苏度：把大模型式能力生产和分发逻辑带入机器人行业

01｜行业问题：为什么机器人需要新的能力生产方式

OpenAI、Anthropic、DeepSeek 等基础模型公司的关键价值，不只体现在参数规模和 Benchmark 成绩，更在于它们能够通过预训练和规模化数据不断产生新能力，再把同一底座交给企业和开发者，进入更多产品。

当模型从理解、生成、推理和 Coding 逐渐走向操作计算机，下一个自然问题是它能否进入物理世界，稳定感知环境、操作物体并完成任务。但机器人产业与大模型产业的结构不同：前者仍同时存在本体、遥操作、仿真、VLA、世界模型与场景交付等多条路线，基础能力和应用之间尚未形成稳定分工。

苏度过去较为低调，直到 2026 年 4 月公开高成功率抓取技能，外界才较完整地看到其路线；约三个月后的 WAIC，苏度又展示了十余种底层能力，覆盖开放环境泛化抓放、工业抓取、双手协作、移动操作、精密组装和多机协同。

真正值得关注的不只是抓取分数，而是数据、架构和商业思路共同指向一套新的机器人能力生产函数：改变训练数据的来源，形成统一且可复用的基础技能，再让这些能力与上层 Agent、场景应用形成分工。

02｜数据生产：60 分钟抓取真正揭示了什么

苏度在 4 月公开了一段约 60 分钟连续、未剪辑的测试。机器人面对多种陌生物体，首次尝试成功率约 98%，两次尝试内接近 100%。测试对象不仅有普通刚体，也包括柔性、透明、反光和不规则物品；环境还加入光照变化、动态背景、随机物理干扰和障碍约束。

比 98% 这个数字更重要的是能力的获得方式。按苏度公开口径，这一 Picking 策略完全使用仿真数据训练，不依赖真机演示、遥操作或人工标注；不同物体由同一个模型处理，不逐个微调；执行时每一步都读取最新观察，以 15—25Hz 更新动作。

这与常见的真实数据采集路线形成对照。工人佩戴相机、机器人遥操作和真机示范能够记录摩擦、形变、接触与设备误差，这些信息不可替代；但任务一扩张，往往需要更多场景、设备、人员和客户现场数据，还会遇到工艺保密与数据安全。

苏度的假设是把新增能力的主要成本，从线性增加采集人力，转向扩大仿真数据分布和训练算力。如果成立，机器人技能就可能像大模型预训练一样，通过数据规模和计算不断扩展，而不是每个任务都重新组织采集。

这一结果仍有清晰的证据边界：98% 是公司测试口径，完整计分协议与第三方复现尚未公开。它目前更适合用来检验一个关键假设——机器人能力能否摆脱与真实采集成本近似线性增长的关系。

03｜训练闭环：仿真预训练如何与真机校正配合

大模型带来的深层变化，是把大量能力转化成预训练问题。过去软件能力主要靠工程师写规则，基础模型则先在统一训练中形成语言、知识和推理能力，再通过后训练、工具及业务数据进入具体应用。苏度希望机器人操作也遵循类似路径。

仿真的作用不只是更便宜地生成数据，还能主动控制数据分布。系统可以变化物体几何、材质、光照、背景、障碍、干扰方式和传感器噪声，并针对模型薄弱处制造长尾与对抗条件。真实采集更多是在记录已组织出的场景，仿真则可能成为持续出题的数据机器。

仿真并不能完全替代真实数据。若物理引擎没有覆盖关键接触、形变和执行误差，数据再多也不会自动消除 Sim-to-Real 差距。苏度的完整路线是虚实融合：仿真承担规模化预训练，真机数据负责修正、对齐、长程行为与部署验证。

这对应大模型中的预训练与后训练分工：大规模数据扩展底座，少量高价值数据校准行为。苏度将其定义为一条不同的 scaling curve，但严格的 Scaling Law 需要模型、数据和算力增长与性能之间出现稳定曲线。目前公开证据只说明在 Picking 测试中，纯仿真策略可以迁移到真机。

04｜系统架构：高层推理与底层技能如何分工

“像大模型”不意味着用一个超级网络同时完成目标理解、任务规划和每个关节控制。按公开材料，苏度采用分层系统：上层 VLM、Reasoning Model 和 Agent 理解环境、拆解任务、选择技能；底层 Manipulation Skills 以本地、实时、闭环方式完成抓取、放置等动作。

苏度机器人演示的是这套架构的底层。抓取范围内使用单一闭环策略，每一个控制步读取最新观察；在完整系统中，上层可以在所有需要抓取的任务里调用同一个抓取技能。准确说法因此是：基础技能内部端到端自闭环，完整长任务由多个层级合作完成。

这种选择体现了实时性的客观分工：高层推理可以容忍更长延迟，低层控制必须在几十毫秒内响应现场变化。同一个庞大模型同时承担复杂推理与高频控制，并不必然更合理。

真正决定路线是否通用的，是不同技能能否进入统一模型、共享数据、表征和训练基础。如果抓取、放置、开合、插入、柔性操作每次都重新数采和训练，通用机器人仍只是专用系统的集合；如果新技能能复用基本功，新增能力的边际成本才会下降。

苏度还把世界模型与强化学习一体化作为核心能力：世界模型预测动作后物理世界可能怎样变化，强化学习则利用仿真数据进行策略自我迭代。二者组合的目标，是让机器人既能预判后果，也能持续优化行为。

05｜产品形态：为什么要把机器人技能做成 API

基础模型公司的价值不只来自模型性能，还来自能力可以被下游开发者调用。同一个语言模型进入编程、客服、搜索和企业流程，是因为模型公司维护底座，开发者负责产品、工作流与行业知识。苏度希望机器人行业也形成这样的层次。

这套体系的底层包括世界模型、机器人本体、Manipulation Foundation Model、仿真训练系统和可调用 Skills；上层则包括 VLM、推理、Agent 与行业应用。其产品逻辑类似苹果生态：硬件与操作系统建立平台，开发者和应用再把平台带进大量场景。

这种产品形态与数据路线相互支持。传统工业项目若必须由供应商进入每个客户现场，采集工艺、工件和生产参数，公司很容易变成重定制方案商，项目越多，交付人员越多，能力也难以跨客户迁移。

如果底层技能足够通用稳定，苏度可以维护硬件、模型、仿真和技能平台，让客户或行业开发者用自己的场景数据完成私有化适配，而不必向平台方交出敏感工艺。这既分担最后一公里数据成本，也可能让更多产业价值留在下游。

这构成苏度与大模型公司最深的相似性：公司价值不再只取决于自己交付了多少项目，而取决于有多少机器人应用可以建立在同一底座上。

06｜规模化门槛：从高成功率 Demo 到可复用平台

大模型 API 与机器人 Skills 之间存在重要边界。软件接口的输入、输出和错误码相对清楚；机器人每一步都会改变真实环境，后续动作因此面对新的位置、遮挡、负载和接触条件。同一个技能也会因本体、材质、光照和工位不同而表现变化。

底层技能不仅要输出动作，还必须报告置信度、检测失败、触发重试或恢复，并把执行后的真实状态准确交还给上层 Agent。否则上层会在错误世界状态上继续规划。

长程任务会放大问题。若简单假设每个技能成功率为 98%，20 个步骤没有恢复机制，理论成功率约为 67%；现实误差并不独立，前一步放歪还可能直接改变后一步的输入条件。

平台化需要连续通过四道门：从普通抓取进入插孔、装配、铰链和柔性物体等富接触任务；从单技能成功率走向多技能组合的端到端成功率；建立失败检测、重试、恢复与人工接管；最后证明同一技能能被第三方跨本体、工位和客户低成本复用。

在首次公开抓取 Demo 约三个月后，苏度在 WAIC 把公开能力扩展到十余项，并出现移动中开放环境泛抓取、精细物品抓取、精确放置与组装、双手协作和精密组装等多技能组合。这是能力集合扩张的阶段性信号，但还不能等同于平台化已经完成。

判断这条路线是否成立，最终要看新增技能能否持续共享底座、复用训练并组合执行，以及第二个本体、工位和客户的部署成本是否显著下降。如果每项技能背后仍是独立项目，就不会形成基础设施；如果第三方可以稳定调用、扩展和商业化这些能力，苏度才真正完成从机器人公司到能力平台的跨越。

因此“最像大模型公司”指的不是行业排名，而是能力的生产与分发逻辑：以可扩展数据训练统一底座，以技能接口连接上层应用，再用部署反馈继续改进能力。60 分钟抓取和 WAIC 展示提供了早期证据，富接触任务、长程恢复、跨本体迁移与客户侧 ROI 才是下一阶段必须回答的问题。