一个月前的CVPR现场，一家中国具身智能公司的展台被围得水泄不通。
没有真机调试，没有遥操作采集，一台机器人直接从仿真里「毕业」，Zero-shot首次抓取成功率约98%。
如今，他们来到了WAIC。
苏度科技——成立一年估值破人民币200亿元，苏昊担任联合创始人、董事长兼CTO的具身新星——首次在国内大型展会亮相。
这一次，他们带来的不只是Picking。展台上同时跑着四组Demo：
- 精密装配：双手协作，以亚毫米级精度完成模具组装；
- 柔性打包：布料随形，双手协同；
- 移动操作：移动场景下的感知-决策-执行全链路闭环；
- 电池模组产线：四机协同，复刻与宁德时代联合开发的真实工业流程。
每一组Demo，都在尝试回应同一个行业终极之问：
仿真训练出来的模型，到底能不能在真实世界干活？
对此，苏度科技联合创始人兼CEO韩铮的回答是：
能，而且一旦放出来，就是99%+成功率。
高可靠性是具身走向商业化的前提。
我们内部的标准99%+成功率，在此基础上再谈泛化性。
这点在现场也得到了印证。
量子位发现，苏度是场馆内极少敢让观众自带物体「盲测」的展台——给啥抓啥，来者不拒。
甚至有让抓骰子的……
我跟工作人员小哥调侃：诶，能抓手机吗，抓坏了咋办？
小哥嘿嘿一笑：赔你（doge）。
也是对模型能力绝对自信的一种体现吧。
苏度WAIC首秀，四组Demo拉开能力光谱
一刚一柔，两场「极端考试」
自苏度亮相以来，外界一直在追问同一个问题——
Picking对精度要求不高，Sim2Real在抓取上能跑通。但contact-rich（接触密集型）操作呢？
WAIC现场的亚毫米精密装配与双手柔性打包，就是苏度对此的正面回应。
这两项任务，恰好代表了物理交互的两个极端。
精密装配，难在精度。
看似简单的玩具组装，背后是极小的容错率，稍有偏差便无法嵌入，对力控和位姿估计的要求近乎苛刻。
我在现场亲手试了一下，很难Zero-shot。纯靠视觉只能对准一个大概位置，真正咬合靠的是指尖的力觉反馈，在接触中实时微调。
柔性打包，则难在不确定性。
布料没有固定形状，每一次抓取、每一次受力，都会彻底改变下一步面对的状态。这类柔性物体在仿真中极难精确建模。
结果呢？
苏度用同一套基座模型，两场考试全部通关。
不仅做到了，还保持了与Picking同等级的闭环抗干扰能力。
关于这一点，不知道大家有没有发现一个细节——苏度在这些操作时用到了两只手。而展会上，绝大多数机器人展示时只用一只。
原因很简单，双手场景下，一只手的动作会立即改变另一只手的约束条件、可行空间和下一步选择，变量太复杂，模型必须依据真实反馈持续协同。
苏度选择双手协作来做Demo，是主动亮剑。
并且也是和Picking一样欢迎现场出题的。
我问现场工作人员：能不能伸手干扰一下？
小哥的回答只有两个字：
欢迎。
然后展台的两位小姐姐直接开始现场「捣乱」了（bushi）。
一刚一柔。前者考验精度，后者考验柔顺。两项极端任务，均做到了与抓取同等级别的泛化能力。
苏度用这两个场景正面回应了一件事：
「仿真搞不定contact-rich操作」——这个判断，该改了。
移动操作：边走边抓，彻底不做模块拼接
听上去理所当然，但现实是：绝大多数机器人至今仍做不到。
原因藏在数据里。
移动操作的遥操作数据极难采集，底盘式机器人尤其如此。用摇杆或脚踏控制底盘，再同时操控手臂，操作方式本身就反人类。
因此，目前主流的遥操作方案往往固定操作者下肢，许多系统甚至把上肢、躯干和头部也基本锁死，只允许一只手臂运动。
靠真机数据走通移动操作，几乎是一条死胡同。
苏度用仿真路线翻过了这座山——
端到端的全身控制策略。感知、底盘、躯干与手臂不再被拆成独立模块，策略根据实时变化的相对状态，统一生成全身动作。
看着好玩，像在遛机器人。但背后对应着大量真实应用场景：开柜门、上下料、搬运大件物体……几乎所有涉及大范围空间的操作任务，都需要移动操作能力来支撑。
解锁这项技能点，意味着机器人的作业边界被大幅拓宽。
四机协同跑产线：从技能到任务
最重磅的Demo，压轴登场。
苏度与宁德时代合作，现场复刻了一条电池模组产线，完整还原锂电产线从上料到下料的全流程：上料→电芯装配→扫码→下料。四台同型号机器人分守不同工位，协同作业。
流水线作业是人类工业最成熟的生产组织方式，但对机器人而言，这类多机协作任务对泛化能力的考验极为严苛。
关键在于状态传递：每一步的执行结果，就是下一步的起始条件。前一台机器人完成上料与装配后，任务状态和工件向后流转，下一台必须准确「接住」结果，再完成扫码与下料。
这类长程任务场景下，任何一环出错，整条链路都会中断。
苏度为何敢在线下实时展示？
秘诀在于一套「任务智能体」。
大部分公司的Demo往往为展示设计，需要为特殊场景专门采集多条真机数据，这样当然也能交付，但也将模型框死在了一个工位、一道工序、一个固定任务，靠这种方式打通一串长程任务，成本相当高。
苏度的选择是，预训练阶段不进入具体场景，优先将Picking这类可迁移的底层共性技能做到极致，同时保证泛化性。
这样到了交付阶段，只需少量真机数据后训练，任何工作流都能基于已有技能库的自主组合打通，像搭积木一样。
如果说四个月前的惊艳首秀只是单点突破，那这次WAIC则是一次通用泛化能力的全面亮剑。
一机多能、双手精细操作、多机协作、长程任务编排……当初的Picking王牌，已然裂变为10余项操作技能。
而这一切，究其本源，仍然指向团队自亮相之初便坚定的技术主线——
仿真之路。
仿真的底层逻辑
数据，至今仍是具身智能行业百家争鸣的开放问题。
真机数据自然是所有人求知若渴的，但无法Scaling。人力、设备、时间成本层层叠加，数据量级始终进展缓慢。
仿真数据量大管饱，却绕不开一个现实：Sim2Real的Gap。
今年4月的亮相中，苏度将抓取的Zero-shot成功率做到了约98%。但现实场景中，客户的验收标准是99%+。
这1%的鸿沟，仅靠仿真数据很难逾越，必须补上真机数据的微调。
这促使苏度打造了一套虚实融合的数据链路系统。
核心思路是各取所长：以大规模虚拟仿真数据为主体，有效融合少量真实采集数据，在数据效率与泛化精度之间找到最优平衡。
这也是目前业内较有共识的、真正可Scaling的落地路径。先在预训练阶段用仿真数据构建一个泛化性强的基座模型，再在交付阶段结合客户的少量示教数据微调，达到可实际部署的成功率。
基于这套虚实融合的数据基座，苏度设计了自己的世界模型。
李飞飞曾将世界模型分为三类：渲染、模拟与规划。但在苏度CEO韩铮看来，这三类并不能覆盖具身大脑的全部任务。
先说规划类世界模型，这是上层，当用户要做一道菜、它负责分析厨房空间和冰箱内容、判断是否需要下单买菜。
但要将这些高层推理落地，还得看底层的渲染和模拟能力是否扎实。
这也是苏度一直瞄准的生态位。
目前，纯2D视频生成主要解决渲染问题，3D生成主要解决模拟问题。它们可以服务于自动驾驶、室内导航、商用清洁等场景，但几何精度不足，无法直接用于精细操作任务。
在此背景下，苏度提出了第四类世界模型——
极致颗粒度的渲染与仿真，对环境与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。
具体而言，在苏度的仿真基础设施中，世界模型会参与指导环境构建、数据生成与任务定义，同时参与策略训练过程中的监督与评估。
这背后，是苏度在底层模型中系统性地实现了世界模型&强化学习一体化。模型不再只是拟合输入输出映射，而是在有几何结构、空间关系、接触力学的环境中真「干活」，通过实践学习可迁移的物理规律。
最终的结果，就是一个遵循真实物理定律的虚拟世界。机器人能在这里面无限轮回，最终完成属于它自己的进化。
写到这里，一个词突然从脑海中跳出来，也是我对苏度所有印象的最终浓缩：
反主流。
最直观的体现是对数据的思考。
虚实融合的方向虽已渐成共识，业内越来越多Omni方向的工作也在涌现，但真正把仿真当作基座而非辅助工具的，仍是少数派。大多第一梯队选手还是会重金搭建自己的真机数据壁垒。
在这一背景下，苏度始终坚持仿真，并围绕仿真搭建了自己的全栈技术体系，毫不FOMO。
这条明线不难察觉，但我觉得，在此之下还有一条更本质的暗线——
这是一家极为长期主义的公司。
他们不会为了做出一个fancy的Demo交付而牺牲底层架构的完整性。而是先解决范式问题：先把通用能力做大、做通，再面向具体场景做小、做稳、做可部署。
无论是泛化Picking，还是此次与宁德时代合作的电池模组方案交付，都是苏度在这条技术主线上行进过程中，顺手点亮的技能点。
这无疑与主流打法形成了鲜明差异。
如此「逆向运行」，却一次又一次惊艳交卷，持续获得投资人押注。成立仅14个月，估值即达人民币200亿元。
这究竟是一家怎样的公司？
量子位找到了苏度科技CEO韩铮，为我们揭开这家新兴具身智能独角兽的面纱。
对话苏度CEO韩铮
让机器人在仿真中进化
量子位：很多团队倾向于搭建「数据金字塔」，各类数据都采集一些，再用真机数据做消融实验。为什么苏度很早就选择了以仿真为主？
韩铮：尝试各种数据源并不断调整配比，符合直觉，也容易在短期内看到效果。但真正的框架突破背后需要大量Dirty work，一个团队可能三到五年都发不出一篇论文。这对多数高校研究组、大厂研究院和追求短期回报的创业公司来说，是很难接受的。
大模型的诞生背后有一个朴素的原理——尽可能完整地复现世界。语言模型要覆盖人类对话的全貌，视觉模型要覆盖图像与文字的各种形态，自动驾驶要覆盖千变万化的路况和Corner case，而机器人则要覆盖人在不同环境中对各种物体的操作方式。
构建这类模型，不可能靠在大量受限Case上过拟合的小模型拼接完成。而要从零开始完整地构建数据、框架和算法，需要长期的基础性投入。这类工作天然不适合承受强论文压力的研究组，也不适合从零起步、急于验证商业模式的创业公司。
国内许多具身智能团队进入这一领域不过三到五年，通常从自己擅长的单点切入。而苏昊瞄准这个方向已经超过十年，早期又参与过ImageNet这类大型基础性项目，因此有底气、也有耐心做长期投入。
量子位：自动驾驶的仿真和Scaling路线似乎遇到了瓶颈，并没有让模型真正达到L5。具身智能走仿真路线会重蹈覆辙吗？
韩铮：自动驾驶的难点在于高速场景下的多智能体博弈。机器人通常不在高速、多机协作的环境中运行，前方有人时可以完全刹停，等对方离开后再恢复动作，也可以低速绕行。
但它对contact-rich操作的要求远高于自动驾驶：
几何形状、摩擦力、密度分布、接触后的状态预测……每一项都需要极高的物理保真度。
冷启动的方式也不同。
如果每