苏度 WAIC 首秀：从1到10+技能跃迁，探索通用机器人 Scaling 路径

探索通用机器人的可能性

作者丨邓哲敏

编辑丨齐铖湧

WAIC 2026，具身智能展区依旧是人最多、最受关注的区域之一。做咖啡、拍照、跳舞，各家机器人争奇斗艳。

苏度科技的展台前同样人头攒动，氛围却有些不同。几台机器人安静地站在工作台前，做着看起来平平无奇的事情：抓取物品、双手配合用一块布包裹物品、把零件插进对应孔位。动作并不追求炫技，但稳定性、成功率、泛化性都非常出彩。

这不是苏度科技第一次技惊四座。今年4月，苏度首次公开全栈自研具身智能平台 #sudo R1。在一段60分钟的演示视频中，机器人连续抓取了百余件此前未见过的物体，包括透明玻璃杯、反光金属件、柔软布料、不规则形状玩具等，成功率接近100%。6月，在 2026年 ICRA、CVPR 等会议现场，苏度首次向全球公开展示这一系统。面对现场观众随机摆放的物品，机器人依然保持极高的抓取成功率。

成立仅一年，苏度便获得200亿元估值。背后除了市场对具身智能未来的期待，也与其背后的技术团队密切相关。

创始人苏昊是其中最受关注的人物。作为复旦大学浩清特聘教授、通用物理智能研究院首任院长，他曾主导创建 ShapeNet、PointNet 等影响三维视觉发展的基础工作，并持续推动 SAPIEN、ManiSkill 等机器人仿真平台建设。其 Google Scholar引用量超过15万次，长期研究轨迹覆盖了从三维视觉、空间理解到机器人学习的关键技术方向。

与此同时，苏度也集结了具身智能产业化所需的工程和产品力量。联合创始人兼CEO韩铮拥有微软亚洲研究院和AI创业经验，研发副总裁、算法负责人徐泽祥曾任 Adobe Research 研究科学家，长期研究3D生成、空间智能与基础模型。

从三维视觉、机器人仿真，到多模态模型和机器人系统，苏度似乎在搭建一套面向通用物理智能的完整技术体系。

01

三个月技能从1到10+，

具身行业进化黑马出现

精准放置、柔性物体操作、双手协同、移动抓取、自主导航……苏度此次站上 WAIC 展台，十余项技能同时亮相，跨度从生活场景到工业产线，从单臂操作到多机协作。

从1到10+，这个进化速度本身，足够引人注意。

苏度科技研发副总裁、硬件负责人陈润泽在接受AI科技评论现场采访时介绍，苏度将机器人在物理世界中的基础能力单元定义为原子能力。概念背后，苏度对机器人学习路径的理解是，机器人未来的能力增长，不应该依赖工程师针对每一个任务重新训练，而应该像人类学习一样，通过不断积累基础能力，逐渐获得处理复杂任务的能力。

苏昊在7月17日 WAIC 主论坛演讲时提到，物理智能真正缺少的，并不是更多孤立的任务演示，而是“把散落的知识聚合”起来，形成对物理世界的系统理解。他进一步指出，物理世界的知识存在不同层级，其中越接近操作的一层，越难通过观察获得，“知道要做什么，和手真能做到，是两回事。”

这也是机器人区别于大语言模型的重要挑战。人类学习骑车、做饭、使用工具，并不是记住一套套固定流程，而是在成长过程中逐渐掌握平衡、抓握、施力、协调等基础能力。正是这些能力的积累，让人面对陌生任务时，也能够快速组合已有经验解决问题。

苏度希望构建的，是一套类似的能力积累体系：从原子能力出发，逐渐组合成复杂技能，最终支撑长程任务。

比如，一个礼盒包装任务，看似只是一个完整流程，但拆解之后，实际上包含物体识别、抓取、姿态调整、精细放置、双手协同、接触控制等多个基础能力。而这些能力并不会只服务于包装一个场景，它们同样可以迁移到装配、整理、搬运等不同任务中。

苏昊在演讲中说：“物理智能的使命，是把人还给人。”在这条路径上，机器人需要积累的，不只是更多动作，而是理解、操作和改变物理世界的能力。

02

能力如积木般组合，

经验在仿真中积累

机器人能力想要持续增长，首先要解决数据问题。

这也是具身智能与大语言模型最根本的差异之一。语言模型的能力增长，很大程度上得益于互联网中已经存在的大规模文本数据。相比之下，机器人面对的是一个连续变化的物理世界。一个看似简单的抓取动作，背后不仅包含视觉信息，还涉及物体质量、摩擦力、接触状态、运动轨迹以及环境约束等大量隐变量。

目前，行业对于机器人数据路线仍未形成共识。有人押注第一视角视频数据，认为人类日常操作的视频蕴含着丰富的物理交互信息；有人采集人手数据，试图让机器人模仿人类手部的精细动作；还有人坚持遥操作，让人类直接控制机器人完成动作，采集真机数据。

苏度选择了一条不寻常的路线：让机器人首先在仿真世界中积累经验。

长期以来，sim-to-real（仿真到现实）一直是机器人领域的核心难题。仿真环境能够快速生成大量训练数据，但真实世界中存在大量难以完全建模的不确定因素。物体材质的细微差异、摩擦力变化、接触过程中的力反馈，以及现实环境中的随机扰动，都可能导致仿真中有效的策略，在真实机器人上失效。

难点在于，如何构建足够接近真实世界规律的仿真数据。

这正是苏度团队长期积累的方向。

苏昊本科毕业于北京航空航天大学，后在斯坦福大学攻读计算机科学博士。博士期间，他主导创建了ShapeNet数据集和PointNet网络，推动三维视觉领域的发展；此后在加州大学圣地亚哥分校任教期间，又持续投入机器人仿真与评测体系建设，主导研发了SAPIEN、ManiSkill等机器人学习平台。

这些工作的重要价值之一，在于探索如何让机器在数字环境中学习更加接近现实世界的物理规律。例如，ManiSkill支持GPU并行化数据生成，可以快速模拟大量机器人操作过程；SAPIEN则通过物理引擎与机器人控制接口结合，让研究者能够在更接近真实交互的环境中训练机器人。

苏度并没有简单调用已有仿真工具生成数据，而是重新构建一套属于自己的、面向机器人学习的数据生产体系。

在苏度技术团队看来，仿真最大的价值，是能提供现实世界难以复制的成长环境。一名熟练工人并不只是通过反复练习某一条生产线动作成长起来的，他在长大的过程中，早就接触过大量物体、环境和任务，逐渐形成了对世界的理解。机器人也需要类似的过程。

通过仿真环境，团队可以让机器人接触大量不同种类的物体、不同光照条件、不同材质属性以及不同任务组合，让模型提前建立对物理世界的基础认知。

苏度技术团队介绍，一个物体包含无数属性，但真正决定机器人能否完成任务的，往往只是其中一些关键变量。例如，物体是否容易抓取，可能更多取决于重量分布、摩擦特性和几何结构，而不是表面纹理等视觉细节。通过大量实验，团队希望找到这些影响机器人行为的关键因素，并将其融入仿真环境。

目前，苏度已经建立完整的数据生成管线，每天能生成百万级规模的数据。

拥有强大的仿真引擎，并不意味着苏度排斥其他数据来源。

陈润泽介绍，苏度目前采用的是“仿真训练 + 真机辅助”的虚实融合路线：以大规模仿真数据为基底，让机器人掌握底层能力；同时结合精细真机数据，进一步提升模型可靠性及真实环境适应性。这种虚实融合的路线，让机器人既有仿真里练出的“见识”，也有真机上磨出的“手感”。

当底层原子技能在仿真中被大量练习、快速验证后，就能像积木一样组合复用，快速迁移到新的任务场景——这正是苏度能在短时间内扩展技能的原因。

03

硬件，正在成为算法的延伸

苏度展台的角落，还藏着一只自研灵巧手。

这是一只22自由度的直驱灵巧手。其中，大拇指和小拇指各拥有5个自由度，其余三指各拥有4个自由度。相比传统夹爪只能完成简单的开合动作，这只手希望进一步接近人手在复杂操作中的能力。

苏度硬件负责人介绍，他们并非简单复制人手结构，而是在针对机器人任务重新设计。

例如，人手的大拇指之所以重要，不仅因为它能够弯曲，还因为它可以与其他手指形成稳定的对指关系。因此，苏度为拇指增加了自旋自由度，同时让小拇指具备更强的内收能力，手指关节还加入外翻设计，让机器人在夹持物体时能够获得更大的接触面积，提高稳定性。

一个容易被忽略的细节是，苏度还在手指末端设计了类似指甲的结构。

对于人类来说，用指甲捏起纸片、翻动书页，或者从桌面拾起细小物体，是一种几乎无需思考的动作。但对于机器人而言，柔软指腹往往难以完成这种精细操作。增加刚性的指甲结构，可以帮助机器人形成更精确的点接触，从而完成例如捏取细针、扣开易拉罐等精细任务。

在驱动方式上，苏度选择了直驱方案。

所谓直驱，是指驱动单元直接作用于关节，中间不经过传统减速器等传动结构。相比存在机械间隙的传动方案，直驱能够让控制输入和关节响应之间更加直接，提高系统的力控能力。

硬件负责人介绍，直驱最大的价值并不只是提升机械性能，更重要的是让算法更容易使用。

对于机器人而言，控制模型需要理解的是，施加多少力，会产生怎样的动作。如果中间存在复杂传动结构，模型面对的是一个经过多层转换后的结果；而直驱结构能够减少这些不确定因素，让算法对机器人的控制更加精准。

这也是苏度坚持软硬件一体化的重要原因。

陈润泽采访中提到：“供应商能力很强，但他离需求太远，没办法跟算法同学直接沟通。”

在传统工业机器人时代，硬件和软件可以相对分离，机器人执行固定动作，系统长期运行。但通用机器人面对的是开放环境，模型、数据和硬件之间需要持续迭代。模型发现某类任务难以完成，可能需要调整控制策略；控制需求变化，又可能反过来影响机械结构设计。

因此，苏度强调“白盒化”——让机器人系统内部的每一个环节都能够被理解、调整和优化。

但这种选择并不只是为了实现全栈自研。苏度硬件团队表示，灵巧手的研发并非希望短期内直接替代工业夹爪进入工厂，而是希望更好地服务软件算法的训练和迭代。

在苏度看来，具身智能时代，硬件不再只是执行模型指令的工具，而需要与模型共同进化。

从机器人本体、数据采集、模型训练到最终部署，苏度都希望保持自主控制，原因在于，硬件设计本身会直接影响模型能力。例如，一个摄像头应该放置在哪里、需要几个视角、机械臂需要多少自由度、灵巧手每个关节如何设计，都不是单纯的机械问题，而需要结合算法对于感知、控制和任务执行的需求共同决定。

当机器人出现问题时，团队需要快速判断：究竟是模型没有理解任务，控制策略存在不足，还是硬件反馈没有达到预期。只有掌握从机械结构、传感器到算法模型的完整链路，才能缩短迭代周期。

这种软硬件协同，在展台现场展示的双手精密装配任务中体现得尤为明显。

表面上看，机器人只是将两个零件插入对应位置，但背后同时涉及视觉定位、双臂协调、姿态调整和接触控制。零件加工误差、视觉识别误差、机械运动误差，以及接触过程中产生的力反馈，都会影响最终结果。对于人类而言，这类操作依靠长期形成的身体经验完成；而机器人则需要通过硬件、算法和数据共同逼近这种能力。

因此，苏度所谓的软硬一体，并不是简单地把所有模块掌握在自己手中，而是希望让机器人的“身体”真正成为智能形成的一部分。

目前，苏度展出的机器人仍主要采用夹爪作为末端执行器，而此次展示的自研灵巧手，也是团队首次对外公开亮相。据技术团队介绍，未来苏度将进一步探索灵巧手在机器人系统中的应用，用更高自由度、更精细的操作能力替代传统夹爪，从而支持机器人完成更加复杂、开放的任务。

04

超快的工业落地背后，

是99%+的可靠性

在工业场景集中展区，苏度与宁德时代合作的电池装配机器人正在运行。四台机器人分布在不同工位，协同完成锂电池模组的装配任务。这不是一场表演，而是已经在宁德时代的锂电组装产线上验证过的方案，抓取成功率达到99.5%以上。

在零售商超场景，苏度正与全球领先零售企业推进技术方案规划，探索机器人在盘点、补货、货架巡检、缺货识别等任务中的应用。在餐饮门店场景，也在与头部连锁品牌推进服务机器人项目。

但苏度团队清楚，从Demo到规模化部署，中间隔着一条巨大的鸿沟。

陈润泽说：“可靠性从90%到99%+，背后是一个巨大的宇宙。”

生产线上，一次失败就可能意味着停线、返工甚至更高的成本。机器人不仅要面对物体摆放位置变化、环境光照变化，还要处理设备状态变化、人为干扰以及各种此前没有见过的突发情况。真正决定机器人能否规模化部署的，往往不是平均成功率，而是最后那几个百分点的长尾能力。

这也是为什么，苏度把真实部署视作模型训练的一部分，而不是训练结束后的结果。每进入一个客户现场，机器人都会遇到新的环境、新的问题和新的失败案例，这些数据又会重新进入模型训练，不断提升下一次部署的成功率。真实世界，逐渐成为能力增长闭环的一部分。

苏度提出了一个颇有意思的判断：家庭机器人和To C，并不是同一个概念。以大疆为例，它面向消费者，但并不是家庭机器人。机器人未来或许也会先进入个人消费市场中的部分场景，而真正进入家庭，仍然需要跨越成本、安全、可靠性以及泛化能力等多个门槛。

因此，在相当长一段时间内，工业、零售和商业服务依然是具身智能最重要的验证场。这些场景既能够产生真实价值，也能够持续为模型提供反馈，推动机器人不断获得新的能力。

苏度的目标是2027年实现百台级交付，2028年进入千台级规模。

但相比这些数字，苏度高层更关心的是，机器人能力是否能够随着部署一起复制。如果每进入一个新客户，都需要重新采集数据、重新训练模型、重新开发系统，那么交付规模再大，本质上仍然是项目制。只有当同一套底层能力能够快速迁移到不同场景，新场景所需的数据越来越少，机器人行业才真正进入了能力可复制、可扩展的新阶段。

05

机器人竞争，

正在进入能力增长时代

苏度的首次国内公开参展，像是一次宣言。

它想验证的是：如果机器人能够拥有一批可迁移、可组合的基础能力，是否能通过不断叠加，获取更复杂的能力，进而实现通用泛化？

围绕这个目标，苏度选择了一条相对完整的技术路线：用虚实融合的数据体系提升模型泛化能力，用软硬件协同缩短迭代周期，再通过真实场景不断验证模型边界。

行业共识还未收敛，但未来决定一家机器人公司竞争力的，或许不再是今天展示了多少个Demo，而是半年之后，它是否还能以同样的速度获得新的能力，一年之后，这些能力又是否能够稳定进入真实世界。

苏度科技，正在用它的方式回答这个问题。

未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！

公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。