过去，机器人想干活，先要被人反复教。
现在，Dream Labs 说，给一台新的双臂机器人接上 API，它就能开始执行任务。
不用微调，不用这台机器人的演示数据，也不用机器学习专家。
这家公司刚走出隐身模式，宣布拿到 9000万美元种子轮，并把 Dream-1 通过公开 API 放给全球用户。
Dream Labs 把这称为迈向通用机器人智能的重要一步。
如果官方描述成立，机器人行业最贵的一道门槛，可能被直接拆了。
但评论区也很快泼来冷水。
机器人真正卡住的，从来不只是机械臂
机器人行业有一个老问题。
机器人要先有用，才有人买。
可要让它有用，又需要这台机器人自己的数据。
数据从哪来？
得先有足够多的人用它。
这就是典型的先有鸡还是先有蛋。
自动驾驶绕开了这个坑。
车一开始就能被人开上路。大量人类司机每天开车，顺手把数据喂给了模型。
大多数机器人没有这个待遇。
它们出厂之后，往往要先在实验室里被反复训练，才能学会一点基础动作。
Dream Labs 的判断是，两个变量正在变化。
第一，机器人硬件越来越便宜。
第二，模型可能不再依赖某一台机器人的大数据。
如果模型能零样本泛化到没见过的环境、任务，甚至机器人，新机器人就能带着能力出厂。
个人觉得，这个判断比单纯展示一段机器人视频更关键。
因为它想解决的，不是某台机器人会不会叠衣服。
它想把整个机器人数据飞轮转起来。
便宜机器人先爆发，数据才会跟着来
数字先摆出来。
一套可用的双臂机器人方案，最低大约 2000美元。
7款半人形机器人，价格已经低于 1.5万美元。
这个价位段，一年前几乎不存在。
更夸张的是 Hugging Face 的 399美元 Microduck。
8月底发布后，4天卖出超过 10000台。
它的主要工作，按素材描述，是走路、摇摆、滑旱冰，可爱就够了。
企业买家看表格。
成本、速度、可靠性，算不过来就不买。
消费者不一样。
只要足够便宜，足够有趣，就可能下单。
Dream Labs 认为，真正能启动普及的，未必是工厂里的大型自动化设备。
可能是消费者、创作者、小团队手里的便宜机器人。
等机器人便宜到可以轻松买回家，又有足够能力做一点实事，采用就会开始复合增长。
每一台进入家庭的机器人，都可能变成新的训练数据来源。
素材里甚至提到一个画面：两只 Microduck 用喙当夹爪叠衣服。
老实讲，这个画面有点怪，也有点可爱。
但它指向一个很现实的问题：机器人数据的入口，可能不在实验室，而在客厅。
30分钟数据，让团队决定创业
Dream Labs 的起点，是2026年2月发布的 DreamZero。
那篇论文提出了 World Action Models，也就是 WAMs。
之后，社区把 WAMs 看作机器人学习里很有潜力的路线。
真正让团队意外的，是一次后训练结果。
他们只用 30分钟 YAM 机器人数据 对 DreamZero 做后训练。
随后，模型零样本泛化到一些它从未见过的任务。
这类泛化，过去通常需要数百甚至数千小时的具身特定数据。
如果30分钟数据，就能把通用任务知识迁移到一台机器人身上，打破冷启动循环就不再只是口号。
于是，团队决定成立 Dream Labs。
6个月后，他们拿出了 Dream-1。
官方给出的说法很直接：它能控制未见过的机器人，在未见过的环境里，执行未见过的任务。
它怎么控制一台从没见过的机器人
很多机器人策略输出的是关节角度。
这意味着模型和某一台机器人的身体强绑定。
Dream-1 也能为原生支持的具身输出关节角。
但它还能预测末端执行器位姿。
简单说，就是告诉机器人：两个夹爪应该在哪里，应该张开还是闭合。
所有带双臂和平行夹爪的机器人，都共享这个动作空间。
机器人自己的 IK 解算器，再把这些位姿转成关节命令。
这一步，让 Dream-1 有了一个可以命令不同机器人的公共接口。
但光有接口还不够。
Dream-1 通过三个摄像头看世界。
一个头部视角，两个手腕视角。
此前的 Universal Manipulation Interface 研究证明，如果所有机械臂使用相同夹爪，策略只看手腕摄像头，也能跨机械臂零样本迁移。
因为从手腕视角看，大家长得差不多。
限制也很明显。
夹爪硬件必须完全一致，而且会放弃头部摄像头提供的全场景信息。
WAM 试图绕开这个限制。
它同时预测视频和动作。
控制机器人，和想象机器人接下来会做什么，变成了同一个问题。
在模型眼里，每一台机器人都是像素。
头部摄像头看到 UMI 夹爪、普通两指夹爪，或者一条从未见过的机械臂，都只是场景里移动的形状。
视频，成了所有机器人共享的表示方式。
如果 Dream-1 能预测机器人完成任务时应该呈现什么画面，它就能给出达到目标的动作。
官方称，Dream-1 已经能零样本控制很多双臂平行夹爪机器人。
甚至包括18年前发布的 PR2 通用双手机器人。
而且这些演示没有使用对应具身的特定数据。
不过，素材也承认，零样本表现部分依赖机器人自己的 IK 解算器，不同机器人效果不同。
跑分很猛，价格也很像 API 生意
发布前，公益公司 Robocurve 对 Dream-1 做了独立评估。
按照素材说法，Dream-1 在机器人控制上形成了新的 Pareto 前沿。
它的得分高于 Opus 5.5 和 Gemini 4 Argon。
每次任务尝试成本比 Gemini 4 Argon 低 16倍。
速度比素材中提到的最快 LLM GPT-6 Astra 快 1.7倍。
Dream Labs 的观点很明确：当前 LLM 擅长规划，但机器人还需要一个快速、通用的行动系统。
Dream-1 就是这个 System 1。
价格也很 API 化。
Dream-1 每小时3美元。
Dream-1-flash 每小时2美元。
每次调用返回1.6秒动作。
一小时约2250次调用。
折算下来，Dream-1 每次动作约 0.0013美元，flash 约 0.0009美元。
如果某个任务零样本做不好，还可以用 FaaS，也就是 Fine-tuning-as-a-Service。
用户在自己的机器人上收集一点数据，交给平台微调。
素材展示了两家合作伙伴机器人各采集 5分钟数据 的延时画面。
适配后，Dream-1 对机器人的可用性和运动学理解会更好。
在12台 FaaS beta 合作伙伴机器人中，微调提升了10台的语言跟随分数。
但单次适配仍然优于零样本，说明差距还在。
有些机器人离 Dream-1 已知的具身更远。
比如 Dexmate 配 Sharpa 灵巧手，用灵巧手替代夹爪抓取，需要 77分钟数据。
YAM 换上顺应夹爪和改良刀夹爪后，需要 98分钟数据。
Dream Labs 还给出了一个商业化想象：任何人有机器人，都可以像前置部署工程师一样，找到任务，收集数据，适配模型，然后部署。
如果有人愿意为机器人完成的任务付费，每小时成本以上的收入归用户。
评论区不买账：这是通用智能，还是融资叙事
热门评论里，质疑不少。
有人觉得，Dream Labs 并不像 Anthropic 或 OpenAI 那样知名，Dream-1 也不是大家期待已久的发布，却得到了类似重大 LLM 发布的待遇。
也有人承认很酷，但很难把它和自己熟悉的自动化、制造、仓储工作联系起来。
还有人判断，这一页内容更像是给投资者看的，而不是给客户看的。
也有安全层面的担心：如果一个第三方模型能控制家里的机器人，这件事本身就值得警惕。
还有观点认为，应该先让一台机器人可靠做事，再谈泛化。
还有评论戳向飞轮逻辑：这套策略依赖人们把机器人用在真实世界任务里，但演示看起来还做不到。
这些声音不能代表全部事实。
但它们提醒了一个关键点。
零样本很惊艳，可靠干活是另一回事。
通用能力很性感，商业落地要看成本、稳定性和场景。
说实话，我个人也不太认同把机器人智能完全押在云端 API 上。
家里一台机器人，如果动作决策都要交给第三方服务，网络、隐私、安全、费用，每一个都是现实问题。
Dream-1 真正押注的，是机器人数据的入口
Dream-1 今天还只是面向双臂平行夹爪机器人的操作策略。
官方也承认，它有真实限制。
未来，Dream Labs 希望把这类基础模型扩展到移动操作器、灵巧手，甚至还没被想象出来的身体形态。
这条路并不保证成功。
机器人行业仍然很难。
每个新机器人、新任务，都可能要新数据和定制策略。
但 Dream-1 的野心很明确。
它想把机器人智能从实验室和工厂里抽出来，变成一个可以被普通人调用的 API。
如果硬件足够便宜，模型足够通用，用户足够多，数据飞轮就可能开始转。
到那时，机器人公司的竞争重点，也许不再只是谁的机械臂更灵活。
而是谁能最早拿到真实世界里的动作数据。
问题是，当一台便宜机器人走进家庭，你愿意让一个云端大脑控制它吗？
【锐评】：Dream-1讲了一个好故事，但机器人能不能真正干活，还得看真实世界，不看演示。
参考链接：
https://dreamlabs.ai/research/dream-1/