衡宇 发自 凹非寺
量子位 | 公众号 QbitAI
具身机器人在60分钟内，不间断抓取100多个没见过的物体（透明的、金属的、软质的），目前能达到什么水平？
一个最新模型给了份令人惊喜的答案：
首试抓取成功率约98%，两次尝试内几乎100%。
而且，驱动这次抓取测试的模型，训练时没有用过哪怕一条真机数据，把纯仿真路线贯彻到底。
这样亮点十足的成绩，来自一家此前极度低调、但已被顶级投资人和产业客户持续押注的具身智能公司。
苏度科技。
量子位最新获悉，刚刚归国就任复旦大学浩清特聘教授、通用物理智能研究院院长的苏昊，正是苏度科技的首席技术顾问，支持该公司技术方向的发展。
今天上午，苏度官网发布首个技术Blog，正式介绍了软硬件全栈自研的机器人系统#Sudo R1。
它采用世界模型与强化学习一体化设计，在不使用任何真机数据的前提下，实现了关键任务近100%的Zero-shot成功率，首次在业内达成这一成就。
看到这儿，想必你和我有一样的疑问：
在真机数据采集成本高昂、难以规模化的行业困境下，#Sudo R1是实现如此惊艳的效果的？
交卷的#Sudo R1，走了一条怎样的路线？我们先从#Sudo R1的实测表现说起。
可以看到，#Sudo R1在这段60分钟、未经剪辑的视频中，不间断执行抓取任务。
视频中，#Sudo R1的200多次抓取测试覆盖了透明、柔性、反光、不规则形状等多类真实场景中常见的硬骨头。
且测试环境包含不同光照条件（暗室、日光、夜景灯光）以及随机物理干扰：
动态背景（用电视屏幕模拟各种场景）：
还有障碍物约束、空间约束等等。
团队人为制造了各种不同的环境和突然情况，尽可能模拟日常生活中的真实任务对象和工作环境。
在没有cherry-pick的情况下，zero-shot成功率接近100%。
理论上来讲，把搭载了#Sudo R1的具身机器人丢到任意一个环境，它都能在0示意教学的前提下直接抓放东西了～
必须跟大家说道说道，#Sudo R1能有如此高的成功率，很大程度上得益于苏度选择的训练路线。
目前最主流的具身模型路线以PI（Physical Intelligence）和Generalist旗下模型为代表。
它们通常依赖few-shot方式来适配，即需要针对具体场景进行示教，针对每个场景单独调参，在限定环境与物体条件下才能获得较高成功率。
凡事有利有弊。
这样做的弊端就是一旦环境或物体发生变化，往往难以跨场景迁移，就必须重新采集数据、重新训练。
或者这么说吧，目前的主流具身模型训练方法本质上更接近“任务优化”，而非更通俗意义上的泛化。
苏度没有选择这样的路线。
团队表示“不想针对任何具体场景做适配”，更希望让模型具有通用泛化能力，在zero-shot的条件下就实现开箱即用的效果。
遵循这样的思路，苏度走上了纯仿真数据训练模型的路。
于是，没有真机数据，没有遥操作，没有人工标注，团队开始训练模型。
他们也想同时来验证“纯仿真训练结合零真机数据”的方式，是否能独立支撑起模型的Sim2Real落地路径。
现在，#Sudo R1这个最新出炉的模型告诉大家，答案是肯定的。
#Sudo R1是怎么做到的？与此同时，#Sudo R1还直面了当前具身智能发展的两个核心瓶颈。
首先是数据供给问题。
尽管遥操、人类视角采集和UMI这些当下行业主流依赖的真机数据采集路径不断在优化成本和效率，但只要想规模化扩展，都不是特别理想。
人力、设备、时间成本重重叠加，数据供给难以随算力线性增长。所以说如果仅仅只是把真机数据作为模型训练的单一基础，至少在很长一段时间内，都会限制模型能力的提升上限。
其次，也是更本质的问题。真机数据虽然同时包含视觉和动作信息，但涉及动力学（dynamics）时，包含的信息既不完备，也不直接。
但动力学的重要性不容忽视，它可是物理世界最最核心的要素之一。
如果模型对动力学的刻画不精准，那么它学到的物理交互规律也难以达到强稳定性和强泛化性。
这也是多数具身系统在真实环境中表现不稳定、难以规模化的根本原因。
面对这两个瓶颈，苏度的解法是重新定义数据范式，通过数据与模型的组合构建一条可规模化路径。
讲道理，仿真数据和真实数据之间不是替代的关系，两者各有各的优势。
所以思考的重点不应该局限在仿真和真实数据孰优孰劣，更应该费心考虑，怎么针对性地根据具体场景，来动态平衡两者的配比，以实现最优结果。
在苏度团队看来，仿真数据天然包含完整的物理交互信息，在成本和规模化层面具备显著优势，非常适合为模型搭建广度认知与物理常识的基础。
而真机数据则自带真实噪声、传感器误差及复杂环境扰动等现实特征，能提供与真实场景分布对齐的关键信号。
但考虑到它的成本居高不下，综合来看，这类数据更适合作为模型后期做真实场景对齐与效果校正的稀缺资源。
但问题的关键在于，模型训练的哪个阶段该主攻仿真数据，又在哪个阶段需要提升真机数据的占比？
要找到这一问题的最优解，既需要对仿真器具备足够深入的理解，也需要精准判断不同场景下仿真与真机数据的协同方式，这种能力绝非短时间内能够积累而成。
苏度的数据体系建立在高保真仿真器之上，天然包含了对物理dynamics的直接表达，使模型能够学习到可泛化的物理规律，更适合作为具身模型的预训练数据引擎。
包含多维物理信息的数据问题被解决，模型架构才能真正发挥威力。
我们还了解到，苏度是目前行业唯一能在底层模型中系统性实现世界模型与强化学习一体化设计的团队。
这种一体化架构，让纯仿真训练能够独立支撑模型跨越现实世界的复杂性与不确定性，实现本文开头提到的近100% zero-shot成功率。
没错，#Sudo R1是苏度底层数据路线与模型架构共同作用的阶段性成果，它在泛化性、敏捷性、鲁棒性和空间智能四个维度上同时逼近生产级水准。
说它打破了行业长期以来对Sim2Real路径的根本性质疑，毫不为过。
苏度一鸣惊人，但一切都在情理之中#Sudo R1是苏度公开发布的第一个模型。
首次亮相就拿出这样的成绩，看得出背后团队实力一定不容小觑。
工商信息显示，上海苏度科技有限公司成立于2025年5月。公司董事韩铮，也是公司的联合创始人兼CEO。
苏度的几位投资人告诉量子位，韩铮是一位连续创业者，在AI和硬件产品领域具备多次0-1及规模化落地经验，曾多次带领所在团队实现全球化业务与并购退出。
业界人士这样评价他：“（韩铮是）具身领域少有的兼具技术理解与商业经验的CEO，更具备扎实的产品能力。在当前具身赛道日益项目化的背景下，业界看好他打破这一路径依赖，推动具身智能走向真正的产品化。”
本文开头已经提到，复旦苏昊是苏度的首席技术顾问。
熟悉具身智能领域的旁友们对这位大佬绝对不陌生。
苏昊师从美国三院院士Leonidas Guibas教授、中科院院士李未教授、美国工程院和英国皇家学院院士沈向洋教授、美国三院院士李飞飞教授，不仅仅是ImageNet的核心缔造者之一，也曾主导ShapeNet、PointNet等3D视觉奠基性工作。
归国前，他在UCSD任终身副教授、具身智能实验室主任；上周他官宣归国任教，担任复旦大学浩清特聘教授、通用物理智能研究院院长。
目前该公司内的技术负责人徐泽祥，是前Adobe 3D Gen AI的负责人。
据公开信息了解，他师从图形学领域权威、UCSD计算机科学系教授Ravi Ramamoorthi。
徐泽祥长期与苏昊开展合作研究，联合发表多篇具有行业影响力的学术成果，在技术路径与核心方法论上形成高度一致的认知。
谷歌学术显示，他的论文被引用数量超1.1万次。
同时，徐泽祥还兼具深厚的产业落地与团队管理经验。
另外我们还得知，苏度硬件负责人是源码资本前投资人陈润泽。
据透露，他在投资人生涯中，曾主导公司对宇树科技的押注。
张校珩担任苏度的战略负责人。
公开资料显示，他曾任职于ABB、华为及蓝驰创投，具备产业与投资双重经验，在投资多家具身智能与先进制造明星企业后，选择回归产业一线。
此外，苏度目前的团队核心成员来自原Hillbot项目的多位骨干。
创业者、学者、投资人、产业老兵……综合来看，苏度的核心团队背景多元，这样的复合型配置，兼具了产业实操、学术积淀、资本视野与行业经验。
资本市场和产业从不同视角表达了对苏度科技的肯定。
资本层面，虽然该公司自成立以来保持较低的对外曝光，但量子位还是从多个信源处求证，苏度已经持续获得产业界头部客户与全球一线投资机构的认可和支持。
投资方阵容很豪华，包括宁德时代溥泉资本、阿里、高瓴创投、国寿股权、绿洲、腾讯、蚂蚁、IDG、蓝驰、数字未来、孚腾、复旦科创、云晖等。
据了解，苏度最新已完成新一轮融资，估值突破20亿美元，并持续获得多家头部及产业机构的支持与加入。
值得关注的是，这份投资方名单中的大多数机构均以长期技术研判与产业深度理解为核心优势，对于通用模型能力的搭建（而非单一场景下的短期拟合）有着明确且一致的认知。
与此同时，苏度在产业侧的进展也很亮眼。
我们最新获悉，苏度的模型在zero-shot与高成功率能力下即可完成初步部署，无需采集客户敏感数据，正是这一关键认知，在产业侧获得了更高的认可度。
该公司还计划以平台化方式提供系统接口与开发者工具，方便客户快速完成场景适配和系统集成。
有消息称，苏度基于通用模型能力，正在构建行业首个实现多工位覆盖的机器人系统，使同一套模型能够在不同工位之间稳定迁移，并支持多产品的快速切换与连续作业。
跨工位的泛化能力才能支撑起柔性制造的需求。对实际生产场景来说，这一点的重要性不言而喻。
还有消息称，苏度已与宁德时代在多个核心制造场景中开展联合开发，围绕电池生产与物流环节推进具身智能系统的落地验证。
苏度官网链接：
https://www.sudo.ai/
— 完 —
量子位 QbitAI · 头条号
关注我们，第一时间获知前沿科技动态
亿资策略提示：文章来自网络，不代表本站观点。
