Dream Labs recauda 90 millones de dólares en una ronda semilla para llevar la IA robótica a distintas máquinas

Dream Labs, una startup fundada por antiguos investigadores de robótica de NVIDIA, ha recaudado 90 millones de dólares en una ronda semilla y ha lanzado una API pública para Dream-1, un modelo diseñado para transferir habilidades entre distintos robots. La financiación estuvo liderada por B Capital junto con Kindred Ventures, y contó con la participación de A.Capital, Unusual Ventures y otros inversores.

La empresa aborda un cuello de botella costoso en la robótica: que una máquina aprenda una tarea no significa que transfiera automáticamente ese conocimiento a otra. Dream Labs quiere que los desarrolladores partan de un modelo compartido y lo adapten cuando un robot o una aplicación concretos requieran un entrenamiento más especializado.

El lanzamiento incluye una API, un servicio de ajuste fino y Robot Playground, una plataforma accesible desde el navegador. Esta última permite a los usuarios enviar instrucciones a robots físicos en las oficinas de la empresa en San Francisco. Dream Labs afirma que los fondos se destinarán principalmente a capacidad de cómputo, a medida que amplía las capacidades y la capacidad del modelo.

Cómo Dream-1 conecta el video con las acciones físicas

Dream Labs describe Dream-1 como un modelo de acción del mundo. Su descripción técnica del lanzamiento presenta un sistema que predice conjuntamente videos y acciones: anticipar cómo cambiará una escena está vinculado a decidir qué debe hacer un robot a continuación.

La distinción importa porque los robots tienen estructuras diferentes. Las instrucciones para las articulaciones que funcionan en un brazo no necesariamente funcionarán en otro. En cambio, Dream-1 puede predecir las poses del efector final —la posición y orientación deseadas de cada pinza, así como si debe estar abierta o cerrada—. El solucionador de cinemática inversa de cada robot traduce esos objetivos en movimientos que sus propias articulaciones pueden ejecutar.

Esto proporciona una interfaz común para distintas máquinas sin exigir que compartan un hardware idéntico. El modelo utiliza tres vistas de cámara: una enfocada en la escena y una en cada muñeca. Su representación de video le permite razonar sobre brazos y pinzas de aspecto diferente mediante el mismo medio visual.

Para los desarrolladores, el producto convierte esa investigación en un proceso relativamente directo. El robot proporciona imágenes, su estado actual y una instrucción para la tarea; el modelo devuelve acciones. Los modelos se ejecutan mediante el servicio alojado de Dream Labs, por lo que los desarrolladores no tienen que crear y operar cada uno su propio modelo fundacional de robótica.

La transferencia sin ejemplos tiene un alcance definido

La capacidad actual de transferencia sin ejemplos de la empresa se centra en robots bimanuales con pinzas paralelas: máquinas con dos brazos y pinzas sencillas que se abren y se cierran. La transferencia sin ejemplos significa que el modelo puede intentar realizar tareas con un robot desconocido sin entrenarse antes con demostraciones de esa máquina en particular.

La evaluación publicada por Dream Labs probó en simulación 27 configuraciones de robots no vistas, con 300 ejecuciones por configuración. Los resultados se expresaron en relación con YAM, el robot con el que se entrenó Dream-1. El rendimiento varió considerablemente según el hardware, por lo que la afirmación destacada sobre la transferencia entre robots resulta más útil si se lee junto con los resultados detallados.

Esos resultados relativos no deben confundirse con las tasas absolutas de éxito en las tareas. Tampoco el hecho de transferir una política a otro robot demuestra que este vaya a completar todas las tareas de forma fiable. En su página de investigación, la empresa distingue por separado entre la finalización completa y el progreso parcial en las evaluaciones de tareas.

La interfaz de control también conlleva ciertas concesiones. Predecir el destino de una pinza no determina por completo la trayectoria que seguirá un brazo para llegar hasta él. Los obstáculos, los límites de las articulaciones y la calidad del solucionador de cinemática inversa del robot pueden afectar al rendimiento. Los robots con espacios de trabajo o dinámicas muy diferentes pueden evidenciar otras discrepancias entre las predicciones del modelo y lo que el hardware puede hacer físicamente.

El ajuste fino ofrece una vía para ir más allá del rendimiento inicial

El servicio de ajuste fino de Dream Labs ofrece a los desarrolladores otra opción cuando el modelo general no basta. Pueden cargar demostraciones de su propio robot y recibir un modelo adaptado, en lugar de empezar un proyecto de entrenamiento desde cero.

La empresa muestra ejemplos de adaptación con cinco minutos de datos específicos del robot, así como otros que requieren muchos más datos para efectores finales desconocidos. Estas demostraciones ilustran la variedad de necesidades de adaptación; no establecen que el entrenamiento deba durar cinco minutos en todos los casos.

Esta es una distinción práctica importante. Un modelo compartido puede reducir el trabajo inicial necesario para poner en marcha un robot, aunque todavía se necesiten datos específicos de la tarea para que su comportamiento resulte útil en una aplicación concreta. Dream Labs reconoce que los modelos adaptados siguen ofreciendo mejores resultados que el funcionamiento sin ejemplos.

La página de investigación indica un coste de inferencia de 3 dólares por hora para Dream-1 y de 2 dólares por hora para la versión más ligera, Dream-1-flash. Cada llamada al modelo devuelve 1,6 segundos de acciones. El hardware, la integración y cualquier coste adicional del servicio son otros factores que deben tenerse en cuenta al evaluar el coste de una implementación.

De las demostraciones de investigación al trabajo reproducible

El equipo de la startup trabajó anteriormente en DreamZero y en la investigación en robótica GR00T de NVIDIA. Con Dream-1, está convirtiendo esa investigación en un servicio que los desarrolladores pueden probar en sus propias máquinas.

El acceso es una parte importante del anuncio. Una API pública permite a los fabricantes de robots y a los equipos más pequeños evaluar directamente el comportamiento, incluso comprobar en qué casos falla, en lugar de depender únicamente de demostraciones seleccionadas. Playground, disponible en directo, ofrece una introducción más accesible a quienes no tienen un robot.

Dream-1 sigue en fase beta de investigación, y Dream Labs afirma que no se ha validado para usos críticos para la seguridad. Actualmente, se centra en la manipulación con sistemas de dos brazos y pinzas paralelas; ampliar la compatibilidad a robots móviles y hardware con mayor destreza sigue formando parte del trabajo de desarrollo.

La cuestión comercial es si un modelo que se adapta a distintas máquinas también puede ofrecer un rendimiento constante en tareas cuya automatización estén dispuestos a pagar los clientes. La ronda de 90 millones de dólares proporciona a Dream Labs los recursos para perseguir ese objetivo. La prueba más importante será determinar cuántos datos personalizados y cuánto trabajo de ingeniería siguen necesitando los desarrolladores después de conectar un robot nuevo.