Dream Labs $90 саяар робот бүрт тусдаа сургалт хийхийг онилов

Black Scarab-ийн мэдээллээр, Сан Франциск хотод төвтэй Dream Labs 2026 оны 10 дугаар сарын 19-нд $90 саяын seed санхүүжилттэйгээр нууц хөгжүүлэлтийн үеэс гарч, Dream API-г нийтэд нээсэн; раундыг B Capital тэргүүлж, Kindred Ventures оролцсон бөгөөд компани 20-иос олон тоног төхөөрөмжийн түнштэй ажиллаж байна. Санхүүжилтийн гол бизнесийн таамаг нь нэг роботод суусан чадварыг өөр хийцийн биед шилжүүлснээр төхөөрөмж бүрт тусдаа сургалт хийх ажлыг багасгах боломж юм.

Компанийн Dream-1-ийн техникийн танилцуулгад загварыг нийтийн API-гаар ашиглуулж, Dream-1-ийн тооцооллыг цагт $3, Dream-1-flash хувилбарыг цагт $2-оор үнэлэн, сургалтад ороогүй 27 роботыг симуляцид, өмнөх загварын хувилбаруудаар дөрвөн бодит роботыг туршсанаа дурджээ. “Zero-shot” нь тухайн шинэ роботын өгөгдлөөр загварыг дахин сургахаас өмнө даалгавар гүйцэтгэж эхлэхийг хэлнэ. Энэ эхлэл хэр найдвартай давтагдах нь бүтээгдэхүүний арилжааны үнэ цэнийг шийднэ.

Раундын цаадах хэмнэлтийн таамаг

Роботын бие өөрчлөгдөхөд программын хуучин шийдэл шууд тохирохгүй байж болно. Шинэ гарын хүрэх зай, хавчигчийн хэлбэр, үе мөчний хөдөлгөөн болон камерын байрлал нь объект барих ижил зааврыг өөрөөр биелүүлэхэд хүргэдэг. Ийм үед төхөөрөмж бүрт үзүүлэн өгөгдөл цуглуулж, загварыг тааруулж, ажлын дарааллыг дахин шалгах шаардлага үүснэ. Dream Labs эдгээр ажлын эхний хэсгийг нийтлэг загвараар орлуулахыг зорьж байна.

Энэ нь үйлдвэрлэгчид болон роботыг ажилд нэвтрүүлэгчдэд өөр өөр үнэ цэнтэй. Үйлдвэрлэгч шинэ биедээ суурь хөдөлгөөний чадварыг хурдан холбож чадвал бүтээгдэхүүний туршилтаа эрт эхлүүлнэ; ашиглагч нэг даалгаврыг өөр төхөөрөмжид шилжүүлэхдээ бага өгөгдөл, бага инженерийн цаг зарцуулбал нэвтрүүлэлтийн өртөг буурна. Аль аль нь эхний хөдөлгөөн гарснаар биелэхгүй: объект өөр байрлалд байхад барих, алдаа гарсны дараа сэргээх, ажлыг бүрэн дуусгах чадвар давтагдах ёстой.

API-ийн нээлт энэ таамгийг гаднын хөгжүүлэгчдэд шалгуулах нөхцөл бүрдүүлж байна. Тоног төхөөрөмжийн түншлэл нь өөр хийцийн машинд хүрэх суваг боловч түншийн тоо өөрөө ажил дуусгах чанарын хэмжүүр биш. Раунд өсөлтийн нөөц өгнө; хэмнэлт бодитоор гарах эсэхийг робот холбосны дараах тохируулга, бүтэлгүй оролдлого, хүний оролцооны нийт өртөг тодорхойлно.

Dream API-ийн удирдлага хаана хүрдэг вэ

Dream API камерын дүрс, роботын одоогийн төлөв, хийх ажлын тайлбарыг авч хөдөлгөөний команд буцаадаг. Dream-1 хавчигчийн очих байрлал, чиглэл, нээж хаах байдлыг таамаглаж чадна. Харин роботын өөрийн урвуу кинематикийн шийдэгч тэр зорилтыг үе мөчний команд болгодог. Ингэж загвар өөр биед ижил төрлийн зорилт өгч болох ч гар тэр цэгт ямар замаар, юунд шүргэлгүй хүрэх нь тухайн машины асуудал хэвээр үлдэнэ.

Одоогийн нийтийн хувилбарын үндсэн хүрээ нь хос гартай, зэрэгцээ хавчигчтай роботын юм барьж шилжүүлэх ажил. Загвар очих цэгийг зөв сонгосон ч шийдэгч нь саадтай зам сонгох, үе мөчний хязгаарт тулах, эсвэл хүрэх боломжгүй байрлал гаргах эрсдэлтэй. Иймээс нэг робот дээр харагдсан үйлдлийг өөр гар, өөр хавчигчтай бүх машин дээр яг адил давтагдана гэж тооцох нь эрт байна.

Өмнө нь хараагүй биетэй роботуудыг симуляц болон бодит орчинд хөдөлгөсөн нь чадвар шилжих боломжийг харуулна. Гэхдээ симуляц дахь өргөн хамрах хүрээ, бодит робот дээрх сонгосон үзүүлэн хоёрын хэмждэг зүйл өөр: эхнийх нь олон хийцэд команд гаргаж болохыг, дараагийнх нь физик төхөөрөмж тодорхой нөхцөлд хэр ажилласныг харуулдаг. Үзүүлэн бичлэгийн амжилт нь бүх оролдлогын бүрэн амжилтын хувь биш.

Dream Labs роботын өөрийн үзүүлэн хөдөлгөөнөөр загварыг нэмэлтээр сургах үйлчилгээг давхар санал болгожээ. Зарим машин бага хэмжээний өөрийн өгөгдлөөр сайжирсан бол хийц нь сургалтын баазаас их зөрсөн машинууд илүү их өгөгдөл шаардсан. Энэ нь zero-shot анхны ажиллагаа болон тухайн биед тохируулсан гүйцэтгэл хоёр өөр шат гэдгийг харуулна. Нэмэлт тохируулга ихсэх тусам төхөөрөмж тус бүрийн сургалтыг хэмнэх эдийн засгийн ашиг багасна.

Ахицын оноо ба бүрэн дууссан ажил

Robocurve-ийн RoboDojo-RC Tier 1 үнэлгээнд Dream-1 бодит роботын 120 оролдлогод 59.3 хувийн дундаж ахицын оноо авч, нэг оролдлогын тооцоолсон загвар ашиглалтын өртөг $0.15 байв. Энэ нь даалгаврын хэсэгчилсэн явцыг оноодог хэмжүүр бөгөөд оролдлогын 59.3 хувь бүрэн дууссан гэсэн үг биш. Үнэлгээ нь Dream-1-ийн сурсан YAM төрлийн гар дээр хийгдсэн тул шинэ робот руу чадвар шилжих чанарыг дангаар нь хэмжихгүй.

Зарласан үзүүлэлтүүд бизнесийн өөр өөр асуултад хариулж байна:

• Түншлэлийн хүрээ нь загварыг өөр төхөөрөмжтэй холбох боломжийг илтгэнэ. Тэр төхөөрөмж дээр даалгавар хэдэн удаа бүрэн бүтсэнийг харуулахгүй.
• API-ийн цагийн үнэ нь зөвхөн загвар ажиллуулах төлбөрийн эхлэл. Робот, холболт, тохируулга, давтан оролдлого болон хүний туслалцаа нийт өртөгт нэмэгдэнэ.
• Ахицын оноо нь хяналттай сорилд зорилгод хэр ойртсоныг хэмжинэ. Ажил хүлээн авахад хэрэгтэй бүрэн гүйцэтгэлийн давтамж түүнээс тусдаа үзүүлэлт юм.

Бенчмарк нэг стандарт нөхцөлд загваруудыг харьцуулахад хэрэгтэй. Худалдан авагчийн асуулт арай өөр: шинэ роботод ижил ажил хэдэн удаа тасралтгүй бүтэх, объектын байрлал солигдоход үр дүн хэр өөрчлөгдөх, алдаа гарвал оператор хэдийд оролцох вэ гэдэг. Хэсэгчилсэн ахиц өндөр байсан ч ажлыг дуусгахын тулд байнгын засвар шаардагдвал хямд тооцоолол нь нийт ажиллагааг хямдруулахгүй.

Нийтийн туршилтаас найдвартай ажиллагаа хүртэл

Dream-1 одоогоор судалгааны бета статустай бөгөөд аюулгүй байдал чухал орчинд баталгаажаагүй. Энэ нь нийтийн API-гаар туршиж болох бүтээгдэхүүний өнөөгийн хүрээг тодорхойлно. Робот хүний ойролцоо эсвэл тогтмол үйлдвэрлэлийн циклд ажиллахын тулд даалгаврын амжилтаас гадна алдаанд хариулах байдал, саадтай орчинд хөдөлгөөний хяналт, хяналт тавих хүний ачааллыг хэмжих хэрэгтэй.

Дараагийн шийдвэрлэх өгөгдөл нь нэг ажлыг өөр үйлдвэрлэгчийн бодит роботууд дээр давтан хийлгэхэд бүрэн дууссан оролдлогын хувь, шаардагдсан нэмэлт сургалт, операторын оролцооны хэмжээ байх болно. Тэр гурвыг хамтад нь харвал нийтлэг загвар шинэ машин бүрийг ажилд оруулах өртгийг үнэхээр бууруулж байна уу, эсвэл зардлыг сургалтаас тохируулга ба хяналт руу шилжүүлж байна уу гэдэг нь тодорхой болно.

Мөн уншаарай:

• Их Британи Microsoft-ийг онилов: Copilot-ийн багцлал шалгалтад орно
• Undecimal Bio $18 саяар RNA-г элэгнээс өөр эдэд хүргэхээр бооцоо тавив
• AI сургалтыг prompt-оор бүү хязгаарла: чадварыг ажлын үр дүнгээр шалга