Labs 的剪辑演示，而是该公司向任何拥有浏览器的人开放的远程实验环境。它试图回答一个困扰机器人行业多年的问题：当硬件价格已经降到接近一台高端笔记本时，为什么让机器人真正干活仍然需要数月专家投入？
2026 年 10 月 19 日，Dream Labs 宣布完成 9000 万美元种子轮融资，并同步上线 Dream API。公司通稿称，这是首个公开可用的机器人基础模型 API，能够把机器人摄像头画面和一句英文指令直接转换为电机指令，即使这台机器人从未出现在模型的训练数据中。这个“零样本跨硬件”的说法构成了本轮融资最核心的技术叙事，也同时是争议与验证压力最集中的地方。
Dream Labs 由前 NVIDIA GR00T 机器人研究负责人于 2026 年创立，总部位于旧金山。公司通稿称，创始团队曾参与 DreamZero 与世界行动模型研究。本轮融资由 B Capital 与 Kindred Ventures 领投，A.Capital、Unusual Ventures、SV Angel、Wing VC、Scribble VC 及个人投资者 Adrian Aoun 等参投。值得注意的是，不同来源对领投方的表述并不完全一致：Businesswire 通稿称由 B Capital 领投、Kindred Ventures 参与，而 Pulse 2.0 与 The AI Insider 则称两家共同领投。Dream Labs 未披露本轮估值。
| 字段 | 内容 |
|---|---|
| 公司 | Dream Labs |
| 轮次 | 种子轮 |
| 金额 | 9000 万美元 |
| 投资方 | B Capital、Kindred Ventures 领投；A.Capital、Unusual Ventures、SV Angel、Wing VC、Scribble VC、Adrian Aoun 等参投 |
| 总部 | 旧金山 |
| 创始人 | Joel Jang（联合创始人兼 CEO）；前 NVIDIA GR00T 机器人研究负责人团队 |
| 官网 | dreamlabs.ai |
把“换机器人”变成“换租车”：Dream-1 想绕开关节指令的硬件绑定
Dream Labs 将 Dream-1 称为 World Action Model，即世界行动模型。据 Unite.AI 报道，其技术路径的核心不是直接输出每个关节的角度，而是联合预测视频与动作：模型同时预测场景将如何变化，并据此决定机器人下一步应该做什么。具体到控制接口，Dream-1 预测的是末端执行器位姿——每个夹爪的目标位置、朝向以及开合状态。各机器人自带的逆运动学求解器再把这些目标转换为自身关节可以执行的运动。
这个设计选择直接回应了跨硬件迁移中最棘手的关节异构问题。不同机械臂的关节数量、连杆长度、减速比和运动范围差异极大，针对某一型号训练的关节指令策略很难直接复制到另一台机器上。而末端位姿是一个相对通用的中间表示：无论关节结构如何，夹爪最终要到达的空间位置和姿态可以用统一的坐标描述。公司通稿称，Dream-1 使用三个摄像头视角——一个观察场景，两个分别安装在手腕上——来理解不同外观的机械臂和夹爪。
但末端位姿预测并不等于完整的运动控制。据 Unite.AI 报道，预测夹爪的目标位置并不能完全决定机械臂到达该位置的路径。障碍物、关节限位、逆运动学求解器的质量，以及不同机器人工作空间和动力学的差异，都可能影响最终表现。这意味着 Dream-1 的跨硬件能力在原理上成立，但在具体硬件上的实际表现仍取决于机器人厂商提供的底层控制质量。Dream Labs 没有披露其对合作伙伴逆运动学求解器的测试标准。
零样本的边界：27 种仿真形态与“相对 YAM 报告”意味着什么
Dream Labs 对零样本能力的公开评估值得仔细拆解。据 Unite.AI 报道，公司公开评估在仿真环境中测试了 27 种未见过的机器人形态，每种形态进行 300 次 rollout，结果相对于训练所用的 YAM 机器人报告。这里有两个关键限定：第一，评估发生在仿真环境而非真实硬件；第二，结果是相对分数而非绝对任务成功率。
“相对 YAM 报告”意味着，如果 YAM 机器人在某项任务上的表现本身较低，那么一个“接近 YAM”的相对分数并不能说明该任务在绝对意义上已经可用。Unite.AI 的报道明确指出，这些相对分数不应被混淆为绝对任务成功率，而且研究页面区分了完全完成任务与部分进展。公司通稿中“开箱即可零样本控制任何带夹爪的机器人”的表述，在评估数据面前需要被理解为一种能力方向声明，而非对所有任务和所有硬件的性能保证。
Dream Labs 自身也承认这一边界。据 Unite.AI 报道，Dream-1 仍为研究测试版，公司声明其未针对安全关键用途进行验证。当前零样本能力聚焦于带平行夹爪的双臂机器人，处理桌面级任务如抓取放置和折叠衣物。公司通稿称后续将支持轮式移动机器人和灵巧手，但未给出时间表。对于一家以“任何机器人都能用的脑”为口号的创业公司而言，这个“任何”的实际覆盖范围目前仍然相当有限。
每小时 3 美元的机器人智能：API 定价背后的算力账本
Dream Labs 的商业模式是纯软件服务。公司不自建机器人硬件，而是通过云端 API 按小时计费提供模型推理。据 Unite.AI 报道，Dream-1 定价为每小时 3 美元，轻量版 Dream-1-flash 为每小时 2 美元，每次模型调用返回 1.6 秒的动作。Tech Insider 的报道进一步推算，一台机械臂运行一个 8 小时班次，旗舰模型成本约为 24 美元；如果多台机器全天候运行，费用会快速累积。
这个定价结构透露了 Dream Labs 对自身成本结构的判断。机器人基础模型的推理比典型聊天机器人推理计算量更大，因为模型需要在近实时条件下生成连续的动作序列。旗舰版与 flash 版之间 1.5 倍的价差，暗示公司希望将 flash 定位为简单、低风险任务的默认选项，而将旗舰版留给对动作质量要求更高的场景。公司通稿称，新资金将主要用于算力基础设施，以扩展 Dream-1 可处理的任务与硬件范围，并提升支持更多用户的能力。
但每小时计费模式也带来一个商业化问题：如果机器人需要长时间连续运行，云端推理成本会直接转化为运营成本。对于利润率本就不高的中小型制造或仓储场景，这笔费用是否低于雇佣人工或购买传统自动化方案的长期成本，Dream Labs 尚未提供公开的客户经济性数据。公司通稿称已与 20 多家硬件合作伙伴合作，支持的机器人价格约在 2000 至 10000 美元之间，但未披露这些合作伙伴中有多少已经产生付费使用。
20 多家硬件伙伴与一个 2000 美元的公开案例
在 Dream Labs 公开的合作伙伴中，MakerMods 是唯一被具体引用的案例。MakerMods 联合创始人兼 CEO Ryan Chan 在公司通稿中表示，其客户购买机器人是为了制造东西，而最困难的部分一直是让机器人真正干活；接入 Dream-1 后，他们的机器人在几分钟内开始运行，并尝试了从未编程过的任务。MakerMods 销售 2000 美元的双臂机器人。
这个案例的价值在于它展示了 Dream Labs 的目标场景：低成本硬件厂商缺乏自研智能层的能力，而 Dream Labs 试图成为它们可以即插即用的“脑”。但单一案例无法回答规模化问题。20 多家硬件合作伙伴的完整名单未披露，其中有多少是类似 MakerMods 的小型套件厂商、多少是具备一定软件能力的成熟机器人公司，外界无法判断。B Capital 普通合伙人 Daisy Cai 在通稿中称，能干的机械臂价格已经从豪华车降到高端笔记本，现在需要的是智能；该团队在 NVIDIA 做过机器人学习领域的定义性工作。这是投资方的判断，而非独立验证。
Dream Labs 还推出了 Fine-tuning as a Service，允许开发者提交少量示范数据，在数小时内获得针对特定硬件或新能力的定制模型。据 Unite.AI 报道，公司展示了使用五分钟机器人特定数据完成适应的案例，但也有需要更多数据才能适应陌生末端执行器的案例。Dream Labs 承认，微调后的模型仍然优于零样本运行。这意味着，尽管零样本是 Dream-1 最响亮的卖点，实际部署中任务特定的数据收集可能仍然不可避免。对于追求“开箱即用”的客户而言，这是一个需要管理预期的现实。
500 万台工业机器人与一个未被验证的“通用脑”市场
公司通稿给出了一组市场背景数据：全球工厂运行着创纪录的 500 万台工业机器人，但几乎每台都为单一任务编程，所学无法迁移到另一台机器；低成本机器人售价已降至数千美元但出厂不带智能；训练一台机器人完成一项任务可能需要专家数月时间。这些数据来自公司通稿，未注明具体统计来源，Dream Labs 也未披露其引用的统计口径。
这个市场叙事指向一个真实存在的产业矛盾：机器人硬件商品化速度远快于软件智能的普及速度。传统工业机器人集成商模式依赖项目制交付，每个新任务都需要重新编程和调试，成本高、周期长。如果通用基础模型能够把新任务部署时间从数月压缩到数天甚至数分钟，其经济价值显而易见。但“如果”是这里的关键词。Dream-1 目前只处理桌面级操作任务，距离工业场景常见的移动操作、精细装配、力控作业还有明显距离。公司通稿称后续将支持轮式移动机器人和灵巧手，但这恰恰是技术上更难、安全要求更高的方向。
从竞争格局看，Dream Labs 并非唯一追逐机器人基础模型的团队。NVIDIA 自身的 GR00T 项目、OpenAI 的机器人计划，以及多家获得融资的专用机器人创业公司都在同一方向上投入。Dream Labs 的差异化在于它不制造硬件，只提供模型层，并且以公开 API 的形式让开发者直接测试。这种“纯软件层”定位在理论上可以覆盖多个硬件厂商，但也意味着它无法像垂直整合厂商那样控制端到端体验。如果底层硬件质量参差不齐，模型表现的上限会受到制约。
9000 万美元种子轮的资本逻辑：为算力而非为硬件买单
9000 万美元的种子轮在机器人软件领域属于异常大的规模。Tech Insider 的报道称，这是今年报道的种子轮中规模最大的之一，且公司唯一产品是“其他公司机器人可以借用的脑”。这个资本结构本身传递了一个信号：投资方押注的不是某一款机器人的出货量，而是跨硬件模型层的平台机会。
Wing VC 作为参投方之一，据 Tech Insider 报道曾发布自己的投资理由，将这笔交易描述为对通用机器人智能而非单一机器人设计的押注。这一判断与 Dream Labs 的纯软件定位一致。但平台逻辑的成立需要两个前提：第一，模型在足够多的硬件上表现出可迁移的实用能力；第二，足够多的硬件厂商愿意把智能层外包给第三方而非自研。目前 20 多家合作伙伴的存在说明第二个前提有初步迹象，但第一个前提仍处于研究测试版阶段。
资金用途的集中度也值得注意。公司通稿称新资金主要用于算力，而非硬件、销售或大规模客户成功团队。这意味着 Dream Labs 当前的首要瓶颈是模型能力本身，而非商业拓展。对于一个声称已经可以“零样本控制任何带夹爪机器人”的公司而言，把绝大部分资金投入算力，暗示其内部判断是模型能力仍需要大量扩展才能覆盖更广泛的任务和硬件范围。这与公司通稿中“后续将支持轮式移动机器人和灵巧手”的表述相互印证。
待验证的假设：从“能尝试任务”到“能可靠完成任务”之间的距离
Dream Labs 面临的核心风险不是技术路线错误，而是“尝试任务”与“可靠完成任务”之间的鸿沟。公司通稿中 MakerMods 的表述是机器人“在几分钟内开始运行并尝试了从未编程过的任务”——注意这里用的是“尝试”而非“完成”。Joel Jang 在通稿中也强调，公司提供的是“一个可以自己测试的工作模型，包括它的错误”。这种坦诚在创业公司中并不多见，但它同时暴露了当前产品的成熟度边界。
据 Unite.AI 报道，Dream-1 的公开评估在仿真中测试了 27 种未见过的机器人形态，性能在不同硬件间差异显著。这意味着“零样本跨硬件”在统计意义上成立——模型确实能在未见过的机器人上产生有意义的动作——但在单台具体硬件上的表现可能从“接近训练机器人”到“明显退化”不等。对于商业客户而言，他们关心的不是平均性能，而是自己那台机器人在自己那个任务上的成功率。Dream Labs 的微调服务提供了一个补偿路径，但这又回到了“需要任务特定数据”的传统范式。
另一个待验证假设是安全边界。Dream-1 未针对安全关键用途验证，当前聚焦桌面级操作。但桌面操作并非天然安全：折叠衣物涉及柔性材料处理，抓取放置涉及易碎品和潜在的人机协作场景。如果 Dream Labs 的目标是让低成本机器人在小型工厂、维修店甚至家庭中普及，安全验证的缺失会在规模化时成为瓶颈。公司通稿没有披露任何第三方安全评估或认证计划。
从已披露的信息看，Dream Labs 的推理链是清晰的：硬件价格下降创造了大量“无脑机器人”的存量，视频训练提供了跨硬件的表示基础，末端位姿预测提供了统一控制接口，API 计费提供了低门槛分发渠道。但这条链上每一个环节都带有未闭合的假设：视频训练能否覆盖足够多的操作任务类型，末端位姿预测能否在复杂环境中保持可靠，API 经济性能否在客户运营成本中站住脚，以及最重要的——零样本能力能否从仿真评估走向真实场景中的可重复表现。9000 万美元给了 Dream Labs 足够长的跑道去回答这些问题，但答案不会在种子轮阶段自动显现。
RecodeX 极客视：Dream Labs 的融资故事最有趣的地方，不是 9000 万美元的种子轮规模，而是它把机器人行业的瓶颈从“造更便宜的硬件”重新定义为“让已经便宜的硬件有脑可用”。但“任何机器人都能用的脑”目前还是一个被仿真评估和有限桌面任务包围的声明。真正的分水岭不在 API 上线的那一刻，而在第一个客户愿意为连续运行 30 天的机器人智能持续付费、且不要求工程师驻场调试的那一刻。在那之前，Dream-1 更像一个值得公开测试的研究假设，而非一个已经验证的产业答案。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。