一台 18 年前造出来的双臂老机器人 PR2 站在实验室里。给它接上刚发布的 Dream-1 接口，它立刻伸出平行夹爪完成了抓取和摆放。研发团队手里关于这台老古董的训练数据，整整是零。
2026 年 10 月，初创公司 Dream Labs 宣布完成 9000 万美元种子轮融资，正式走出隐身状态。他们向全球开发者开放了通用机器人控制模型 Dream-1。这家公司要把机器人的「大脑」和「身体」拆开；他们打算用一套通用策略，去指挥从未见过的机械躯壳。谁能让机器人在开机第一天就干活，谁才能解开具身智能行业卡了十年的死结。
18 年老古董开机就干活，训练数据是零
传统机器人编程像教木偶演戏。工程师换一台新机器，电机扭矩、关节长度和摄像头视角全都变了；哪怕只是换个品牌的机械臂，整套控制代码和动作模型都得推倒重来。要想培养一个能抓起水杯的机器人，往往得先让人类操作员带着同款机器录上几千条示范轨迹。
Dream-1 直接跳过了这套繁琐流程。官方给出的承诺很直接：只要是一台带平行夹爪的双臂机器人，对着 API（应用程序编程接口）文档接好线，马上就能动起来。整个过程免去了模型微调（fine-tuning），也省掉了专属机型的演示数据，连机器学习专家都不需要请。
PR2 的测试结果成了全场最硬的证据。这台早在 18 年前问世的研究型双臂机器人，机械结构与今天的轻量化机械臂相差甚远；Dream Labs 的数据库里更没有存过半条 PR2 的动作记录。没见过旧机器的模型能直接接管老硬件，证明控制策略开始脱离具体躯体的束缚。
图：Dream-1 发布演示画面。来源：Dream Labs
硬件跌破 2000 美元，机器人却困在死循环里
过去两年，机器人硬件的价格跳水速度超出了所有人的预期。MakerMods 推出的 Maker Arm 双臂方案，起步价已经压到了 2000 美元左右；市面上更有 7 款半人形机器人的售价跌破了 15000 美元大关。2026 年 8 月 28 日，开源社区 Hugging Face 开启 399 美元桌面机器人 Microduck 的预售；短短 4 天内，这台小机器就卖出了超过 10000 台。
几千美元就能买回家的铁疙瘩遍地都是，真正能帮人干活的却寥寥无几。机器人行业长期困在一个死循环里：缺少真实场景数据，模型就不好用；机器不好用，客户就不掏钱买；没人买单开机，企业就更攒不到数据。硬件造得再便宜，买回去只会原地发呆，终究只是一堆昂贵的金属摆件。
自动驾驶行业当年也撞上过同一堵墙。辅助驾驶真正立住脚跟的分水岭，在于车辆交到车主手里的第一天就能帮着跟车和保持车道。先让车子在路上跑起来，海量路况数据才会顺着车轮流回数据中心。通用策略的价值在于帮机器人跨过冷启动门槛；它把「先攒数据再干活」变成了「先上岗干活再攒数据」。
30 分钟学会新动作，通用大脑开始挑大梁
为什么以前的模型换个身体就成了「植物人」，Dream-1 却能无缝接管？秘密藏在它的前作与视觉动作表征设计里。2026 年 2 月，团队在上一代成果 DreamZero 中提出了世界动作模型（World Action Models，简称 WAMs）。模型在内部建立了一个物理世界规律的推演沙盘；它看到的是一只杯子要往左移动 10 厘米，至于用哪根机械臂去推，只需根据当前夹爪位置实时换算。
当时 DreamZero 只用了 YAM 机器人的 30 分钟数据做后训练（post-training），就零样本泛化到了从未见过的新任务上。30 分钟只够人类操作员喝杯咖啡、录几十个简单动作；传统强化学习在这么短的时间里连热身都没做完。后训练数据量压缩到半小时级别，说明底层模型已经吃透了通用的物理交互规律。
这套技术栈还吸收了学术界近两年的三块关键拼图。第一块是 2024 年机器人科学与系统会议（RSS 2024）发布的通用操作接口 UMI（Universal Manipulation Interface）夹爪；它把不同机器人的末端统一成标准夹爪视角，相当于给千奇百怪的机械手戴上了同款手套。第二块是潜动作预训练技术 LAP（Latent Action Pretraining，arXiv 2602.10556），能从海量人类视频里提取出与具体机械结构无关的动作意图；第三块则是 RoboCurve 在 2026 年 10 月 18 日开源的 RoboDojo-RC 一级基准（CC BY 4.0 协议），为跨形态控制提供了标准化考场。
图：Dream-1 研究页主视觉。来源：Dream Labs
全球 12 个测试点连线，像调接口一样调双臂
为了证明这套方案能在实验室外面跑通，Dream Labs 搞了一场跨越大洲的实测。除了公司内部的 18 次运行测试外，他们还把 API 发给了全球 12 个外部合作与测试点。亚洲点位包括深圳 BitRobot、上海智元机器人（AgiBot）、首尔韩国科学技术院（KAIST）、新加坡 Cortex、吉隆坡 Eastworld 和雅加达 XDOF；欧美及加勒比地区则涵盖了巴黎 Hugging Face、旧金山 RoboCurve 与 Scale AI、洛杉矶 Robo Inc.、纽约 Mecka 以及加勒比 Anvil Robotics。
这 12 家机构手里的机器人五花八门，关节自由度、控制频率和相机安装位置各不相同。以前要把一套算法部署到这 12 个地方，算法团队得派工程师驻场好几个月，挨个标定参数、重新采集数据。现在各地团队只靠远程调用同一个 API，就让各自的机器手臂动了起来。
这种交付方式把具身智能拉进了软件工程的轨道。当年软件行业用云端接口屏蔽了底层服务器差异；今天 Dream-1 试图用动作接口屏蔽机械公差与构型差异。跨形态 API 一旦跑通商业模式，中小硬件厂商就能省下上千万美元的自研算法开支。
演示视频能跑通，距离工厂量产还隔着三道坎
9000 万美元的巨额种子轮和惊艳的演示背后，冷水也得泼在明处。目前关于 Dream-1 零样本跨形态泛化的全部证据，都来自厂商自测与 12 个合作点位的展示。技术报告里没有划出清晰的失败边界；遇到反光金属件、透明玻璃杯或柔性布料时，免微调策略的抓取成功率会掉到多少，外界还看不到硬核的统计表格。
测试环境的独立性同样需要打个问号。那 12 个外部测试点里，究竟有几个是合作方在日常杂乱环境中随手布置的盲测？又有几个是为了配合发布而精心打光、挑选物体的摆拍？在机器人领域，受控演示（demo）拿满分、进场实测不及格的例子比比皆是。
从「能动起来」到「能进工厂替人干活」，中间还隔着整条工程链的鸿沟。工业流水线和家庭服务要求连续几千次操作不出错；云端 API 的网络延迟、双臂协同的毫米级精度、突发碰撞时的力控安全保护，每一项都是啃骨头的硬仗。
但 Dream-1 依然撕开了一道关键口子。它把机器人行业从「为每一具身体重造一颗大脑」的泥潭里拽了出来，证明通用策略可以直接驱动陌生机体。全世界的低成本机械臂只要在插上电源的第一天就能开始抓东西，那个困扰行业多年的「数据荒」死循环，才算真正迎来了破局的起点。
参考链接：
- Dream Labs 官方发布与技术研究页
- DreamZero: World Action Models 技术报告
- LAP 潜动作预训练论文 (arXiv 2602.10556)
- UMI 通用操作接口论文 (RSS 2024)
- RoboCurve RoboDojo-RC 一级基准文档
