「苏度科技」今日发布首篇技术 Blog，正式展示了其软硬件全栈自研的机器人系统 #Sudo R1，并宣布，截至2025年底，已获得包括宁德、阿里、高瓴、国寿股权、绿洲、腾讯、蚂蚁、IDG、蓝驰、数字未来、孚腾、复旦科创、云晖等机构的投资，同时，公司已于近期完成新一轮融资，估值突破20亿美元，并进一步引入头部产业客户与全球一线投资机构，高鹄资本担任长期独家财务顾问。

#Sudo R1采用3D世界模型与强化学习一体化设计，在不使用任何真机数据的前提下，实现关键任务接近100%的 Zero-shot 成功率。这是业内首次系统性验证：仅依赖仿真数据训练，即可支撑模型跨越现实世界复杂性，为突破数据瓶颈、打开具身智能 scaling 路径提供了全新范式。

苏度所展示的并非单一任务优化模型，而是一个面向通用操作的底层基础模型。在 Zero-shot 条件下，该系统即可实现接近100%的成功率，并对未知环境与未见物体表现出稳定的泛化能力，同时保持较高的动作流畅性，具备“开箱即用”的能力体验。

这一能力构成了其与当前主流方案的本质差异。以 Pi、Generalist 类模型为代表的技术路线，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。一旦环境或物体发生变化，往往需要重新进行数据采集与适配，本质上更接近“任务级优化”，而非“能力级泛化”。

如果类比大模型的发展路径，苏度更接近 ChatGPT 所代表的范式——通过通用底层能力解决任务，而非针对每个场景单独构建系统。

在一段60分钟不间断、未经剪辑的实测中，#Sudo R1 在不同光照与背景条件下，对透明、反光、柔性、不规则形状等多类未见物体，均实现接近100%的抓取成功率，并展现出强大的闭环实时控制与空间避障能力。

更值得关注的是，该操控模型在训练过程中完全基于仿真数据构建，未依赖任何真实世界采集数据。这一设定并非工程上的限制，而是一项刻意的技术验证——即在不借助真机数据对齐的前提下，检验仿真预训练是否能够独立支撑模型跨越现实世界的不确定性。

因此，#Sudo R1 的意义不仅在于一次性能展示，更在于其首次以可验证方式触及具身智能最核心的底层命题。

这一结果之所以重要，是因为其正面回应了当前行业的两个核心瓶颈：

其一，数据规模瓶颈。当前主流路径依赖真机数据采集（从遥操作、UMI、再到人类视角采集等），尽管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，并持续限制模型能力上限。

其二，物理世界建模不足。真实数据虽包含视觉与动作信息，但对物理世界核心——dynamics（动力学）的刻画往往间接且不完备，导致模型难以学习稳定、可泛化的物理交互规律。这也是当前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之一，同时也是当前真机路线较少正面解决的问题。

在这一背景下，单纯讨论“真机数据与仿真数据孰优孰劣”并无实际意义，更关键在于构建一条可规模化的数据与模型协同路径：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；而真机数据则具备真实噪声、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，但其高成本决定了其更适合作为后期对齐与校正的稀缺资源。

围绕具体场景动态确定两者的配比，才是真正的长期壁垒。而这一配比能力的前提，是高保真仿真器和对数据协同机制的深度理解。

数据配比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。这使其成为目前少数在世界模型和强化学习一体化路径上验证最充分的团队。换言之，#Sudo R1 所展示的，并非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。

#Sudo R1 给出了一个更清晰的答案：它打破了行业长期以来对 Sim2Real 路径的根本性质疑。#Sudo R1 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时，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。

值得注意的是，本次演示刻意只展示了“通用抓取”这一单一技能。这一选择并非能力边界，而是方法论上的取舍：团队并未追求'复杂但难以验证'的展示，而是优先打通一个可验证、可落地的基础范式。一旦这一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，其边际开发成本也将随之显著下降。据团队介绍，在多个真实测试场景中，该能力已获得开发者的高度认可，团队预计在年内将快速扩展技能体系。

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”的生态结构。

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，本质上要求客户开放自身生产数据进行采集与适配，这不仅带来较高成本，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。

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。区别于当前多数具身方案仍停留在单一工位或单场景优化，苏度基于通用模型能力，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，并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。

苏度是过去一年中少数在具身智能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。自成立以来，公司保持低调，长期聚焦于具身智能中最核心、也最具挑战性的基础问题。与此同时，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。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。

高鹄资本合伙人金涛表示，从苏度科技成立的第一天起，高鹄便有幸一直陪伴这段旅程。苏度团队选择了一条少有人走的路——在具身智能最底层的技术命题上死磕，始终坚持基于3D世界模型的具身大模型方向，以仿真数据构建通用能力，以终为始，坚守本心。无论市场如何波动，我们始终相信，真正能穿越周期的，永远是那些在最本质问题上持续突破的团队，我们坚定看好苏度成为全球具身智能领域的领袖。

高鹄资本董事总经理舒雪梅表示，感谢苏度一直以来的信任与支持。苏度是我们在具身智能领域见过最具独特性的公司之一，也是坚定致力于解决具身智能通用泛化瓶颈的全球顶尖团队，和公司的合作感觉一直在刷新我的认知。此次#Sudo R1的技术发布，首次公开验证了纯仿真数据训练的模型可以在Zero-shot条件下逼近100%的成功率，真正意义上打破了行业长期以来的Sim2Real路径质疑。这不仅是苏度团队的里程碑，也是整个具身智能行业的重要突破。我们坚定看好苏度基于3D世界模型和强化学习的具身大模型路线，也坚信苏度将持续Scaling突破技术上限，迎接更大的成功。