零真机数据实现近 100% 成功率！苏度科技首发自研系统 #Sudo R1｜绿洲生命力

绿洲 Pre-A 轮被投企业苏度科技（Sudo）于近日发布了首篇技术 Blog。

Blog 展示 60 分钟不间断、未经剪辑的真机实测等多个视频，系统介绍软硬件全栈自研的机器人系统 #Sudo R1，拆解以世界模型与强化学习一体化为核心的底层技术路径。

在完全不依赖真机数据的前提下，该系统实现关键任务近 100% 的 Zero-shot 成功率，并在复杂环境中验证稳定泛化能力，指向一条以仿真数据驱动具身智能规模化的新范式。

刚刚回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教授，以公司首席技术顾问身份参与了这一技术体系的构建与推进。

此次进展并非单点性能突破，而是对具身智能底层范式的一次重构：当数据供给与模型能力开始沿着可扩展路径协同演进，具身系统将进入可验证、可复制的规模化阶段。

苏度科技的首篇技术 Blog 中， #Sudo R1 模型适配的机器人，面对多项复杂抓取任务，在不同环境光照与背景条件下，对未见过的透明、反光、柔性、不规则形状等多类物体，均实现了近 100% 抓取成功率。

同时，模型展现出强大的闭环实时控制与空间避障能力，保持较高的动作流畅性，体现出 "开箱即用" 的独特性能。

以 PI *（Physical Intelligence）*和 Generalist 为代表的模型技术路线，通常依赖 Few-shot 方式进行适配，即需要针对具体场景进行示教，并在限定环境与物体条件下，才能获得较高成功率与稳定性。这种模式更接近 "任务级优化"，而非 "能力级泛化"。

如果类比大模型发展，苏度采取的是更接近 ChatGPT 的范式——通过通用底层能力解决任务，而非为每个场景单独适配。团队刻意设计了技术路径验证：不借助真机数据对齐，检验仿真预训练是否能够独立支撑模型，跨越现实世界的复杂性与不确定性。

这是业界首次实现该目标，为突破数据瓶颈、实现具身 Scaling 打开新思路。正因如此，#Sudo R1 的意义不止是一次高质量展示，而是以可验证的方式，触及了具身智能最核心的底层命题。

突破具身发展瓶颈，破解数据供给核心难题

目前，行业主流依赖的真机数据采集*（遥操、UMI、人类视角采集等）*虽在成本与效率上持续优化，但规模化扩展仍面临经济性挑战，数据供给难以随算力线性增长。

更本质的问题在于，这类数据虽然包含视觉与动作信息，但对物理世界核心——Dynamics（动力学）的刻画是间接且不完备的，模型难以学习到稳定、可泛化的物理交互规律。 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，同时也是当前真机路线较少正面解决的问题。

不过，单纯讨论 "真机数据与仿真数据孰优孰劣" 并没有实际意义，关键在于通过数据与模型的组合构建一条可规模化路径。

仿真数据由于天然包含完整的物理交互信息，且具备显著的成本与规模优势，更适合承担 "广度与物理常识" 的构建；真机数据具备真实噪声、传感器误差及复杂环境扰动等特性，能够提供与现实分布对齐的关键信号。团队会围绕具体场景，动态确定二者配比。配比能力的前提，是足够逼真的仿真器，和对不同场景下仿真与真机数据如何协同的深度理解，这才是形成长期竞争壁垒的关键。

数据配比会直接决定模型架构的演进，两者高度耦合、相互约束。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——这使得苏度成为目前在世界模型与强化学习一体化上验证最充分的团队。换句话说，#Sudo R1 所展示的并不是某一次任务调参后的结果，而是其底层数据路线与模型架构共同作用的外在体现。

同时，#Sudo R1 的结果打破了行业长期以来对 Sim2Real 路径的根本性质疑，不仅证明了这一路径的可行性，更在泛化性、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——这是此前任何单一系统未曾达到的。

其更深远的意义在于，它并非简单替代以 "人工数据采集" 为核心的技术路线，而是重新定义了数据在系统中的角色与分工：当系统能力的提升不再主要依赖昂贵且可扩展低的真实数据，而是以仿真系统生成的可规模化数据作为基础，并结合真机数据进行关键对齐与校正，具身智能、物理智能乃至世界模型的发展，有望进入一条更具扩展性的 Scaling 曲线。

这不仅是数据来源的变化，更是训练范式与技术路径的重构。

以通用抓取为起点，构建 "基础模型+Agent" 生态

此外在本次演示中，团队没有追求 "复杂但难以验证" 的动作，只刻意展示 "通用抓取" 单一技能，优先打通可验证、可落地的基础范式。

只有基础范式在真实环境中被验证并被开发者与客户接受，后续技能的扩展才具备规模化意义，边际开发成本也将随之显著下降。

围绕这一通用模型能力，苏度正在国内与海外同步建设开发者中心，开放底层模型与工具链，支持开发者基于统一能力框架进行应用开发，从而在具身智能领域首个复现类似大语言模型领域的 "基础模型 + Agent" 生态结构。

产业落地加速：与宁德时代共建制造标杆，实现多工位泛化

在产业侧，团队已开始支持工业制造与物流领域的头部客户开展二次开发。

当前部分依赖真机数据采集的路径，要求客户开放自身生产数据进行采集与适配，不仅带来高成本，也在数据安全与实际落地中构成重要约束。苏度从一开始即避免对这一前提的依赖，其模型在 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。

这种对问题边界的重新定义，使其在产业侧获得了更高的认可度。同时，苏度将以平台化方式提供系统接口与开发者工具，支持客户在其基础上快速完成场景适配与系统集成。

据了解，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。基于通用模型能力，苏度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，支持多产品的快速切换与连续作业。

这一点在实际生产中尤为关键——对客户而言，真正有价值的并非单点能力的提升，而是跨工位的泛化能力，否则其本质仍接近传统自动化系统，难以支撑柔性制造的需求。

构建通用模型能力，沉淀长期技术壁垒与产业价值

苏度是过去一年中少数在技术路径上做出清晰非共识选择、并持续兑现结果的团队之一。公司自成立以来保持较低的对外曝光，长期聚焦于具身智能中最核心、也最具挑战性的基础问题。

苏度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，截至 2025 年底，投资方包括绿洲、宁德、阿里、高瓴、国寿股权、腾讯、蚂蚁、IDG、蓝驰、数字未来、孚腾、复旦科创、云晖等。

公司在选择合作伙伴上始终保持高度审慎，更倾向于与具备长期技术判断与产业理解能力的机构建立合作，而非以资金本身作为单一考量。这一选择也体现在其投资人结构中——相关机构普遍以长期技术判断与产业理解见长。这些投资人的一个共性在于，对技术底层具备真实且深入的理解，并将判断力聚焦于关键问题——即通用模型能力的建立，而非对单一场景的短期拟合。

也正因如此，这样一条并不喧哗的路径，反而更有可能沉淀出长期的技术壁垒与产业价值。

点击 "阅读原文" 了解本次更新详细信息