英伟达核心团队出走，用9000万美金造出机器人的“通用大脑”

2026年10月20日，原英伟达GR00T人形机器人项目四位核心成员脱离英伟达正式创立的Dream Labs结束隐身期，宣布完成9000万美元种子轮融资。同一天，其首款产品Dream－1通用机器人基础模型通过API对外开放——注册后即可接入任意机器人硬件执行自然语言指令，定价每小时3美元（Pro版本）或2美元（Flash版本）。

这不是又一个AI创业故事。它标志着人形机器人产业一个长期悬而未决的问题第一次被商业化尝试触及。

机器人缺“脑子”的产业困局

全球工厂里运行着创纪录的500万台工业机器人，几乎每一台只为单一任务编程，学到的东西无法迁移到另一台机器上。

这构成了具身智能行业的“鸡和蛋”困境：一台机器人需要有用才能有人愿意买它，但让它有用的前提是拥有该本体专属的训练数据——而数据又只有在足够多人购买后才会出现。

过去六个月里，两件事正在改变这个死循环的计算方式。

第一，机器人硬件价格正快速下降。一套具备双臂机械臂能力的设备最低约2000美元，七款半人形机器人售价低于15000美元，这个价位层级一年前几乎不存在。Hugging Face推出的Microduck机器人标价399美元，首发四天内售出逾一万台。

第二，通用模型的突破性进展让“没有专属数据就无法启动”的假设被动摇。2026年2月，这支团队当时还隶属于英伟达，发布了被称为DreamZero的研究成果，首次提出“世界动作模型”（World Action Model， WAM）概念。他们用仅30分钟的YAM机器人数据做后训练，就实现了零样本泛化到未见过任务的惊人效果。

“如果30分钟就够了，那么‘没数据就没用、没用就没数据’的死循环就可能被打破。”联合创始人兼CTO葛云皓告诉媒体。这成为他们决定创业的触发点。

从视频中学会“跨本体”的技术路径

Dream－1的核心架构基于WAM——世界动作模型。与传统机器人控制模型输出关节角度（绑定特定硬件）不同，Dream－1预测的是末端执行器的位姿：夹爪应该去哪里、开还是关。任何配备双臂和平行夹爪的机器人共享这一接口维度，各自自带的逆运动学求解器将位姿转化为关节指令。

但仅靠接口统一不够。Dream－1真正关键的设计在于它的训练方式：通过在人类完成日常任务的视频上学习如何同时预测画面变化和执行动作，“控制一台机器人”和“想象这台机器人接下来会做什么”变成了同一个问题。

“头部相机看来，任何机器人都只是画面里移动的形状。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的样子，它就能生成到达那里的动作。”葛云皓向机器之心解释了这一机制。

这意味着——对于带平行夹爪的双臂机器人，Dream－1无需任何本体专属训练数据即可开箱即用。在仿真环境中测试的27种从未见过的机器人里，24种达到基线YAM机器人一半以上的表现，其中双臂PiPER达到91．2％。

谁在买单？机器人制造业的成本账

API模式给机器人制造商带来了全新的成本结构选项。

在公开第三方评测机构Robocurve发布的RoboDojo－RC Tier 1评测中，Dream－1每次任务尝试平均得分为59％，是首个突破50％大关的模型。与之对比，Claude Opus 5．5和Gemini 4 Argon各为48％，GPT－6 Astra为47％，而在专门针对机器人训练的MolmoAct2为19％、英伟达自家的GR00T N1．7为10％。

不只是分数更高。Dream－1单次任务尝试成本约0．15美元——比得分次高的Gemini 4 Argon低约16倍；平均用时1．4分钟，比最快的GPT－6 Astra（ultrafast配置）速度快1．7倍。每个模型在真实世界中均测试了120次。

这意味着什么？一家使用Dream API的中小型机器人制造商，每小时的智能推理成本可以控制在3美元以内，远低于自建模型所需的数千万美元GPU集群投入和数月数据采集周期。对于一个价格2000—15000美元的机器人来说，这笔运营开支微不足道。

但这笔钱流向哪里呢？Dream Labs本轮融资将主要用于算力扩展——支撑更大规模的模型训练和服务部署。B Capital合伙人Daisy Cai直言：“一台能干活的机械臂已经从豪车价格降到了高端笔记本价格，它现在缺的是智能。”

英伟达的算计：失去人才还是生态落子？

从英伟达出走的不止葛云皓一人。四位联合创始人分别来自GR00T项目的不同条线：CEO Joel Jang负责世界模型，首席科学家Scott Reed曾在DeepMind参与打造Gato和Genie，Chief Robot Officer You Liang Tan是ROS 2开源负责人。

这并非简单的“挖角式离职”。英伟达作为GPU巨头，其战略利益并不依赖于某一项具体算法的独占——而是所有机器人厂商最终依赖其芯片作为算力基础设施。通过加速行业标准化，推动“机器人操作系统层”的出现，英伟达反而获得了更稳固的护城河。

另一方面，Dream Labs的定位恰好填补了英伟达尚未完全覆盖的空间：GR00T项目仍在推进，但Dream－1选择以纯API形态面向全行业提供能力，包括英伟达的直接竞争对手。

局限与下一步

尽管成绩亮眼，Dream－1目前仍存在明显边界。

首先，性能取决于每台机器人逆运动学求解器的质量——这是硬件层面的瓶颈，软件难以绕过。其次，Dream－1只决定夹爪最终到达位置，不控制手臂运动轨迹，在障碍物密集或关节极限场景下可能出现异常。面对与已有数据差异极大的新型本体，模型可能预测出不可执行的动作。

此外，当前版本主要处理桌面级任务：抓取放置物体、折叠衣物等。轮式移动机器人和灵巧手支持尚在规划中。

“我们真正想要的是连那5分钟适配都不需要。零样本和一次适配之间的差距，就是我们接下来的工作。”葛云皓说。Beta合作已有超过20家硬件商，分布在深圳比特机器人、上海智元机器人、首尔KAIST、巴黎Hugging Face、旧金山Scale AI等九个国家站点自主运行。

Joel Jang强调：“我们不给大家看剪辑过的demo，而是给大家一个可以自己测试的、真正能用的模型，连同它的错误一起。”

从零样本到可靠部署之间仍有巨大鸿沟，但这支团队交付了一份可以被亲手检验的答卷——无论你是否看好，行业规则已经变了。

后续关注的五个指标

一、Dream API的月度活跃开发者数量和付费转化比率，这决定商业模式是否成立；二、20家Beta合作伙伴中哪些能率先推出商用产品以及销售时间表；三、GPT－6等通用大模型是否在机器人控制赛道追加投入，挤压Dream－1的差异化空间；四、Dream Labs能否维持低于0．20美元的单次任务推理成本以形成竞争壁垒；五、下一轮融资的时间点和估值变化，这将反映资本市场对具身智能赛道的真实热情。