蘇度科技昨日發(fā)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(tǒng) 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(shù)字未來、孚騰、復旦科創(chuàng)、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(chǎn)業(yè)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(shù)據(jù)的前提下，實現(xiàn)關鍵任務接近100%的 Zero-shot 成功率。這是業(yè)內首次系統(tǒng)性驗證：僅依賴仿真數(shù)據(jù)訓練，即可支撐模型跨越現(xiàn)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(yōu)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(tǒng)即可實現(xiàn)接近100%的成功率，并對未知環(huán)境與未見物體表現(xiàn)出穩(wěn)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(huán)境與物體條件下才能獲得較高成功率。一旦環(huán)境或物體發(fā)生變化，往往需要重新進行數(shù)據(jù)采集與適配，本質上更接近“任務級優(yōu)化”，而非“能力級泛化”。

如果類比大模型的發(fā)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(tǒng)。

在一段60分鐘不間斷、未經(jīng)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(guī)則形狀等多類未見物體，均實現(xiàn)接近100%的抓取成功率，并展現(xiàn)出強大的閉環(huán)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(shù)據(jù)構建，未依賴任何真實世界采集數(shù)據(jù)。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(shù)據(jù)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(xiàn)實世界的不確定性。

突破具身發(fā)展瓶頸，破解數(shù)據(jù)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(yè)的兩個核心瓶頸：

其一，數(shù)據(jù)規(guī)模瓶頸。當前主流路徑依賴真機數(shù)據(jù)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(xù)優(yōu)化，但規(guī)模化擴展仍面臨經(jīng)濟性挑戰(zhàn)，數(shù)據(jù)供給難以隨算力線性增長，并持續(xù)限制模型能力上限。

其二，物理世界建模不足。真實數(shù)據(jù)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(wěn)定、可泛化的物理交互規(guī)律。這也是當前多數(shù)具身系統(tǒng)在真實環(huán)境中表現(xiàn)不穩(wěn)定、難以規(guī)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(shù)據(jù)與仿真數(shù)據(jù)孰優(yōu)孰劣”并無實際意義，更關鍵在于構建一條可規(guī)?；臄?shù)據(jù)與模型協(xié)同路徑：仿真數(shù)據(jù)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(guī)模優(yōu)勢，更適合承擔“廣度與物理常識”的構建；而真機數(shù)據(jù)則具備真實噪聲、傳感器誤差及復雜環(huán)境擾動等特性，能夠提供與現(xiàn)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(tài)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(shù)據(jù)協(xié)同機制的深度理解。

蘇度的數(shù)據(jù)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(guī)律。這使其成為目前少數(shù)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(shù)據(jù)路線與模型架構共同作用的外在體現(xiàn)。

Sudo R1 打破了行業(yè)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(chǎn)級水準。