Dream Labs مدل Dream-1 را برای کنترل ربات‌های ناشناس با API عمومی منتشر کرد

یک مدل واحد اکنون می‌تواند ربات‌هایی را هدایت کند که هرگز ندیده است. Dream Labs امروز Dream-1 را با ۹۰ میلیون دلار سرمایه‌گذاری اولیه منتشر کرد تا مشکل مرغ و تخم‌مرغ داده‌های رباتیک را بشکند.

رباتیک دهه‌ها در یک حلقه گیر کرده بود. یک ربات باید مفید باشد تا کسی بخرد، اما مفید شدن داده از همان ربات می‌طلبد. آن داده‌ها هم فقط زمانی بوجود می‌آیند که تعداد زیادی از آن ربات در دست کاربران باشد. خودران‌های خودران این دام را شکستند چون از روز اول حتی بدون خودمختاری مفید بودند. میلیون‌ها راننده داده تولید کردند که مدل‌های قدرتمندتر را آموزش داد. بقیه ربات‌ها این شانس را نداشتند.

اکنون دو عامل این معادله را تغییر می‌دهند. اول، سخت‌افزار ربات ارزان شده تا به دست nhiều‌ها برسد. یک بازوی دو‌بازویی قادر اکنون می‌تواند تنها ۲۰۰۰ دلار بکشد. در انتهای منحنی قیمت، Microduck شرکت Hugging Face با قیمت ۳۹۹ دلار در چهار روز بیش از ۱۰ هزار واحد فروخت. دوم، یک ربات شاید دیگر نیازی به داده‌های انبوه اختصاصی نداشته باشد قبل از اینکه مفید شود. اگر مدلی بتواند صفر-شات (Zero-shot) به محیط‌ها، وظایف و حتی ربات‌های ناشناس تعمیم یابد، ربات جدید می‌تواند از روز اول قابلیت‌های مفید داشته باشد. ارزان شدن سخت‌افزار رباتیک، همان گونگی است که Destro AI در لجستیک از آن بهره می‌برد.

Dream Labs ریشه در فوریه ۲۰۲۶ دارد وقتی تیم DreamZero را منتشر کرد، مقاله‌ای که مدل‌های عمل جهانی (WAM) را معرفی کرد. جامعه محققان از آن زمان WAMها را یکی از امیدوارکننده‌ترین پارادایم‌های یادگیری رباتیک پذیرفت. لحظه شکست زمانی آمد که پس‌آموزش DreamZero روی تنها ۳۰ دقیقه داده ربات YAM، تعمیم صفر-شات به وظایف نادیده را به ارمغان آورد. این سطح انتقال قبلاً صدها یا هزاران ساعت داده اختصاصی می‌طلبد. با توجه به منحنی کاهش هزینه سخت‌افزار، زمان مناسب برای تاسیس Dream Labs فرا رسیده بود.

API عمومی و استقرار صفر-شات

Dream-1 اولین مدل عمل جهانی است که از طریق API عمومی در سراسر جهان در دسترس است. از همان ابتدا می‌تواند ربات‌های ناشناس را برای وظایف ناشناس در محیط‌های ناشناس کنترل کند. شرکت این قابلیت را در ۱۳ پلتفرم رباتی مختلف در هشت کشور نمایش داد. Anvil Robotics در کارائیب قند را در ظروف دسته‌بندی کرد. BitRobot در شنژن یک دستمال کاغذی بیرون کشید. Cortex در سنگاپور یک فنجان سفید را روی فنجان صورتی چید. Eastworld در کوالالامپور یک سیب را در جعبه قهوه‌ای گذاشت. Hugging Face در پاریس یک مکعب قرمز برداشت و در ظرف سبز قرار داد. KAIST در سئول یک جعبه را تا کرد. XDOF در جاکارتا یک مارکر یافت و برداشت. RoboCurve در سان‌فرانسیسکو سه بطری را قائم کرد. Scale AI در سان‌فرانسیسکو مکعب‌ها را در یک برج واحد چید. Robo Inc. در لس‌آنجلس چیپس را به تری منتقل کرد. Mecka در نیویورک یک لوله تست را از کانتینر شل برداشت. AgiBot در شانگهای یک سیب را به بشقاب برد. همه اجراها به صورت خودمختار در سرعت ۸ برابر در سایت‌های تست‌کننده‌های بتا و ۴ برابر در محیط داخلی شرکت انجام شدند.

طراحی پلگ‌اند‌پلی

Dream Labs طراحی Dream-1 را تا حد امکان به صورت پلگ‌اند‌پلی (Plug-and-play) انجام داده. هیچ پیش‌زمینه‌ی یادگیری ماشین (Machine Learning) برای شروع لازم نیست. کد سمت کلاینت در چند خط جا می‌شود: یک DreamClient با کلید API راه‌اندازی می‌شود، چک‌پوینت روی "dreamlabs/dream-1" تنظیم می‌شود، یک مشاهده (Observation) ارائه می‌شود و get_action فراخوانی می‌شود. تیم هر هفته هکاتون‌های داخلی برگزار می‌کند تا زمان استقرار را به حداقل برساند. راهنمای شروع کار و راهنمای حل معکوس حرکت (IK solver) به کاربران کمک می‌کند تا عملکرد را روی سخت‌افزار خاص خود بهینه کنند.

تعمیم صفر-شات به تجسم‌های ناشناس

Dream-1 می‌تواند به بسیاری از ربات‌های دو‌بازویی با گیرنده‌های موازی تعمیم صفر-شات یابد. شرکت آن را روی PR2 اصلی تست کرد، یک ربات دو‌بازویی تحقیقاتی عمومی که ۱۸ سال پیش منتشر شده بود. هیچ داده اختصاصی تجسم برای این اجراها استفاده نشد. این یکی از اولین تعمیم‌های صفر-شات گزارش‌شده به تجسم‌های رباتی کاملاً ناشناس است. عملکرد صفر-شات بخشی به حل‌کننده معکوس حرکت (IK solver) ربات بستگی دارد. عملکرد در ربات‌های مختلف متغیر است. Dream Labs مدل Dream-1 را روی ۲۷ ربات ناشناس در شبیه‌سازی و ۴ ربات واقعی ارزیابی کرد، در مقایسه با YAM، رباتی که Dream-1 روی آن آموزش دیده. ارزیابی‌های شبیه‌سازی از ۳۰۰ اجرا برای هر تجسم استفاده کرد: ۱۵۰ اجرای ۵۰ وظیفه برای سنجش تبعیت از زبان و ۱۵۰ اجرای ۱۵۰ وظیفه برای سنجش تعمیم به وظایف ناشناس.

چگونه مدل‌های عمل جهانی انتقال را ممکن می‌سازند

سیاست‌های ربات معمول زوایا مفصلی (Joint angles) را خروجی می‌دهند که آن‌ها را به بدنه یک ربات خاص می‌بندد. Dream-1 می‌تواند برای تجسم‌های پشتیبانی‌شده بومی همین کار را کند، اما همچنین می‌تواند حالت‌های انتهایی (End-effector poses) را پیش‌بینی کند: هر گیرنده کجا باید باشد و آیا باز یا بسته باشد. هر رباتی با دو بازو و گیرنده‌های موازی آن فضای عمل انتهایی را به اشتراک می‌گذارد. حل‌کننده معکوس حرکت خود ربات حالت‌ها را به دستورات مفصلی تبدیل می‌کند. این واسط مشترک به Dream-1 راهی مشترک برای فرمان دادن به ربات‌هایی می‌دهد که هرگز ندیده.

کارهای پیشین روی واسط دستکاری جهانی (Universal Manipulation Interface) نشان داد که سیاست‌ها می‌توانند وقتی هر بازو از گیرنده یکسانی استفاده کند و سیاست فقط به دوربین مچ تکیه کند، صفر-شات در بین بازوهای ربات انتقال یابند. از منظر مچ، ربات‌ها یکسان به نظر می‌رسند. اما این میانبر یک محدودیت سخت دارد. فقط وقتی سخت‌افزار گیرنده دقیقاً مطابقت دارد کار می‌کند و دید دوربین سر از کل صحنه را از دست می‌دهد.

مدل‌های عمل جهانی آن محدودیت را برمی‌دارند. یک WAM یاد می‌گیرد ویدیو و عمل را با هم پیش‌بینی کند، بنابراین کنترل یک ربات و تصور اینکه آن ربات چه خواهد کرد، یک مسئله می‌شوند. هر ربات به صورت پیکسل‌ها ظاهر می‌شود. دوربین سر یک گیرنده UMI، یک گیرنده دو انگشتی، یا بازویی که Dream-1 هرگز ندیده را تنها به عنوان اشکالی می‌بیند که در صحنه حرکت می‌کنند. ویدیو تبدیل به یک نمایش واحد می‌شود که هر نوع رباتی در آن اشتراک دارد. اگر Dream-1 بتواند پیش‌بینی کند ربات چگونه به نظر می‌رسد در حالی که وظیفه را کامل می‌کند، می‌تواند اعمالی را تولید کند که او را به آنجا می‌رساند. به همین دلیل می‌تواند ربات‌هایی با گیرنده‌هایی که شبیه UMI نیستند کنترل کند، و حتی بدنه‌های کاملاً جدیدی که از دوربین سر دیده می‌شوند. برای جمع‌آوری داده روی ربات‌های خاص، HUMXN هزینه تعمیرات خانگی را پرداخت می‌کند.

نتایج بنچمارک مستقل

RoboCurve، یک شرکت منفعت عمومی که قابلیت‌های پیشرو رباتیک را می‌سنجد و گزارش می‌دهد، Dream-1 را قبل از انتشار به صورت مستقل ارزیابی کرد. گزارش آن‌ها روی RoboDojo-RC سطح ۱ نشان می‌دهد Dream-1 بهتر، سریع‌تر و ارزان‌تر است: یک مرز پارتو (Pareto frontier) جدید برای کنترل ربات. نمره آن از بهترین مدل‌های بعدی، Opus 5.5 و Gemini 4 Argon، بالاتر است، با هزینه ۱۶ برابر کمتر برای هر تلاش وظیفه نسبت به Gemini 4 Argon و ۱.۷ برابر سریع‌تر از سریع‌ترین مدل زبانی بزرگ (LLM)، GPT-6 Astra. در حالی که مدل‌های زبانی بزرگ فعلی در برنامه‌ریزی برتری دارند، ربات‌ها همچنان به یک سیستم ۱ (System 1) سریع و عمومی برای عمل نیاز دارند، و این همان چیزی است که Dream-1 برای آن ساخته شده.

قیمت‌گذاری و پوشش وظیفه

اجرای مدل ۳ دلار در ساعت برای Dream-1 یا ۲ دلار در ساعت برای Dream-1-flash هزینه دارد. هر فراخوانی ۱.۶ ثانیه عمل برمی‌گرداند، بنابراین یک ساعت برابر ۲۲۵۰ فراخوانی است. این به معنای حدود ۰.۰۰۱۳ دلار برای هر عمل برای Dream-1 و ۰.۰۰۰۹ دلار برای Dream-1-flash است. Dream Labs عملکرد را به هشت دسته وظیفه تقسیم می‌کند، از آنچه که به خوبی انجام می‌دهد تا جایی که همچنان با آن مبارزه می‌کند. اگر Dream-1 در یک وظیفه کوتاه بیاید، کاربران می‌توانند داده روی ربات خود جمع‌آوری کنند و از طریق Fine-tuning-as-a-Service (تنظیم دقیق به عنوان سرویس) یک مدل سفارشی برای آن وظیفه بسازند. شرکت می‌خواهد هر کسی با رباتی مثل یک مهندس مستقر پیشرو کار کند: وظیفه‌ای پیدا کند که کسی نیاز دارد انجام شود، کمی داده جمع کند، Dream-1 را برای آن تطبیق دهد، و استقرار دهد. اگر مردم برای آنچه ربات انجام می‌دهد بپردازند، کاربر همه درآمد بالای هزینه ساعتی را نگه می‌دارد.

یادگیری یک-شات تجسم از طریق FaaS

وقتی صفر-شات کافی نیست، Dream Labs Dream-1 را برای ربات‌های خاص از طریق Fine-tuning-as-a-Service تنظیم دقیق می‌کند. در عمل این به نظر می‌رسد پنج دقیقه جمع‌آوری داده روی ربات شریک. بعد از تطبیق روی فقط آن پنج دقیقه، تفاوت در اجرای جنب‌به‌جنب با اجرای صفر-شات نمایان می‌شود. Dream-1 اکنون قابلیت (Affordance) و حرکت‌شناسی (Kinematics) ربات را بهتر درک می‌کند. شرکت این را روی reBot B601-DM در دوقلوی شبیه‌سازی و Maker Arm روی ربات واقعی نمایش داد، هر دو در حال اجرای "پیش رو و موز را در کاسه بگذار" در سرعت ۳ برابر.

برخی تجسم‌ها بسیار دورتر از آنچه Dream-1 می‌داند قرار دارند. پر کردن شکاف بزرگتر داده‌های بیشتری از خود ربات می‌طلبد. Dexmate با دست‌های چابک Sharpa، که به جای گیرنده با دست می‌گیرد، ۷۷ دقیقه داده گرفت. روی YAM، تعویض گیرنده‌های انتهایی مختلف برای یک وظیفه — یک گیرنده انعطاف‌پذیر و یک گیرنده چاقو اصلاح‌شده — ۹۸ دقیقه داده گرفت. بعد از FaaS روی تجسم‌های دور از داده‌های آموزشی Dream-1، عملکرد روی ربات‌های واقعی در سرعت ۵ برابر بهبود یافت.

در دوازده ربات از شریک‌های بتای FaaS، تنظیم دقیق نمره تبعیت از زبان را روی ده مورد از آن‌ها بالا برد. صفر-شات در برابر بعد از FaaS روی همان دوازده ربات در شبیه‌سازی، در مقایسه با YAM، شکاف را تنیده نشان می‌دهد. تطبیق یک-شات همچنان بر صفر-شات برتری دارد، بنابراین شکافی باقی مانده. بستن این شکاف یکی از اهداف اصلی Dream Labs است: هرچه صفر-شات بهتر شود، هر ربات جدید به کار کردن از جعبه نزدیک‌تر می‌آید. Dream-1 یک نقطه شروع است، در حالی که ربات‌های انسان‌نما هنوز به خانه‌های مردم نرسیده‌اند.

محدودیت‌های فعلی و نقشه راه

Dream-1 امروز یک سیاست دستکاری برای ربات‌های دو‌بازویی با گیرنده‌های موازی است. یک نقطه شروع. شرکت معتقد است یک مدل بنیادی رباتی قوی و عمومی می‌تواند به دستکاری‌های متحرک، دست‌های چابک، و بدنه‌هایی که هنوز متصور نشده گسترش یابد. رباتیک در روز اول حل نخواهد شد، و Dream-1 محدودیت‌های واقعی دارد که شرکت سعی کرده به شفافیت نشان دهد. رباتیک همچنان در یک حلقه دشوار گیر کرده: هر ربات یا وظیفه جدید داده جدید و سیاست سفارشی می‌طلبد، اغلب با تعمیم محدود. با Dream-1 به عنوان API رباتیک، Dream Labs می‌خواهد آن حلقه را بشکند و هوش ربات را در دست افراد بیشتری بگذارد، تا کاربران روزمره، نه فقط محققان، کاربردهای جدید برای هوش مصنوعی زاینده (Generative AI) رباتیک کشف کنند.

Dream-1 یک تغییر قابل‌توجه در نحوه مقیاس‌یابی هوش ربات نشان می‌دهد. با جدا کردن سیاست از تجسم خاص از طریق پیش‌بینی ویدیو و حالت‌های انتهایی، Dream Labs گلوگاه اصلی‌ای را هدف قرار می‌دهد که رباتیک را تکه‌تکه نگه داشته. موج سخت‌افزار مصرفی — که نمونه‌اش فروش ۱۰ هزار واحد Microduck در چهار روز است — یک چرخه داده (Data flywheel) بالقوه ایجاد می‌کند که برای ربات‌های دستکاری هرگز وجود نداشت. اگر هزاران بازوی دو‌بازویی ارزان در خانه‌ها و کارگاه‌ها با Dream-1 اجرا شوند، هر کدام منبع داده برای تکرار مدل بعدی می‌شوند.

مدل API همچنین اقتصاد استقرار ربات را تغییر می‌دهد. با ۳ دلار در ساعت و قیمت‌گذاری بر اساس عمل، یک تیم کوچک می‌تواند با اتوماسیون آزمایش کند بدون استخدام مهندسین یادگیری ماشین یا جمع‌آوری داده‌ها. لایه FaaS یک مسیر عملی از صفر-شات به عملکرد سطح تولید روی سخت‌افزار خاص اضافه می‌کند. این الگو را تکرار می‌کند که در ابری هوش مصنوعی (Cloud AI) وجود دارد جایی که مدل‌های بنیادی عمومیت را مدیریت می‌کنند و تنظیم دقیق اختصاص را، اما به تجسم فیزیکی اعمال شده.

رقبای مانند Opus 5.5 و Gemini 4 Argon اکنون یک بنچمارک هزینه-عملکرد جدید روبرو هستند. اعتبارسنجی مستقل RoboCurve مهم است چون گفتگو را از دموهای آزمایشگاهی به مرزهای پارتو قابل‌سنجش می‌برد. مزیت ۱۶ برابری هزینه نسبت به Gemini 4 Argon نشان می‌دهد که مدل‌های سیستم ۱ تخصصی برای کنترل ربات می‌توانند به شدت مدل‌های زبانی بزرگ عمومی را در تأخیر و هزینه استنتاج زیرک بزنند. اینکه معماری Dream-1 به پایه‌های متحرک و دست‌های چابک گسترش یابد تعیین می‌کند آیا این لایه پیش‌فرض برای هوش مصنوعی تجسمی (Embodied AI) می‌شود.

شاخص‌های پذیرش جامعه در API عمومی و اولین استقرارهای تجاری ساخته شده روی لایه FaaS Dream-1 را رصد کنید. مایلستون بعدی گسترش فراتر از ربات‌های دو‌بازویی با گیرنده موازی به دستکاری‌های متحرک و دست‌های چابک خواهد بود، که Dream Labs آن را به عنوان مسیر حیاتی به سمت کاربرد عمومی هدف قرار داده است.

گام بعدی شما

• اگر ربات دو‌بازویی دارید، API Dream-1 را با کلید رایگان تست کنید و هزینه هر وظیفه را با مدل‌های موجود مقایسه کنید.
• برای وظایف که صفر-شات کوتاه می‌آید، پنج دقیقه داده جمع‌آوری کنید و از FaaS برای مدل سفارشی استفاده کنید.
• گزارش RoboCurve را دانلود کنید تا بنچمارک‌های مستقل را در جزئیات بررسی کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.