苏度科技：以仿真为基，具身智能99%+成功率破局

在近期的一场行业展会上，一家成立仅14个月的具身智能企业展台前挤满了观众。四个月前，这家公司曾在CVPR上展示过从仿真环境直接“毕业”的机器人，零样本抓取成功率达到98%；如今，他们带着更全面的技术成果亮相国内顶级展会。

这家名为苏度科技的企业，联合创始人苏昊担任董事长兼CTO，成立仅14个月就拿下了200亿元人民币的估值，是具身智能赛道的新晋明星。这也是他们首次在国内大型行业展会上公开亮相。

本次展会现场，他们带来了四组同步运行的演示项目，不再局限于单一的抓取任务：

• 亚毫米级精度的双手精密装配，可完成高精度模具组装；
• 针对柔性布料的协同打包，适配无固定形态的物体操作；
• 移动场景下的全链路闭环操作，实现移动、感知、决策与执行的一体化；
• 与行业伙伴联合开发的电池模组产线，由四台同型号机器人协同完成从电芯上料到下料的全流程。

每一组演示都在回应行业最关注的终极问题：通过仿真训练出来的机器人模型，真的能在真实工业场景中稳定落地吗？

苏度科技CEO韩铮给出的答案非常肯定：“能，而且一旦落地，成功率就能达到99%以上。高可靠性是具身智能走向商业化的前提，我们内部的验收标准就是99%+，在此基础上再谈泛化能力。”

现场的细节印证了这份自信——苏度是少数敢让观众自带物品进行盲测的展台，无论观众带来什么物体，机器人都能完成抓取，甚至有观众提出抓取骰子，工作人员也笑着回应可以配合测试。

自首次亮相以来，行业一直有一个疑问：抓取任务对精度要求不高，Sim2Real路线在抓取上跑通不难，但面对接触密集型的复杂操作，仿真训练的模型能胜任吗？

本次展会展示的精密装配和柔性打包，正是对这个问题的直接回应。这两项任务分别代表了物理交互的两个极端：精密装配容错率极低，稍有偏差就无法完成组装，需要极致的力控和位姿估计能力；而柔性打包的对象是没有固定形状的布料，每次抓取都会改变物体状态，仿真环境中很难精准建模。

值得注意的是，这两项演示都采用了双手协作模式。不同于展会中多数机器人仅使用单臂的展示方式，双手操作时，一只手臂的动作会立即改变另一只手臂的约束条件和可行空间，变量复杂度呈指数级提升，模型需要根据实时反馈持续协同调整动作。苏度选择双手协作作为演示项目，正是主动展示其技术的成熟度。

现场记者还尝试干扰演示中的机器人，工作人员直接邀请观众上前互动，两位展台工作人员当场进行了测试，演示的机器人依然保持了稳定的操作精度。

一刚一柔两项任务，苏度都用同一套基座模型完成，并且保持了和抓取任务同等的泛化能力。这直接打破了“仿真无法搞定接触密集型操作”的固有认知——而这项能力，目前绝大多数机器人厂商都尚未实现。

除了静态的精密操作，本次展会还展示了移动操作能力。传统的移动机器人遥操作数据采集难度极大，同时操控底盘和手臂的操作方式反人类，主流方案往往限制操作者的肢体活动，仅允许单臂运动，靠真机数据打通移动操作几乎是死胡同。

苏度采用端到端的全身控制策略，将感知、底盘、躯干和手臂整合为统一的决策系统，根据实时状态生成全身动作，让机器人可以完成开柜门、上下料、搬运大件物体等需要大范围空间移动的任务，大幅拓宽了机器人的作业边界。

本次展会最重磅的演示，是与行业伙伴合作的电池模组产线。四条工位由四台同型号机器人协同完成，完整复刻了从电芯上料、装配、扫码到下料的全流程。流水线多机协作对泛化能力要求极高，每一步的执行结果都是下一步的起始条件，任何一环出错都会导致整条链路中断。

苏度能够现场稳定展示这套产线，核心在于其“任务智能体”技术。多数厂商的演示项目需要为特定场景采集大量真机数据，导致模型被局限在单一工位和任务中，打通长程流程的成本极高。而苏度在预训练阶段不针对具体场景，优先打磨可迁移的底层通用技能，交付阶段仅需要少量真机数据微调，就能像搭积木一样自主组合技能库，快速适配任意工作流。

如果说四个月前的首秀只是单点突破，本次展会则是苏度通用泛化能力的全面展示。当初仅擅长抓取的机器人，如今已经拥有了十余项操作技能，而这一切都基于其自成立以来始终坚持的技术主线：仿真技术路线。

具身智能行业的核心矛盾始终是数据：真机数据质量高但无法规模化，人力、设备和时间成本极高，数据量级增长缓慢；仿真数据量大且成本低，但始终存在Sim2Real的现实鸿沟。今年4月的首秀中，苏度的零样本抓取成功率达到98%，但客户的商用验收标准是99%+，这1%的差距仅靠仿真数据无法填补，必须结合少量真机数据进行微调。

为此苏度打造了虚实融合的数据链路系统，以大规模虚拟仿真数据为基础，融合少量真实采集数据，在数据效率和泛化精度之间找到了最优平衡。这也是目前行业公认的可规模化落地的路径：先用仿真数据构建泛化性强的基座模型，再通过客户的少量示教数据完成交付前的微调，达到可实际部署的成功率。

基于这套虚实融合的数据基座，苏度开发了自己的世界模型。李飞飞曾将世界模型分为渲染、模拟和规划三类，但韩铮认为这三类无法覆盖具身智能的全部需求。规划类世界模型属于上层逻辑，比如分析厨房空间和食材来规划做菜流程；但要将高层规划落地，需要底层扎实的渲染和模拟能力。

目前主流的2D视频生成解决渲染问题，3D生成解决模拟问题，但几何精度不足，无法直接用于接触密集型的精细操作。苏度提出的第四类世界模型，专注于极致颗粒度的渲染与仿真，能够实现对环境和物体的高精度几何理解与预测，包括材质属性、表面摩擦系数、几何约束、动力学约束以及接触后的状态变化。

在苏度的仿真基础设施中，世界模型参与环境构建、数据生成、任务定义以及策略训练的监督与评估环节，实现了世界模型与强化学习的一体化。机器人可以在遵循真实物理定律的虚拟世界中反复练习，完成自主进化。

苏度的技术路线在行业中显得格外“反主流”。尽管虚实融合的方向逐渐成为共识，行业内也涌现出不少全栈方向的研发团队，但真正将仿真作为技术基座而非辅助工具的企业仍然是少数，多数头部玩家仍在重金搭建真机数据壁垒。而苏度始终坚持仿真路线，围绕仿真搭建全栈技术体系，不为短期效果妥协。

更深层的逻辑是，这是一家极度长期主义的企业。他们不会为了打造亮眼的演示项目而牺牲底层架构的完整性，而是先解决通用范式问题：先做大、做通通用能力，再面向具体场景做小、做稳、做到可部署。无论是早期的抓取技术，还是本次与行业伙伴合作的电池模组方案，都是其技术路线上自然点亮的技能点。这种“逆向运行”的策略，让苏度在成立仅14个月就获得了200亿元的估值，持续获得资本的认可。

记者专访了韩铮，深入了解了这家企业的技术逻辑和商业化路径。

当被问及为何选择以仿真为核心的技术路线时，韩铮表示，尝试多种数据源并调整配比符合直觉，也能在短期内看到效果，但真正的框架突破需要大量基础性的“脏活累活”，可能三到五年都无法产出论文，这对多数追求短期回报的团队来说难以接受。大模型的核心逻辑是尽可能完整地复现世界，机器人需要覆盖人类在不同环境中对各种物体的操作方式，无法通过过拟合的小模型拼接完成，必须长期投入基础性的研发。苏昊团队瞄准具身智能领域超过十年，早期还参与过ImageNet等大型基础项目，因此有底气和耐心进行长期布局。

针对“具身智能走仿真路线是否会重蹈自动驾驶仿真的覆辙”的疑问，韩铮指出，自动驾驶的核心难点在于高速场景下的多智能体博弈，而机器人通常不在高速环境中运行，遇到障碍物可以随时停下等待，但其对接触密集型操作的物理保真度要求远高于自动驾驶，需要精准的几何形状、摩擦力、接触状态预测等信息。此外，两者的冷启动方式不同，目前没有低成本的人体外骨骼让机器人快速采集真实操作数据，因此仿真路线依然是最优选择。

关于第四类世界模型，韩铮进一步解释，当前的2D和3D生成模型只能生成视觉相似但物理不可信的内容，无法用于接触密集型操作。苏度的世界模型专注于下层执行模型，比如机器人如何根据不同的冰箱门把手调整动作，如何在复杂厨房环境中完成取食材等任务，这需要高精度的物理仿真支撑。世界模型和仿真并非对立关系，仿真相当于机器人进化的基础设施，世界模型则负责其中的环境搭建、数据生成和任务设计，两者属于不同层次的技术栈。

当被问及为何需要高颗粒度的物理信息时，韩铮表示，人类不需要显式掌握物理定律，是因为经过了漫长的生物进化和后天尝试，而机器人无法跳过这一过程。苏度在仿真器中构建了物理规律、解算引擎和大规模可微仿真环境，通过在精度和效率之间的平衡，让机器人在虚拟世界中完成类似人类的进化过程。

谈及与行业伙伴合作的电池模组场景，韩铮表示，标准电芯的生产自动化程度已经很高，具身机器人适合的是两类任务：一是自动化设备之间的衔接缝隙，比如物料上下料和流转，这类环节连接不同设备但缺乏标准化方案；二是柔性生产任务，比如兼容多型号产线、接插安装等传统自动化难以胜任的操作，这类任务依赖闭环感知和实时调整。此外，这类任务对工人存在安全风险，具身机器人可以替代工人完成高危操作，提升安全性和效率。苏度专注于柔性精密操作，不参与同质化竞争，通过多技能组合和机器人集群解决传统工业机器人难以覆盖的危险和重复工位。

苏度的仿真路线在电池模组场景中的核心优势是极致的可靠性。其他技术路线在部署到具体产线时，如果缺乏针对性的后训练数据，成功率通常很低，需要让产线停机采集数据、进行真机强化训练，消耗大量物料才能将成功率提升到99%+，而且这种方案对电芯规格、产线环境和光照条件都有严格限制，难以规模化落地。苏度的目标是让自动化团队不需要掌握复杂的真机数据采集和模型调参流程，更换型号或产线时无需从头开始，使用体验接近大语言模型的prompt输入或协作机器人的拖拽示教。

如果更换电芯型号或产线，内部调试通常在一天以内，主要是工艺逻辑的示教；如果迁移到其他电池厂，熟悉系统的集成商只需调用公开技能库，一到两天就能完成部署，产线工艺也可以灵活组合。

关于是否坚持自研机器人本体，韩铮表示，公司成立之初并没有认定必须自研硬件，如果市面上的机器人本体足够好用，完全可以不用自研。但从2022年筹备公司开始，团队测试了各类移动底盘和全身机器人，发现现有硬件的底层架构、选型和参数无法满足算法要求，第三方定制开发也存在统筹难度大、周期长的问题，因此最终决定自研本体。从长期来看，苏度将采用类似“iPhone+iOS”的软硬一体形态，开放SDK让合作伙伴开发应用，同时也会向其他机器人平台输出预训练模型、核心芯片和执行器。

韩铮认为，追求顶尖的具身智能模型，自研本体是必选项。行业现在越来越关注机器人的自研自产，以及模型、数据采集设备和本体之间的深度兼容，缺少这种兼容性会严重影响最终效果。如果“大脑”的泛化能力只有50%，无论搭配多好的硬件，整体表现都只能达到50%，无法满足商用的99%+可靠性要求。

当被问及具身智能的“iPhone时刻”是什么时，韩铮表示，就是第一次系统性向市场提供量产设备的时候。按照同行的标准，现在的设备已经可以售卖，但还没有通过苏度内部的严苛标准，本次展会展示的新构型也不是最终定型版本。目前团队正在进行高强度内部测试，同时建设开发者中心让合作伙伴体验。首先要确认硬件和底层基础模型能够高效协同，合作伙伴可以在底座上搭建自己的模型和具身智能体；其次要验证设备能否长时间无故障安全运行，以及线下售后体系是否完善。

针对行业的“自由度军备竞赛”，韩铮表示，仿真路线让苏度可以低成本测试数百种构型，对比不同方案对电机扭矩、自由度、成功率、工作空间和散热的要求，跳出纯粹的仿生学思维。比如从A点到B点，轮子比四足更高效，机器人不需要受生物结构的限制；同样，机器人是否一定需要五指灵巧手，目前学术界和工业界都没有定论。苏度可以在虚拟世界中测试上百种构型，最终只选择两三种最优方案进行实体试验，大幅降低试错成本。

谈及行业商业化早期，资本市场的期待时，韩铮表示，资本市场清楚机器人是巨大的机会，担心错过窗口期，因此国内涌现了大量同质化企业，类似早期高校机器人实验室孵化的商业公司，每家都在单点推进。

在研究突破和商业化场景的精力分配上，韩铮表示，即使已经拥有不少产业股东和海外工业客户，苏度在选择合作对象时依然非常克制，核心目标始终是打磨基础模型和上层开发工具，让技能和技能组合作为标准品快速复用到多个行业，体验类似搭建App。合作方可以在平台上参与应用层开发，不需要触碰基础模型或重新开发操作系统。

针对基础层规模化是否会挤压上层应用公司的生存空间，韩铮表示，行业将走向模型分层和上下游分工。工业领域有大量需要深厚行业经验的工作，比如MES系统整合、工装夹具定制、安规认证和服务体系建设，这些苏度不会涉足。基础模型之上还有广阔的空间，做多模态模型、从CV转型VLM的团队都可以和苏度形成上下游合作。

比如用户给机器人下达“做一道菜”的抽象任务，上层模型负责读取菜谱、规划流程、连接电商平台下单，而苏度负责让机器人可靠地完成打开冰箱、取食材、操作厨具等具体操作，合作伙伴可以通过SDK、API和虚拟调试工具调用这些能力。

当被问及如果同行也达到99%+的成功率，苏度的护城河是什么时，韩铮表示，长期来看任何技术都不会被一家公司垄断，但苏度搭建的Sim2Real技术栈和系统复杂度远高于多数真机路线的团队。真机路线更像早期的大模型训练，有经验的团队可以快速迁移参数做出演示，但要达到99%+的可靠性和强泛化能力，需要极其复杂的系统工程，需要同时具备数据理解、仿真搭建、物理解算、渲染、机器人系统、硬件设计、操作系统等多领域的强背景人才，这种团队在全球范围内都屈指可数。

此外，大客户的核心数据通常不会回流，私有化部署的需求长期存在，苏度的数据飞轮转得更快，安全要求较低的数据可以脱敏回收使用，客户在仿真调试环境中的使用数据也有助于系统持续改善。

最后，韩铮总结道，对机器人来说，科研和商业化的最大分水岭就是99%+的可靠性，达不到这一标准就无法真正超越传统工业自动化。具身智能不需要替代所有工业自动化，而是应该解决那些传统自动化成本过高、难以覆盖或无法完成的任务。如果行业能在这一点上形成共识，就能更清晰地判断可行的具身方案、靠谱的公司路线和理性的商业化选择。