Dream Labs深度：英伟达DreamZero团队出走创业，9000万美元押注机器人通用大脑

10月19日，前英伟达GEAR实验室DreamZero团队创办的Dream Labs正式结束隐身，宣布完成9000万美元种子轮融资，并发布了首款模型Dream-1。这家成立仅半年的公司，从诞生之日起就带着浓厚的英伟达机器人基因，其技术路线和团队背景值得深挖。

四个英伟达机器人核心成员，凑齐一桌创业

Dream Labs的创始团队几乎是英伟达机器人研发线的原班人马。CEO Joel Jang此前负责英伟达GR00T项目中的世界模型研究，深度参与了DreamGen、DreamZero等核心项目。他的核心关注点一直是泛化能力，也就是让机器人在新任务、新环境、新硬件上都能跑起来，而不是只能在实验室里重复固定动作。

首席科学家Scott Reed，是Google DeepMind多模态模型Gato论文的第一作者，加入英伟达前在DeepMind做了多年生成模型与控制研究，到英伟达后成为GEAR团队成员，参与GR00T机器人模型研发。这个人选说明团队在"通用基础模型"方向有长期积累，不是半路转行做机器人。

CTO葛云皓，南加州大学博士、斯坦福访问学者，在英伟达负责GR00T视频模型，参与构建了Cosmos世界基础模型系列（包括Predict、Transfer、Policy三个方向）。他的研究方向横跨视频生成与世界模型，正是WAM技术路线的核心推动者。

Chief Robot Officer You Liang Tan，负责把模型接到真实机器人上。他曾主导Isaac GR00T N1.x的开源工作，更早之前参与过ROS 2和Open-RMF等机器人基础软件开发。他的角色确保模型不只是跑分好看，还能真正落地到硬件。

四个人的背景覆盖了从基础模型、视频理解到机器人系统的全链条。这种组合在具身智能创业公司中不多见，大多数团队要么偏模型、要么偏硬件，Dream Labs算是"模型+系统"都补齐了。

从DreamGen到Dream-1：世界动作模型的三步演进

Dream Labs的技术路线有一条清晰的演进脉络。最早是DreamGen，从视频世界模型中提炼机器人策略，本质上是"看视频学动作"。然后是2026年2月发布的DreamZero，首次明确提出世界动作模型（WAM）的概念。WAM跟传统世界模型的区别在于，它不只预测接下来的画面，还同时预测机器人该做什么动作，两件事在同一个模型里完成。

DreamZero当时最让人意外的结果是，只需要30分钟的特定机器人操作数据做微调，就能零样本泛化到没见过的任务上。过去这往往需要数百甚至上千小时的专属训练数据。如果30分钟就够用，那机器人行业长期存在的"没有数据就没法训练、没法训练就不好用、不好用就没人买、没人买就没有数据"这个死循环，就有被打破的可能。团队正是看到了这一点，决定离开英伟达出来创业。

Dream-1是这条路线的产品化落地。它的核心改进是跨本体能力，模型输出的是末端执行器的位姿（夹爪去哪里、怎么开合），而不是某台特定机器人的关节角度。不同品牌、不同结构的机械臂，只要能把"夹爪目标"换算成自己的关节运动，就能用同一个模型。团队在27种训练中从未见过的机器人上做了仿真测试，包括宇树R1、Baxter、双臂UR5e、ALOHA等，其中24种达到了基准性能的50%以上，最高的双臂PiPER达到了91.2%。

在第三方评测机构Robocurve的RoboDojo-RC Tier 1实测中，Dream-1平均每次任务得分59.3%，是当前公开模型配置中第一个突破50%的，超过了Claude Opus 5.5（48%）、Gemini 4 Argon（48%）和GPT-6 Astra（47%）等通用大模型。

9000万美元种子轮，资本为什么押注"具身大脑"

本轮9000万美元种子轮由B Capital领投，Kindred Ventures、A.Capital、Unusual Ventures、SV Angel、Wing VC、Scribble Ventures以及Adrian Aoun等跟投。天使投资人阵容也值得关注，包括Hugging Face联合创始人兼首席科学家Thomas Wolf、前Google Android副总裁Dave Burke、前腾讯CXO David等。

B Capital合伙人Daisy Cai在声明中说了一句话很能代表资本逻辑："一台能干活的机械臂，已经从豪车的价格降到了高端笔记本的价格，它现在缺的是智能。"这个判断指向一个趋势：机器人硬件正在快速降本，一套双臂机械臂最低约2000美元，低于1.5万美元的半人形机器人也越来越多。硬件不再是瓶颈，真正的瓶颈变成了"大脑"，也就是让机器人理解任务、适配环境的智能层。

资本押注的核心逻辑是数据飞轮。过去机器人公司每家各训各的模型，数据不通用、能力不迁移，导致每一款新机器人都要从零开始积累数据。如果有一个通用的"机器人大脑"API，任何硬件厂商都能接入，那使用量上来之后，数据积累速度会远超单一公司自己训练。模型越强，接入的硬件越多；硬件越多，数据越多；数据越多，模型更强。这就是资本愿意在种子轮就给出9000万美元的原因，他们赌的不是一款模型，而是一个可能成为行业基础设施的"大脑层"。

鸡蛋问题与行业意义

机器人行业长期存在一个"鸡蛋问题"：机器人要先有用才有人买，想有用就需要大量数据来训练，但数据只有在足够多人使用之后才会产生。没有数据就没法训练，没法训练就不好用，不好用就没人买，没人买就没有数据。这个死循环卡住了整个行业很多年。

Dream Labs试图用通用模型从侧面切入：让机器人先借助通用大脑"能干一部分活"，即使不是完美的，至少能跑起来；跑起来之后，实际使用中积累的数据可以反哺模型迭代。这条路的核心假设是，零样本能力足够好的话，机器人厂商可以把更多资源放在硬件和场景开发上，不必为每款设备重复建设整套训练体系。

不过也要冷静看到局限。Dream-1目前主要覆盖桌面级双臂平行夹爪操作任务，不覆盖移动底盘、人形行走、灵巧手操作和全身控制。模型输出的是夹爪目标位姿，不直接规划手臂路径，遇到障碍物或关节限位时可能给出无法执行的目标。从评测的59%得分到真实工厂环境中长期稳定运行，中间还有相当的距离。

竞品方面，Physical Intelligence（PI）也发布了类似的机器人基础模型API，但尚未公开定价；英伟达GR00T聚焦人形机器人生态；Google DeepMind的Gemini Robotics则在探索视觉、语言与机器人行动的结合。Dream Labs的差异在于商业交付方式：把机器人控制能力封装成按小时计费的API，每小时3美元起，并通过FaaS（微调即服务）补足新硬件和新任务的适配需求。

具身智能的"大脑之争"才刚拉开序幕。Dream Labs的起点不低，但能不能从实验室走到产线、从演示走到长期稳定，还要看接下来半年到一年的真实场景验证。资本已经下注，市场在等答案。