1天前 从英伟达出走的四个人，把机器人大脑干到3美元一小时

出品：人形机器人场景应用联盟

全球工厂里运转着数以百万计的工业机器人，它们被训练得极其擅长某一项单一任务，但学到的东西几乎无法迁移到另一台机器上。与此同时，机器人硬件正在以前所未有的速度变便宜——一套双臂机械臂的最低门槛已经降到两千美元级别，半人形机器人的价格也在持续下探。问题在于，这些越来越便宜的硬件出厂时几乎都没有“大脑”。教一台机器人做一件新事，仍然需要专家耗费数月时间从零开始调教；换一个任务、换一台本体，一切推倒重来。

这个“有身体、没脑子”的死循环，正在被一种从互联网行业借来的商业模式正面撞击。一支来自英伟达机器人研究核心团队的创业公司，刚刚把“机器人大脑”做成了一个按小时计费的API服务，定价3美元一小时，并且宣称可以对训练中从未见过的机器人开箱即用。硬件归硬件，大脑归大脑，两者在商业合同里被拆成了两件可以分开采购的东西。

01.

从GR00T出走的四个人，和一笔9000万美元的种子轮

Dream Labs的故事起点在英伟达。这家公司的创始团队来自英伟达GR00T人形机器人项目的核心研究力量，联合创始人兼CEO Joel Jang此前在英伟达GEAR Lab主导世界模型方向的研究，联合创始人兼CTO葛云皓则是DreamZero工作的核心作者之一。DreamZero在2026年2月提出时，做了一件在当时看来有些反直觉的事：不是用大量真机数据去训练一个绑定特定硬件的控制模型，而是让模型从视频里同时学习“世界接下来会发生什么”和“机器人应该做什么动作”。这项研究后来被归纳为“世界动作模型”（World Action Model，WAM），如今已经成为具身智能领域最受关注的路线之一。

促使团队决定创业的，是一个具体的实验结果。在那次实验中，他们只用了30分钟的YAM机器人数据做后训练，模型就实现了对未见任务的零样本泛化。30分钟。如果这个量级的数据就足以启动，那么“没有数据所以没人买、没人买所以没有数据”的循环，至少在理论上出现了松动的可能。

2026年10月，Dream Labs结束隐身，宣布完成9000万美元种子轮融资，B Capital领投，Kindred Ventures、A.Capital、SV Angel、Wing VC等机构跟投。同日上线的Dream API，被公司定义为“全球首个开放给公众的机器人大脑API”。开发者注册之后，把机器人的摄像头画面和自然语言指令接入API，模型返回的是末端执行器的位姿和夹爪开合指令，而不是绑定某一特定硬件的关节角度。旗舰模型Dream-1定价每小时3美元，轻量版Dream-1-flash每小时2美元。目前已有二十多家硬件厂商加入合作，支持的双臂机器人整机价格集中在两千到一万美元区间。

02.

卖的不是“聪明的模型”，而是跨本体的动作接口

理解Dream-1的定价逻辑，需要先看清它到底在卖什么。

大多数具身模型的输出是关节角度，这意味着模型和本体的运动学结构深度绑定。换一台机器人，自由度数量、连杆长度、关节限位全部改变，模型学到的动作序列几乎无法直接迁移。Dream-1绕开了这个问题：它输出的是末端执行器的位姿——夹爪应该去哪里、张开还是闭合——然后由机器人自带的逆运动学求解器把位姿翻译成关节指令。对于所有配备平行夹爪的双臂机器人来说，这个接口维度是共享的。模型不需要知道它正在控制的是哪一款产品，只需要知道画面里发生了什么、目标在哪里、手应该伸向何处。

这套设计的效果可以在公开评测里看到轮廓。第三方机器人评测机构Robocurve发布的RoboDojo-RC Tier 1评测中，Dream-1的单次任务平均得分为59%，是首个突破50%的模型；作为对照，Claude Opus 5.5和Gemini 4 Argon分别为48%，GPT-6 Astra为47%，而专门针对机器人训练的MolmoAct2为19%。更值得注意的指标是成本：Dream-1单次任务尝试的成本约为0.15美元，比得分次高的模型低出约一个数量级，平均完成时间1.4分钟。在27款训练中从未见过的仿真机器人上，24款达到了基线机器人一半以上的表现，其中一款双臂PiPER达到了91.2%。

葛云皓对此有一个简洁的解释：从头部相机的视角看，任何机器人都只是画面中移动的形状。视频是所有机器人共享的表示。只要模型能预测出新机器人完成任务时画面应该是什么样，它就能反推出到达那里的动作。

这解释了为什么Dream Labs敢于把价格压到按小时计费。它卖的不是“一个更聪明的模型”，而是一套跨本体的动作抽象层。模型本身仍然在云端运行，机器人端只需要提供摄像头画面和基础状态，推理结果以位姿指令的形式返回。对于一家只造硬件、不养算法团队的本体公司来说，这意味着它不需要从零搭建数据采集、模型训练和跨硬件适配的全套能力，就可以让自己的机器人获得“听懂自然语言、执行桌面操作”的基础能力。

03.

大脑云化不是Dream Labs一家的赌注，但路线正在分叉

把“机器人大脑”做成托管服务，Dream Labs不是第一个。10月中旬，Physical Intelligence（PI）开放了Pi API测试版，提供模型微调和云端推理能力，开发者上传自己的任务数据，在PI的算力和基础设施上训练适配模型，再通过API调用驱动机器人执行任务。PI的路径更接近“模型即服务”的经典叙事：你带着数据和硬件来，我帮你把模型调到能用。

Dream Labs的差异化在于它把“零样本”放在了商业合同的最前面。PI API的核心动作是微调，Dream Labs的核心承诺是开箱即用——对于标准双臂加平行夹爪的机器人，不需要任何本体专属数据就可以开始执行拾取、放置、叠衣服等桌面操作任务。如果任务还不够好，再提交五分钟的演示数据进行微调，几小时内拿到定制端点。这个顺序的颠倒很关键：先让机器人动起来，再决定要不要为特定场景付费优化，而不是反过来。

但这条路线面临的现实约束同样清晰。云端推理的延迟是第一个硬门槛。机器人在真实物理环境中的闭环控制对响应时间极其敏感，端到端延迟超过百毫秒级别，抓取和放置的流畅度就会明显下降。Dream Labs的模型部署在全球多个数据中心，但对于需要高频力反馈调整的任务，云端往返的通信开销仍然是一个无法回避的变量。Dream-1目前的定位也明确标注为“研究测试版”，公司承认尚未通过安全关键场景的验证。

第二个问题是数据归属。当一家本体公司把自己的机器人接入第三方大脑API，机器人运行过程中产生的视觉画面、操作轨迹和失败案例，在合同层面归谁所有？这些数据是否会被用于改进一个可能服务于竞争对手的通用模型？对于有长期具身智能战略的本体厂商来说，这不是一个可以轻率回答的问题。

在中国市场，这个矛盾可能更加突出。国内具身智能生态中，大脑与本体深度绑定的倾向相当明显——模型公司与本体公司往往以联合开发、战略投资或同一集团内部协作的方式推进，纯粹的“模型层对外开放、本体层自由接入”的第三方API模式，尚未形成规模化的商业验证。延迟要求、数据主权和生态站位三重因素叠加，使得“大脑云化”在中国落地时面临的不是单纯的技术问题，而是产业组织方式的路径选择。

04.

结语

Dream Labs的3美元一小时，真正提出的问题不是“这个价格能不能覆盖成本”，而是一个更根本的产业分工问题：机器人的大脑，应该由每一家本体公司各自从头训练，还是应该像云计算一样，由少数平台提供、按需调用？

如果后一条路走通，本体公司的竞争焦点会进一步向机械可靠性、制造成本和场景适配收敛，算法能力不再是每家必建的内功。如果走不通，大脑与本体的深度耦合仍然会是主流，API模式则退居为中小硬件厂商和科研场景的补充选项。两条路线都有各自的逻辑，也都有各自需要证明的东西。Dream Labs用一笔种子轮和一组公开定价，把这场路线之争从论文和发布会搬进了真实的商业合同里。接下来需要回答的，是那些接入API的机器人，在连续运行一千小时之后，是否还愿意续费。