苏度WAIC首秀：具身智能如何跨越从1到10的技能跃迁？
在2026年世界人工智能大会（WAIC）的具身智能展区，视觉焦点往往被那些 Performing 咖啡、跳舞或高难度体操动作的机器人所吸引。然而，在苏度科技的展台前，一种截然不同的冷静氛围引起了业界的深度关注。这里没有炫目的表演，只有机器人在工作台上安静地执行抓取、包裹、插拔等看似基础的操作。正是这些“平平无奇”的动作，凭借极高的稳定性、成功率以及在陌生环境下的泛化能力，展现了通用物理智能落地的真实质感。
苏度科技的快速崛起并非偶然。成立仅一年便获得200亿元估值，其背后不仅是资本对具身智能赛道的狂热，更是对其技术体系完整性的认可。从三维视觉的基础设施构建，到机器人仿真平台的迭代，再到多模态模型与硬件系统的深度融合，苏度正在试图回答一个核心命题：机器人如何实现从单一任务演示到通用能力积累的指数级跃迁？
原子能力：重构机器人技能生长的底层逻辑
在传统机器人开发范式中，工程师往往针对特定任务编写代码或训练模型。这种“烟囱式”的开发模式导致每次新任务的部署都需要重新采集数据、重新训练，效率极低且难以规模化。苏度科技提出了一种全新的概念——“原子能力”（Atomic Capabilities），试图从根本上改变机器人的学习路径。
苏度研发副总裁陈润泽在现场阐释了这一理念：机器人未来的能力增长，不应依赖针对每个任务的孤立训练，而应像人类儿童学习走路、说话一样，通过不断积累基础能力单元，逐渐组合出处理复杂任务的综合能力。苏昊在WAIC主论坛演讲中进一步指出，物理智能的核心痛点不在于缺乏孤立的任务演示，而在于无法将散落的知识聚合为对物理世界的系统理解。
这种“原子化”思维在礼盒包装任务中得到了具象化体现。表面上看，包装是一个完整的长程任务，但若将其拆解，实际上包含物体识别、多维抓取、姿态调整、精细放置、双手协同接触控制等多个原子能力。关键在于，这些原子能力具有高度的可迁移性。一旦机器人在仿真环境中掌握了“柔性布料抓取”或“非对称物体平衡控制”等原子技能，它们便可以直接复用到装配、整理、搬运等完全不同的场景中，无需重新训练。
从1到10+的技能跃迁，本质上是能力复用率的提升。苏度的策略是通过构建庞大的原子能力库，让机器人像搭积木一样组合技能，从而在短短三个月内实现了从基础抓取到复杂双手协同的跨越。这种进化速度之所以可能，是因为其底层架构支持能力的解耦与重组，而非黑盒式的端到端映射。
虚实融合：破解Sim-to-Real的数据瓶颈
具身智能与大语言模型最大的差异，在于数据获取的维度。语言模型依靠互联网上现成的海量文本数据，而机器人面对的是一个连续变化、充满物理不确定性的真实世界。一个看似简单的抓取动作，背后涉及物体质量、摩擦系数、接触状态、运动轨迹等多维隐变量。这些数据在真实世界中难以大规模、低成本地获取。
行业目前对数据路线存在分歧：有人押注第一视角视频，有人坚持遥操作采集，还有人依赖真机试错。苏度选择了一条更为激进且具前瞻性的路线：以大规模仿真数据为基底，构建“仿真训练+真机辅助”的虚实融合体系。
长期以来，Sim-to-Real（仿真到现实）迁移一直是机器人领域的阿喀琉斯之踵。仿真环境能快速生成数据，但往往因物理模型简化、传感器噪声忽略等原因，导致策略在真机上失效。苏度团队并未简单调用通用仿真工具，而是基于创始人苏昊及其团队在ShapeNet、PointNet、SAPIEN、ManiSkill等基础工作积累的深厚功底，重新构建了一套面向机器人学习的高保真数据生产体系。
这套体系的核心价值在于提供现实中难以复制的“成长环境”。在ManiSkill支持的GPU并行化环境中，机器人可以在短时间内接触数百万次不同光照、材质、重量分布的物体操作。苏度团队通过大量实验，识别出影响机器人行为的关键物理变量（如重心分布、摩擦特性），并将其精准融入仿真模型。这使得生成的百万级日产量数据，不再仅仅是视觉图像的堆砌，而是蕴含丰富物理交互信息的结构化数据。
仿真并非要取代真机，而是作为“预训练”的基础。通过仿真，机器人建立了广阔的物理认知先验；随后，通过真机数据的微调（Fine-tuning），弥补仿真与真实之间的域差异（Domain Gap）。这种虚实融合路线，既保证了数据规模的指数级增长，又确保了策略在真实物理世界中的鲁棒性，解决了具身智能数据稀疏的根本难题。
硬件即算法：自研灵巧手与直驱技术的协同进化
在苏度展台的角落，一只22自由度的自研直驱灵巧手首次公开亮相。这并非简单的机械复刻，而是基于算法需求反向设计的硬件创新。传统工业机器人多采用夹爪，虽稳定但缺乏柔性操作能力。苏度的灵巧手在大拇指和小拇指上分别设计了5个自由度，其余手指4个自由度，并创新性地引入了自旋自由度、内收能力以及指尖“指甲”结构。
这一设计的逻辑源自对精细操作物理本质的理解。指尖的刚性结构能帮助机器人形成精确的点接触，从而完成捏取细针、扣开易拉罐等需要高压力集中和精确姿态控制的任务。更重要的是，苏度选择了直驱（Direct Drive）方案，即驱动单元直接作用于关节，去除传统减速器带来的机械间隙和非线性摩擦。
直驱技术的价值远超机械性能的提升。在端到端控制模型中，算法需要精确预测施加的力与关节响应之间的关系。传统传动结构引入的滞后和误差，增加了模型的学习难度和泛化风险。直驱结构通过减少中间环节，让控制输入与物理响应更加线性、直接，极大地降低了算法控制的复杂度。
苏度强调“白盒化”的软硬件一体化战略。在传统开发模式中，硬件供应商与算法团队往往割裂，导致问题排查周期长。苏度通过自研本体、传感器及执行器，实现了从机械结构、传感器反馈到算法模型的全链路可控。当机器人在复杂装配任务中出现偏差时，团队能迅速判断是视觉定位误差、力控策略不足，还是硬件响应延迟。这种闭环反馈机制，使得硬件不再是被动执行指令的工具，而是成为智能形成和迭代的一部分。未来，随着灵巧手替代传统夹爪，机器人将能处理更加开放、非结构化的复杂任务，进一步拓展通用能力的边界。
可靠性长尾：从Demo到工业级部署的最后的一公里
在WAIC的工业展区，苏度与宁德时代合作的电池装配机器人展示了其落地能力。四台机器人协同作业，抓取成功率高达99.5%以上。这一数据背后，是从90%到99%+所跨越的巨大工程鸿沟。陈润泽指出，“可靠性从90%到99%+，背后是一个巨大的宇宙。”
在工业生产线上，一次失败可能意味着停线、返工甚至高昂的成本。真正决定机器人能否规模化部署的，往往不是平均成功率，而是对长尾场景（Long-tail Cases）的处理能力。这些场景包括物体摆放的微小位移、环境光照的剧烈变化、设备状态的异常波动以及未曾见过的突发干扰。
苏度将真实部署视为模型训练的关键环节，而非终点。每进入一个新客户现场，机器人遭遇的新环境、新问题和新失败案例，都会被实时采集并重新进入模型训练闭环。这种“边部署、边学习”的模式，使得真实世界成为能力增长的核心数据来源。通过持续迭代，模型不断覆盖长尾分布，提升泛化上限。
值得注意的是，苏度对家庭机器人（To C）持审慎态度。创始人苏昊认为，家庭环境具有极高的非结构化特征、安全要求及成本敏感度，门槛远高于工业和商业场景。短期内，工业、零售盘点、商业服务等B端场景是具身智能最佳的验证场和价值释放点。这些场景不仅能产生直接经济价值，还能提供高密度的真实反馈，推动模型能力的快速收敛。
苏度的目标是2027年实现百台级交付，2028年进入千台级规模。但其核心竞争力不在于交付数量，而在于能力的可复制性。如果每进入一个新场景都需要重新采集数据、重新训练模型，那么行业将陷入项目制的泥潭。苏度的原子能力体系和虚实融合数据管线，旨在实现底层能力的即插即用和快速迁移，从而降低新场景的数据依赖，推动行业从“定制化项目”向“标准化产品”演进。
结语：竞争进入能力增长时代
苏度科技在WAIC的首秀，不仅是一次技术展示，更是对通用机器人发展路径的一种宣言。在行业共识尚未完全收敛的今天，决定一家具身智能公司长期竞争力的，或许不再是某个惊艳的Demo演示，而是其能否在半年后保持同样的技能增长速度，能否在一年内将能力稳定转化为生产力。
通过构建原子能力库、夯实虚实融合数据底座、深化软硬件协同设计，苏度正在探索一条可复制、可扩展的Scaling路径。这条路径强调能力的积累与复用，而非孤立任务的堆砌。对于整个具身智能行业而言，这种从“单点突破”到“通用泛化”的思维转变，可能比任何单一技术的突破都更为深远。随着机器人逐渐具备理解、操作和改变物理世界的能力，它们将从执行工具进化为自主伙伴，真正释放人类的创造力，实现“把时间还给人”的终极愿景。