<mark id="oztn4"></mark>
0
編輯丨齊鋮湧
WAIC 2026，具身智能展區依舊是人最多、最受關注的區域之一。做咖啡、拍照、跳舞，各家機器人爭奇斗艷。
蘇度科技的展臺前同樣人頭攢動，氛圍卻有些不同。幾臺機器人安靜地站在工作臺前，做著看起來平平無奇的事情：抓取物品、雙手配合用一塊布包裹物品、把零件插進對應孔位。動作并不追求炫技，但穩定性、成功率、泛化性都非常出彩。
（圖片來自雷峰網公眾號AI科技評論）
這不是蘇度科技第一次技驚四座。今年4月，蘇度首次公開全棧自研具身智能平臺 #sudo R1。在一段60分鐘的演示視頻中，機器人連續抓取了百余件此前未見過的物體，包括透明玻璃杯、反光金屬件、柔軟布料、不規則形狀玩具等，成功率接近100%。6月，在 2026年 ICRA、CVPR 等會議現場，蘇度首次向全球公開展示這一系統。面對現場觀眾隨機擺放的物品，機器人依然保持極高的抓取成功率。
成立僅一年，蘇度便獲得200億元估值。背后除了市場對具身智能未來的期待，也與其背后的技術團隊密切相關。
創始人蘇昊是其中最受關注的人物。作為復旦大學浩清特聘教授、通用物理智能研究院首任院長，他曾主導創建 ShapeNet、PointNet 等影響三維視覺發展的基礎工作，并持續推動 SAPIEN、ManiSkill 等機器人仿真平臺建設。其 Google Scholar引用量超過15萬次，長期研究軌跡覆蓋了從三維視覺、空間理解到機器人學習的關鍵技術方向。
與此同時，蘇度也集結了具身智能產業化所需的工程和產品力量。聯合創始人兼CEO韓錚擁有微軟亞洲研究院和AI創業經驗，研發副總裁、算法負責人徐澤祥曾任 Adobe Research 研究科學家，長期研究3D生成、空間智能與基礎模型。
從三維視覺、機器人仿真，到多模態模型和機器人系統，蘇度似乎在搭建一套面向通用物理智能的完整技術體系。
01
精準放置、柔性物體操作、雙手協同、移動抓取、自主導航……蘇度此次站上 WAIC 展臺，十余項技能同時亮相，跨度從生活場景到工業產線，從單臂操作到多機協作。
從1到10+，這個進化速度本身，足夠引人注意。
蘇度科技研發副總裁、硬件負責人陳潤澤在接受AI科技評論（雷峰網(公眾號：雷峰網)公眾號）現場采訪時介紹，蘇度將機器人在物理世界中的基礎能力單元定義為原子能力。概念背后，蘇度對機器人學習路徑的理解是，機器人未來的能力增長，不應該依賴工程師針對每一個任務重新訓練，而應該像人類學習一樣，通過不斷積累基礎能力，逐漸獲得處理復雜任務的能力。
蘇昊在7月17日 WAIC 主論壇演講時提到，物理智能真正缺少的，并不是更多孤立的任務演示，而是“把散落的知識聚合”起來，形成對物理世界的系統理解。他進一步指出，物理世界的知識存在不同層級，其中越接近操作的一層，越難通過觀察獲得，“知道要做什么，和手真能做到，是兩回事。”
這也是機器人區別于大語言模型的重要挑戰。人類學習騎車、做飯、使用工具，并不是記住一套套固定流程，而是在成長過程中逐漸掌握平衡、抓握、施力、協調等基礎能力。正是這些能力的積累，讓人面對陌生任務時，也能夠快速組合已有經驗解決問題。
蘇度希望構建的，是一套類似的能力積累體系：從原子能力出發，逐漸組合成復雜技能，最終支撐長程任務。
比如，一個禮盒包裝任務，看似只是一個完整流程，但拆解之后，實際上包含物體識別、抓取、姿態調整、精細放置、雙手協同、接觸控制等多個基礎能力。而這些能力并不會只服務于包裝一個場景，它們同樣可以遷移到裝配、整理、搬運等不同任務中。
蘇昊在演講中說：“物理智能的使命，是把人還給人。”在這條路徑上，機器人需要積累的，不只是更多動作，而是理解、操作和改變物理世界的能力。
02
機器人能力想要持續增長，首先要解決數據問題。
這也是具身智能與大語言模型最根本的差異之一。語言模型的能力增長，很大程度上得益于互聯網中已經存在的大規模文本數據。相比之下，機器人面對的是一個連續變化的物理世界。一個看似簡單的抓取動作，背后不僅包含視覺信息，還涉及物體質量、摩擦力、接觸狀態、運動軌跡以及環境約束等大量隱變量。
目前，行業對于機器人數據路線仍未形成共識。有人押注第一視角視頻數據，認為人類日常操作的視頻蘊含著豐富的物理交互信息；有人采集人手數據，試圖讓機器人模仿人類手部的精細動作；還有人堅持遙操作，讓人類直接控制機器人完成動作，采集真機數據。
蘇度選擇了一條不尋常的路線：讓機器人首先在仿真世界中積累經驗。
長期以來，sim-to-real（仿真到現實）一直是機器人領域的核心難題。仿真環境能夠快速生成大量訓練數據，但真實世界中存在大量難以完全建模的不確定因素。物體材質的細微差異、摩擦力變化、接觸過程中的力反饋，以及現實環境中的隨機擾動，都可能導致仿真中有效的策略，在真實機器人上失效。
難點在于，如何構建足夠接近真實世界規律的仿真數據。
這正是蘇度團隊長期積累的方向。
蘇昊本科畢業于北京航空航天大學，后在斯坦福大學攻讀計算機科學博士。博士期間，他主導創建了ShapeNet數據集和PointNet網絡，推動三維視覺領域的發展；此后在加州大學圣地亞哥分校任教期間，又持續投入機器人仿真與評測體系建設，主導研發了SAPIEN、ManiSkill等機器人學習平臺。
這些工作的重要價值之一，在于探索如何讓機器在數字環境中學習更加接近現實世界的物理規律。例如，ManiSkill支持GPU并行化數據生成，可以快速模擬大量機器人操作過程；SAPIEN則通過物理引擎與機器人控制接口結合，讓研究者能夠在更接近真實交互的環境中訓練機器人。
蘇度并沒有簡單調用已有仿真工具生成數據，而是重新構建一套屬于自己的、面向機器人學習的數據生產體系。
在蘇度技術團隊看來，仿真最大的價值，是能提供現實世界難以復制的成長環境。一名熟練工人并不只是通過反復練習某一條生產線動作成長起來的，他在長大的過程中，早就接觸過大量物體、環境和任務，逐漸形成了對世界的理解。機器人也需要類似的過程。
通過仿真環境，團隊可以讓機器人接觸大量不同種類的物體、不同光照條件、不同材質屬性以及不同任務組合，讓模型提前建立對物理世界的基礎認知。
蘇度技術團隊介紹，一個物體包含無數屬性，但真正決定機器人能否完成任務的，往往只是其中一些關鍵變量。例如，物體是否容易抓取，可能更多取決于重量分布、摩擦特性和幾何結構，而不是表面紋理等視覺細節。通過大量實驗，團隊希望找到這些影響機器人行為的關鍵因素，并將其融入仿真環境。
目前，蘇度已經建立完整的數據生成管線，每天能生成百萬級規模的數據。
擁有強大的仿真引擎，并不意味著蘇度排斥其他數據來源。
陳潤澤介紹，蘇度目前采用的是“仿真訓練 + 真機輔助”的虛實融合路線：以大規模仿真數據為基底，讓機器人掌握底層能力；同時結合精細真機數據，進一步提升模型可靠性及真實環境適應性。這種虛實融合的路線，讓機器人既有仿真里練出的“見識”，也有真機上磨出的“手感”。
當底層原子技能在仿真中被大量練習、快速驗證后，就能像積木一樣組合復用，快速遷移到新的任務場景——這正是蘇度能在短時間內擴展技能的原因。
03
蘇度展臺的角落，還藏著一只自研靈巧手。
這是一只22自由度的直驅靈巧手。其中，大拇指和小拇指各擁有5個自由度，其余三指各擁有4個自由度。相比傳統夾爪只能完成簡單的開合動作，這只手希望進一步接近人手在復雜操作中的能力。
蘇度硬件負責人介紹，他們并非簡單復制人手結構，而是在針對機器人任務重新設計。
例如，人手的大拇指之所以重要，不僅因為它能夠彎曲，還因為它可以與其他手指形成穩定的對指關系。因此，蘇度為拇指增加了自旋自由度，同時讓小拇指具備更強的內收能力，手指關節還加入外翻設計，讓機器人在夾持物體時能夠獲得更大的接觸面積，提高穩定性。
一個容易被忽略的細節是，蘇度還在手指末端設計了類似指甲的結構。
對于人類來說，用指甲捏起紙片、翻動書頁，或者從桌面拾起細小物體，是一種幾乎無需思考的動作。但對于機器人而言，柔軟指腹往往難以完成這種精細操作。增加剛性的指甲結構，可以幫助機器人形成更精確的點接觸，從而完成例如捏取細針、扣開易拉罐等精細任務。
在驅動方式上，蘇度選擇了直驅方案。
所謂直驅，是指驅動單元直接作用于關節，中間不經過傳統減速器等傳動結構。相比存在機械間隙的傳動方案，直驅能夠讓控制輸入和關節響應之間更加直接，提高系統的力控能力。
硬件負責人介紹，直驅最大的價值并不只是提升機械性能，更重要的是讓算法更容易使用。
對于機器人而言，控制模型需要理解的是，施加多少力，會產生怎樣的動作。如果中間存在復雜傳動結構，模型面對的是一個經過多層轉換后的結果；而直驅結構能夠減少這些不確定因素，讓算法對機器人的控制更加精準。
這也是蘇度堅持軟硬件一體化的重要原因。
陳潤澤采訪中提到：“供應商能力很強，但他離需求太遠，沒辦法跟算法同學直接溝通。”
在傳統工業機器人時代，硬件和軟件可以相對分離，機器人執行固定動作，系統長期運行。但通用機器人面對的是開放環境，模型、數據和硬件之間需要持續迭代。模型發現某類任務難以完成，可能需要調整控制策略；控制需求變化，又可能反過來影響機械結構設計。
因此，蘇度強調“白盒化”——讓機器人系統內部的每一個環節都能夠被理解、調整和優化。
但這種選擇并不只是為了實現全棧自研。蘇度硬件團隊表示，靈巧手的研發并非希望短期內直接替代工業夾爪進入工廠，而是希望更好地服務軟件算法的訓練和迭代。
在蘇度看來，具身智能時代，硬件不再只是執行模型指令的工具，而需要與模型共同進化。
從機器人本體、數據采集、模型訓練到最終部署，蘇度都希望保持自主控制，原因在于，硬件設計本身會直接影響模型能力。例如，一個攝像頭應該放置在哪里、需要幾個視角、機械臂需要多少自由度、靈巧手每個關節如何設計，都不是單純的機械問題，而需要結合算法對于感知、控制和任務執行的需求共同決定。
當機器人出現問題時，團隊需要快速判斷：究竟是模型沒有理解任務，控制策略存在不足，還是硬件反饋沒有達到預期。只有掌握從機械結構、傳感器到算法模型的完整鏈路，才能縮短迭代周期。
這種軟硬件協同，在展臺現場展示的雙手精密裝配任務中體現得尤為明顯。
表面上看，機器人只是將兩個零件插入對應位置，但背后同時涉及視覺定位、雙臂協調、姿態調整和接觸控制。零件加工誤差、視覺識別誤差、機械運動誤差，以及接觸過程中產生的力反饋，都會影響最終結果。對于人類而言，這類操作依靠長期形成的身體經驗完成；而機器人則需要通過硬件、算法和數據共同逼近這種能力。
因此，蘇度所謂的軟硬一體，并不是簡單地把所有模塊掌握在自己手中，而是希望讓機器人的“身體”真正成為智能形成的一部分。
目前，蘇度展出的機器人仍主要采用夾爪作為末端執行器，而此次展示的自研靈巧手，也是團隊首次對外公開亮相。據技術團隊介紹，未來蘇度將進一步探索靈巧手在機器人系統中的應用，用更高自由度、更精細的操作能力替代傳統夾爪，從而支持機器人完成更加復雜、開放的任務。
04
在工業場景集中展區，蘇度與寧德時代合作的電池裝配機器人正在運行。四臺機器人分布在不同工位，協同完成鋰電池模組的裝配任務。這不是一場表演，而是已經在寧德時代的鋰電組裝產線上驗證過的方案，抓取成功率達到99.5%以上。
在零售商超場景，蘇度正與全球領先零售企業推進技術方案規劃，探索機器人在盤點、補貨、貨架巡檢、缺貨識別等任務中的應用。在餐飲門店場景，也在與頭部連鎖品牌推進服務機器人項目。
但蘇度團隊清楚，從Demo到規模化部署，中間隔著一條巨大的鴻溝。
陳潤澤說：“可靠性從90%到99%+，背后是一個巨大的宇宙。”
生產線上，一次失敗就可能意味著停線、返工甚至更高的成本。機器人不僅要面對物體擺放位置變化、環境光照變化，還要處理設備狀態變化、人為干擾以及各種此前沒有見過的突發情況。真正決定機器人能否規模化部署的，往往不是平均成功率，而是最后那幾個百分點的長尾能力。
這也是為什么，蘇度把真實部署視作模型訓練的一部分，而不是訓練結束后的結果。每進入一個客戶現場，機器人都會遇到新的環境、新的問題和新的失敗案例，這些數據又會重新進入模型訓練，不斷提升下一次部署的成功率。真實世界，逐漸成為能力增長閉環的一部分。
蘇度提出了一個頗有意思的判斷：家庭機器人和To C，并不是同一個概念。以大疆為例，它面向消費者，但并不是家庭機器人。機器人未來或許也會先進入個人消費市場中的部分場景，而真正進入家庭，仍然需要跨越成本、安全、可靠性以及泛化能力等多個門檻。
因此，在相當長一段時間內，工業、零售和商業服務依然是具身智能最重要的驗證場。這些場景既能夠產生真實價值，也能夠持續為模型提供反饋，推動機器人不斷獲得新的能力。
蘇度的目標是2027年實現百臺級交付，2028年進入千臺級規模。
但相比這些數字，蘇度高層更關心的是，機器人能力是否能夠隨著部署一起復制。如果每進入一個新客戶，都需要重新采集數據、重新訓練模型、重新開發系統，那么交付規模再大，本質上仍然是項目制。只有當同一套底層能力能夠快速遷移到不同場景，新場景所需的數據越來越少，機器人行業才真正進入了能力可復制、可擴展的新階段。
05
蘇度的首次國內公開參展，像是一次宣言。
它想驗證的是：如果機器人能夠擁有一批可遷移、可組合的基礎能力，是否能通過不斷疊加，獲取更復雜的能力，進而實現通用泛化？
圍繞這個目標，蘇度選擇了一條相對完整的技術路線：用虛實融合的數據體系提升模型泛化能力，用軟硬件協同縮短迭代周期，再通過真實場景不斷驗證模型邊界。
行業共識還未收斂，但未來決定一家機器人公司競爭力的，或許不再是今天展示了多少個Demo，而是半年之后，它是否還能以同樣的速度獲得新的能力，一年之后，這些能力又是否能夠穩定進入真實世界。
蘇度科技，正在用它的方式回答這個問題。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
