Dream Labs: US$90M y API de cerebro para robots

Dream-1: el modelo que controla robots que nunca vio

Conecta un robot bimanual con pinzas paralelas a una API y empieza a ejecutar tareas en minutos: sin fine-tuning, sin demostraciones grabadas de ese robot y sin que nadie del equipo sepa de machine learning. Esa es la promesa con la que Dream Labs salió de stealth, junto con US$90M en financiamiento seed y el lanzamiento de Dream-1 a través de una API pública.

Dream-1 es un World Action Model (WAM): una arquitectura que predice video y acciones al mismo tiempo. En términos prácticos, el modelo no memoriza cómo se mueve un brazo concreto, sino que aprende cómo evoluciona el mundo físico y traduce esa predicción en comandos que cada robot ejecuta con su propio solver de cinemática inversa (IK). En lugar de comandos de articulaciones, atados a un cuerpo específico, Dream-1 entrega posiciones de efector final: dónde debe estar cada pinza y si debe abrirse o cerrarse. Ese espacio de acción lo comparten todos los robots de dos brazos con pinzas paralelas.

Para un founder de robótica, esto mueve la pregunta central. Deja de ser cuántos meses de ingeniería necesito para que mi robot haga algo útil, y pasa a ser cuántas horas de API puedo pagar antes de decidir si construyo mi propio stack.

La empresa tiene sede en San Francisco y fue fundada en 2026 por ex líderes del equipo de investigación GR00T de NVIDIA, según VentureBurn. La ronda la lideraron B Capital y Kindred Ventures, con participación de A.Capital, Unusual Ventures, SV Angel, Wing VC, Scribble VC y Adrian Aoun. El CEO y cofundador es Joel Jang.

¿Por qué la robótica estuvo atascada en un círculo vicioso?

Durante décadas el sector vivió un problema de huevo y gallina: un robot tiene que ser útil antes de que alguien quiera comprarlo, pero volverlo útil exige datos de ese robot exacto, y esos datos solo existen cuando ya hay suficientes personas usándolo.

Los autos autónomos esquivaron ese arranque en frío: los autos eran útiles desde el día uno sin autonomía, millones de personas los condujeron y generaron los datos para entrenar modelos cada vez mejores. Casi ningún otro robot tuvo esa ventaja.

Dos cambios están rompiendo el nudo. Primero, el hardware se abarató. Segundo, un modelo generalista puede ser útil sin un gran dataset propio. El equipo de Dream Labs lo comprobó con DreamZero, el paper que en febrero de 2026 introdujo los World Action Models: tras hacer post-training con apenas 30 minutos de datos del robot YAM, el modelo generalizó zero-shot a tareas que nunca había visto. Antes, ese tipo de transferencia requería cientos o miles de horas de datos específicos de un cuerpo.

Si 30 minutos bastan, el círculo deja de ser un círculo. Y si el hardware es barato, hay muchos más robots en el mundo generando datos.

¿Qué cambió con el hardware barato?

El propio research de Dream Labs pone números al abaratamiento: un setup de brazo bimanual capaz se consigue desde unos US$2.000 (el Maker Arm de MakerMods) y siete robots semihumanoides —ruedas, dos brazos y pinzas paralelas— suman menos de US$15.000, un tramo de precio que casi no existía un año antes. En el otro extremo de la curva, el Microduck de Hugging Face, de US$399, vendió más de 10.000 unidades en cuatro días desde su lanzamiento a finales de agosto.

La lectura que hace la compañía es que ese comprador no es una empresa: es un consumidor, un prosumer o un equipo pequeño. Una empresa decide en una planilla y solo compra si el robot le gana a una persona en costo, velocidad o confiabilidad. Un consumidor que pagó US$399 por un robot que camina y patina se mueve por otro criterio. Según Pulse 2.0, los robots de los más de 20 socios de hardware de Dream Labs se mueven hoy en un rango de aproximadamente US$2.000 a US$10.000.

¿Cuánto cuesta usar Dream-1 y hasta dónde llega el zero-shot?

El precio es explícito: US$3 por hora para Dream-1 y US$2 por hora para Dream-1-flash. Cada llamada devuelve 1,6 segundos de acciones, así que una hora son unas 2.250 llamadas: alrededor de US$0,0013 por acción en Dream-1 y US$0,0009 en la versión flash. Todo lo que se facture por encima de ese costo horario queda para quien despliega el robot.

Dream Labs sostiene que Dream-1 controla zero-shot robots bimanuales de pinzas paralelas que nunca vio, incluido el PR2 original, un robot de investigación lanzado hace 18 años. La evaluación independiente de Robocurve ubicó a Dream-1 por encima de Opus 5.5 y Gemini 4 Argon en la prueba RoboDojo-RC Tier 1 del 18 de octubre de 2026, con 16 veces menos costo por intento que Gemini 4 Argon y 1,7 veces más velocidad que el LLM más rápido, GPT-6 Astra.

El matiz importante lo puso Unite.AI: la evaluación publicada probó 27 cuerpos de robot no vistos en simulación, con 300 rollouts por cuerpo, y reportó resultados relativos a YAM, el robot con el que se entrenó el modelo. Los scores relativos no equivalen a tasas absolutas de éxito, y el desempeño varía bastante entre robots.

¿Cómo se compara con los modelos VLA de Physical Intelligence y Nvidia?

Dream-1 no corre solo. La arquitectura dominante de los últimos años fue la Vision-Language-Action (VLA), la base sobre la que construyeron Physical Intelligence, NVIDIA y Skild AI. Un VLA toma imagen e instrucción y devuelve comandos directamente, sin predecir consecuencias.

El argumento de los WAM es que predecir primero el siguiente cuadro obliga al modelo a construir una intuición física del entorno, algo que un VLA no tiene incentivo directo de aprender. Dyna Robotics apostó por lo mismo: su modelo DYNA-2 reportó, según TechTimes, mejoras de éxito en 15 tareas a medida que escalaba datos de 1.000 a 1.000.000 de horas, y Dyna levantó una Serie A de US$120M en septiembre de 2025 con la participación de los brazos de inversión de Nvidia y Amazon, según el mismo medio. El contexto de fondo: los robots humanoides acumularon más de US$55.800 millones en inversión global hasta mediados de 2026, según Dealroom, citado por TechTimes.

Que dos startups distintas lleguen al mismo diseño con meses de diferencia es la señal más clara de que el sector dejó de discutir si la robótica generalista era posible y empezó a discutir cuál arquitectura la va a resolver.

¿Qué significa esto para tu startup?

• Prueba antes de construir. Si tienes un robot bimanual con pinzas paralelas, el costo de experimentar es bajo: US$2 o US$3 por hora y poco más de un milésimo de dólar por acción. Antes de armar un equipo de ML, mide cuántas de tus tareas resuelve zero-shot.
• Revisa tu solver de IK antes de culpar al modelo. Dream Labs es explícito: el desempeño zero-shot depende en parte de la cinemática inversa del robot, y publicó una guía para sacarle más provecho. Es lo primero que conviene auditar si las tasas de éxito no cierran.
• Escala con datos propios solo cuando el zero-shot se quede corto. El servicio de fine-tuning (FaaS) permitió adaptar el modelo con 5 minutos de datos en dos robots de sus socios, y necesitó 77 minutos en el Dexmate con manos diestras Sharpa y 98 minutos en YAM con efectores distintos. En doce robots de sus socios beta, el fine-tuning mejoró el score de seguimiento de instrucciones en diez. La lección: el fine-tuning sigue ganándole al zero-shot, y ese gap se paga con datos de tu robot.
• Ojo con el encaje y con el estado del producto. Dream-1 hoy cubre brazos bimanuales con pinzas paralelas; no cubre robots móviles ni manos diestras, es un research beta y, según Unite.AI, no está validado para uso crítico de seguridad. Para tareas de mesa —agarrar, colocar, doblar ropa— sí está en su terreno.
• Para equipos de LATAM y España, el cambio de costo de entrada es la noticia. Un equipo sin expertise en ML puede montar una solución robótica sobre hardware de US$2.000 a US$10.000 y un costo de inferencia por hora. La barrera deja de ser el cerebro y pasa a ser el caso de uso: quién paga por lo que tu robot hace.

¿Qué límites reconoce Dream Labs?

La compañía es inusualmente transparente con sus límites. El desempeño varía entre robots, la generalización zero-shot está acotada a dos brazos con pinzas paralelas, y la adaptación one-shot sigue superando al zero-shot, así que el gap no está cerrado. Además, buena parte de los US$90M se destinará a infraestructura de compute: la factura real del negocio está en servir el modelo a escala.

Conclusión

Dream-1 no resuelve la robótica generalista de un día para el otro, pero cambia el punto de partida. Si hasta ayer poner un robot nuevo a trabajar podía llevar 100.000 horas —el número que citó Joel Jang en Yahoo Finance—, hoy se puede arrancar con una API, un robot de catálogo y un puñado de dólares por hora.

Para founders de robótica y automatización, la ventana es concreta: probar, medir y quedarse con el caso de uso que el modelo general no cubre. Ahí, con datos propios, todavía hay negocio defendible.

Fuentes

• Dream Labs — Zero-Shot to New Robots: Introducing Dream-1 (fuente original)
• VentureBurn — Dream Labs Raises $90M to Build AI for Everyday Robots
• Pulse 2.0 — Dream Labs Raises $90 Million Seed To Build Foundation Models For Everyday Robots
• Unite.AI — Dream Labs Raises $90M Seed to Bring Robot AI Across Different Machines
• Yahoo Finance — Robot Brains For 75 Cents/Hour? Former Nvidia Researchers Raise $90 Million
• TechTimes — Dyna Unveils Robot Foundation Model That Adapts to New Tasks in 13 Minutes