20亿美金苏度科技具身首秀即大招！0真机数据，zero-shot，跑出98%首次抓取成功率

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障碍物约束空间约束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PIPhysical 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/