Dream-1 veut faire passer les compétences d’un robot à l’autre

Dream Labs, start-up fondée par d’anciens chercheurs robotique de NVIDIA, a levé 90 millions de dollars en seed et lancé une API publique pour Dream-1, un modèle pensé pour transférer des compétences entre robots différents. L’enjeu est simple à formuler et coûteux à résoudre : un robot qui apprend une tâche ne sait pas automatiquement la refaire sur une autre machine. Avec Dream-1, l’entreprise veut proposer une base commune, puis l’adapter quand le matériel ou l’usage l’exige.

Un modèle commun pour éviter de repartir de zéro

Dream Labs présente Dream-1 comme un World Action Model, c’est-à-dire un système qui relie la compréhension d’une scène vidéo aux actions du robot. Le modèle prédit à la fois ce qui va se passer dans l’image et ce que le robot doit faire ensuite. Cette approche compte car les bras robotisés n’ont pas tous la même géométrie, ni les mêmes contraintes mécaniques.

Plutôt que d’envoyer des commandes de joints identiques partout, Dream-1 prédit des positions et orientations de l’effecteur final, ainsi que l’état d’ouverture ou de fermeture de la pince. Chaque robot traduit ensuite ces consignes via son propre solveur cinématique inverse, autrement dit le module qui convertit une cible en mouvements articulaires. Le résultat est une interface commune, sans hardware parfaitement standardisé. Ce qui, pour la robotique, relève presque du miracle bureaucratique.

Une API, un Playground et des limites bien posées

Le lancement ne se limite pas à une annonce de recherche. Dream Labs propose une API, un service de fine-tuning et un Robot Playground accessible depuis le navigateur, avec des robots physiques situés dans ses bureaux de San Francisco. Les développeurs peuvent ainsi envoyer des instructions, tester le comportement du modèle et mesurer ses échecs sans devoir monter eux-mêmes toute l’infrastructure. Le modèle est toutefois en research beta et l’entreprise précise qu’il n’est pas validé pour des usages critiques en matière de sécurité.

La capacité de transfert zéro-shot — quand le modèle tente une tâche sur un robot inconnu sans démonstrations spécifiques — reste ciblée. Dream Labs la limite aujourd’hui aux robots bimanuels équipés de pinces parallèles. Ses évaluations publiées portent sur 27 robots non vus en simulation, avec 300 exécutions par configuration. Les scores varient fortement selon le matériel [à vérifier], ce qui rappelle que le transfert inter-robots n’efface ni les écarts de morphologie ni les limites des environnements physiques.

Le vrai sujet, c’est l’adaptation après le premier essai

Quand le modèle générique ne suffit pas, Dream Labs pousse le fine-tuning comme service. Les développeurs peuvent téléverser des démonstrations issues de leur propre robot et recevoir un modèle adapté, au lieu de lancer un projet d’entraînement depuis zéro. L’entreprise montre des exemples avec cinq minutes de données spécifiques au robot, mais elle indique aussi que certaines configurations demandent beaucoup plus d’exemples, notamment avec des effecteurs moins familiers. Ce n’est donc pas une recette magique, plutôt un raccourci vers un point de départ exploitable.

La tarification affichée sur la page de recherche est de 3 dollars par heure pour Dream-1 et de 2 dollars par heure pour Dream-1-flash, avec 1,6 seconde d’actions générées par appel. À cela s’ajoutent le matériel, l’intégration et les coûts d’exploitation. C’est là que le marché jugera la proposition : un modèle peut promettre le transfert de compétences, mais il faut encore prouver qu’il réduit vraiment le temps d’ingénierie et le volume de données nécessaires pour automatiser une tâche donnée.

De la recherche à un service que des équipes peuvent tester

Dream Labs, qui s’appuie sur une partie de son travail antérieur autour de DreamZero et des recherches robotique de NVIDIA sur GR00T, transforme ici un prototype académique en produit testable. L’ouverture d’une API publique compte presque autant que le modèle lui-même, car elle donne accès à des développeurs qui peuvent constater où ça marche, mais aussi où ça casse. C’est souvent là que la vraie valeur d’un outil de robotique apparaît, bien loin des démonstrations bien éclairées.

La suite dépendra surtout de la robustesse du transfert entre machines différentes, du besoin réel en données propres à chaque robot et de la capacité de Dream Labs à élargir son support au-delà des systèmes bimanuels à pinces simples. Pour l’instant, l’entreprise met sur la table un pari clair : faire circuler des compétences d’un robot à l’autre, sans obliger chaque équipe à réinventer la roue, ou la pince.