蘇度科技昨日發布首篇技術 Blog,正式展示了其軟硬件全棧自研的機器人系統 Sudo R1,并宣布,截至2025年底,已獲得包括寧德、阿里、高瓴、國壽股權、綠洲、騰訊、螞蟻、IDG、藍馳、數字未來、孚騰、復旦科創、云暉等機構的投資,同時,公司已于近期完成新一輪融資,估值突破20億美元,并進一步引入頭部產業客戶與全球一線投資機構,高鵠資本擔任長期獨家財務顧問。
Sudo R1采用3D世界模型與強化學習一體化設計,在不使用任何真機數據的前提下,實現關鍵任務接近100%的 Zero-shot 成功率。這是業內首次系統性驗證:僅依賴仿真數據訓練,即可支撐模型跨越現實世界復雜性。
面向通用操作的底層基礎模型蘇度所展示的并非單一任務優化模型,而是一個面向通用操作的底層基礎模型。在 Zero-shot 條件下,該系統即可實現接近100%的成功率,并對未知環境與未見物體表現出穩定的泛化能力,同時保持較高的動作流暢性,具備“開箱即用”的能力體驗。
以 Pi、Generalist 類模型為代表的技術路線,通常依賴 few-shot 方式進行適配,即需要針對具體場景進行示教,并在限定環境與物體條件下才能獲得較高成功率。一旦環境或物體發生變化,往往需要重新進行數據采集與適配,本質上更接近“任務級優化”,而非“能力級泛化”。
如果類比大模型的發展路徑,蘇度更接近 ChatGPT 所代表的范式——通過通用底層能力解決任務,而非針對每個場景單獨構建系統。
![]()
在一段60分鐘不間斷、未經剪輯的實測中,Sudo R1 在不同光照與背景條件下,對透明、反光、柔性、不規則形狀等多類未見物體,均實現接近100%的抓取成功率,并展現出強大的閉環實時控制與空間避障能力。更值得關注的是,該操控模型在訓練過程中完全基于仿真數據構建,未依賴任何真實世界采集數據。這一設定并非工程上的限制,而是一項刻意的技術驗證——即在不借助真機數據對齊的前提下,檢驗仿真預訓練是否能夠獨立支撐模型跨越現實世界的不確定性。
突破具身發展瓶頸,破解數據供給核心難題這一結果之所以重要,是因為其正面回應了當前行業的兩個核心瓶頸:
其一,數據規模瓶頸。當前主流路徑依賴真機數據采集(從遙操作、UMI、再到人類視角采集等),盡管成本與效率上持續優化,但規模化擴展仍面臨經濟性挑戰,數據供給難以隨算力線性增長,并持續限制模型能力上限。
其二,物理世界建模不足。真實數據雖包含視覺與動作信息,但對物理世界核心——dynamics(動力學)的刻畫往往間接且不完備,導致模型難以學習穩定、可泛化的物理交互規律。這也是當前多數具身系統在真實環境中表現不穩定、難以規模化的根本原因之一,同時也是當前真機路線較少正面解決的問題。
在這一背景下,單純討論“真機數據與仿真數據孰優孰劣”并無實際意義,更關鍵在于構建一條可規模化的數據與模型協同路徑:仿真數據由于天然包含完整的物理交互信息且具備顯著的成本與規模優勢,更適合承擔“廣度與物理常識”的構建;而真機數據則具備真實噪聲、傳感器誤差及復雜環境擾動等特性,能夠提供與現實分布對齊的關鍵信號,但其高成本決定了其更適合作為后期對齊與校正的稀缺資源。圍繞具體場景動態確定兩者的配比,才是真正的長期壁壘。
而這一配比能力的前提,是高保真仿真器和對數據協同機制的深度理解。
蘇度的數據體系建立在高保真仿真器之上,天然包含對物理 dynamics 的直接表達,使模型能夠學習到可泛化的物理規律。這使其成為目前少數在世界模型和強化學習一體化路徑上驗證最充分的團隊。換言之,Sudo R1 所展示的,并非一次任務調參后的結果,而是其底層數據路線與模型架構共同作用的外在體現。
Sudo R1 打破了行業長期以來對 Sim2Real 路徑的根本性質疑。它不僅證明了這一路徑的可行性,更在泛化性、敏捷性、魯棒性和空間智能四個維度上同時逼近生產級水準。
特別聲明:以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布,本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.