「仿真派」落地真產線！蘇度WAIC首秀，CEO韓錚：99%+成功率

Jay 發自 凹非寺
量子位 | 公眾號 QbitAI

一個月前的CVPR現場，一家中國具身智能公司的展臺被圍得水泄不通。

沒有真機調試，沒有遙操作采集，一臺機器人直接從仿真里「畢業」，Zero-shot首次抓取成功率約98%。

如今，他們來到了WAIC。

蘇度科技——成立一年估值破人民幣200億元，蘇昊擔任聯合創始人、董事長兼CTO的具身新星——首次在國內大型展會亮相。

這一次，他們帶來的不只是Picking。展臺上同時跑著四組Demo：

• 精密裝配：雙手協作，以亞毫米級精度完成模具組裝；
• 柔性打包：布料隨形，雙手協同；
• 移動操作：移動場景下的感知-決策-執行全鏈路閉環；
• 電池模組產線：四機協同，復刻與寧德時代聯合開發的真實工業流程。

每一組Demo，都在嘗試回應同一個行業終極之問：

仿真訓練出來的模型，到底能不能在真實世界干活？

對此，蘇度科技聯合創始人兼CEO韓錚的回答是：

能，而且一旦放出來，就是99%+成功率。

高可靠性是具身走向商業化的前提。
我們內部的標準99%+成功率，在此基礎上再談泛化性。

這點在現場也得到了印證。

量子位發現，蘇度是場館內極少敢讓觀眾自帶物體「盲測」的展臺——給啥抓啥，來者不拒。

甚至有讓抓骰子的……

我跟工作人員小哥調侃：誒，能抓手機嗎，抓壞了咋辦？

小哥嘿嘿一笑：賠你（doge）。

也是對模型能力絕對自信的一種體現吧。

蘇度WAIC首秀，四組Demo拉開能力光譜

一剛一柔，兩場「極端考試」

自蘇度亮相以來，外界一直在追問同一個問題——

Picking對精度要求不高，Sim2Real在抓取上能跑通。但contact-rich（接觸密集型）操作呢？

WAIC現場的亞毫米精密裝配與雙手柔性打包，就是蘇度對此的正面回應。

這兩項任務，恰好代表了物理交互的兩個極端。

精密裝配，難在精度。

看似簡單的玩具組裝，背后是極小的容錯率，稍有偏差便無法嵌入，對力控和位姿估計的要求近乎苛刻。

我在現場親手試了一下，很難Zero-shot。純靠視覺只能對準一個大概位置，真正咬合靠的是指尖的力覺反饋，在接觸中實時微調。

柔性打包，則難在不確定性。

布料沒有固定形狀，每一次抓取、每一次受力，都會徹底改變下一步面對的狀態。這類柔性物體在仿真中極難精確建模。

結果呢？

蘇度用同一套基座模型，兩場考試全部通關。

不僅做到了，還保持了與Picking同等級的閉環抗干擾能力。

關于這一點，不知道大家有沒有發現一個細節——蘇度在這些操作時用到了兩只手。而展會上，絕大多數機器人展示時只用一只。

原因很簡單，雙手場景下，一只手的動作會立即改變另一只手的約束條件、可行空間和下一步選擇，變量太復雜，模型必須依據真實反饋持續協同。

蘇度選擇雙手協作來做Demo，是主動亮劍。

并且也是和Picking一樣歡迎現場出題的。

我問現場工作人員：能不能伸手干擾一下？

小哥的回答只有兩個字：

歡迎。

然后展臺的兩位小姐姐直接開始現場「搗亂」了（bushi）。

一剛一柔。前者考驗精度，后者考驗柔順。兩項極端任務，均做到了與抓取同等級別的泛化能力。

蘇度用這兩個場景正面回應了一件事：

「仿真搞不定contact-rich操作」——這個判斷，該改了。

移動操作：邊走邊抓，徹底不做模塊拼接

聽上去理所當然，但現實是：絕大多數機器人至今仍做不到。

原因藏在數據里。

移動操作的遙操作數據極難采集，底盤式機器人尤其如此。用搖桿或腳踏控制底盤，再同時操控手臂，操作方式本身就反人類。

因此，目前主流的遙操作方案往往固定操作者下肢，許多系統甚至把上肢、軀干和頭部也基本鎖死，只允許一只手臂運動。

靠真機數據走通移動操作，幾乎是一條死胡同。

蘇度用仿真路線翻過了這座山——

端到端的全身控制策略。感知、底盤、軀干與手臂不再被拆成獨立模塊，策略根據實時變化的相對狀態，統一生成全身動作。

看著好玩，像在遛機器人。但背后對應著大量真實應用場景：開柜門、上下料、搬運大件物體……幾乎所有涉及大范圍空間的操作任務，都需要移動操作能力來支撐。

解鎖這項技能點，意味著機器人的作業邊界被大幅拓寬。

四機協同跑產線：從技能到任務

最重磅的Demo，壓軸登場。

蘇度與寧德時代合作，現場復刻了一條電池模組產線，完整還原鋰電產線從上料到下料的全流程：上料→電芯裝配→掃碼→下料。四臺同型號機器人分守不同工位，協同作業。

流水線作業是人類工業最成熟的生產組織方式，但對機器人而言，這類多機協作任務對泛化能力的考驗極為嚴苛。

關鍵在于狀態傳遞：每一步的執行結果，就是下一步的起始條件。前一臺機器人完成上料與裝配后，任務狀態和工件向后流轉，下一臺必須準確「接住」結果，再完成掃碼與下料。

這類長程任務場景下，任何一環出錯，整條鏈路都會中斷。

蘇度為何敢在線下實時展示？

秘訣在于一套「任務智能體」。

大部分公司的Demo往往為展示設計，需要為特殊場景專門采集多條真機數據，這樣當然也能交付，但也將模型框死在了一個工位、一道工序、一個固定任務，靠這種方式打通一串長程任務，成本相當高。

蘇度的選擇是，預訓練階段不進入具體場景，優先將Picking這類可遷移的底層共性技能做到極致，同時保證泛化性。

這樣到了交付階段，只需少量真機數據后訓練，任何工作流都能基于已有技能庫的自主組合打通，像搭積木一樣。

如果說四個月前的驚艷首秀只是單點突破，那這次WAIC則是一次通用泛化能力的全面亮劍。

一機多能、雙手精細操作、多機協作、長程任務編排……當初的Picking王牌，已然裂變為10余項操作技能。

而這一切，究其本源，仍然指向團隊自亮相之初便堅定的技術主線——

仿真之路。

仿真的底層邏輯

數據，至今仍是具身智能行業百家爭鳴的開放問題。

真機數據自然是所有人求知若渴的，但無法Scaling。人力、設備、時間成本層層疊加，數據量級始終進展緩慢。

仿真數據量大管飽，卻繞不開一個現實：Sim2Real的Gap。

今年4月的亮相中，蘇度將抓取的Zero-shot成功率做到了約98%。但現實場景中，客戶的驗收標準是99%+。

這1%的鴻溝，僅靠仿真數據很難逾越，必須補上真機數據的微調。

這促使蘇度打造了一套虛實融合的數據鏈路系統。

核心思路是各取所長：以大規模虛擬仿真數據為主體，有效融合少量真實采集數據，在數據效率與泛化精度之間找到最優平衡。

這也是目前業內較有共識的、真正可Scaling的落地路徑。先在預訓練階段用仿真數據構建一個泛化性強的基座模型，再在交付階段結合客戶的少量示教數據微調，達到可實際部署的成功率。

基于這套虛實融合的數據基座，蘇度設計了自己的世界模型。

李飛飛曾將世界模型分為三類：渲染、模擬與規劃。但在蘇度CEO韓錚看來，這三類并不能覆蓋具身大腦的全部任務。

先說規劃類世界模型，這是上層，當用戶要做一道菜、它負責分析廚房空間和冰箱內容、判斷是否需要下單買菜。

但要將這些高層推理落地，還得看底層的渲染和模擬能力是否扎實。

這也是蘇度一直瞄準的生態位。

目前，純2D視頻生成主要解決渲染問題，3D生成主要解決模擬問題。它們可以服務于自動駕駛、室內導航、商用清潔等場景，但幾何精度不足，無法直接用于精細操作任務。

在此背景下，蘇度提出了第四類世界模型——

極致顆粒度的渲染與仿真，對環境與物體的高精度幾何理解與預測。包括材質屬性、表面摩擦系數、幾何約束、動力學約束，以及接觸后的狀態變化。

具體而言，在蘇度的仿真基礎設施中，世界模型會參與指導環境構建、數據生成與任務定義，同時參與策略訓練過程中的監督與評估。

這背后，是蘇度在底層模型中系統性地實現了世界模型&強化學習一體化。模型不再只是擬合輸入輸出映射，而是在有幾何結構、空間關系、接觸力學的環境中真「干活」，通過實踐學習可遷移的物理規律。

最終的結果，就是一個遵循真實物理定律的虛擬世界。機器人能在這里面無限輪回，最終完成屬于它自己的進化。

寫到這里，一個詞突然從腦海中跳出來，也是我對蘇度所有印象的最終濃縮：

反主流。

最直觀的體現是對數據的思考。

虛實融合的方向雖已漸成共識，業內越來越多Omni方向的工作也在涌現，但真正把仿真當作基座而非輔助工具的，仍是少數派。大多第一梯隊選手還是會重金搭建自己的真機數據壁壘。

在這一背景下，蘇度始終堅持仿真，并圍繞仿真搭建了自己的全棧技術體系，毫不FOMO。

這條明線不難察覺，但我覺得，在此之下還有一條更本質的暗線——

這是一家極為長期主義的公司。

他們不會為了做出一個fancy的Demo交付而犧牲底層架構的完整性。而是先解決范式問題：先把通用能力做大、做通，再面向具體場景做小、做穩、做可部署。

無論是泛化Picking，還是此次與寧德時代合作的電池模組方案交付，都是蘇度在這條技術主線上行進過程中，順手點亮的技能點。

這無疑與主流打法形成了鮮明差異。

如此「逆向運行」，卻一次又一次驚艷交卷，持續獲得投資人押注。成立僅14個月，估值即達人民幣200億元。

這究竟是一家怎樣的公司？

量子位找到了蘇度科技CEO韓錚，為我們揭開這家新興具身智能獨角獸的面紗。

對話蘇度CEO韓錚

讓機器人在仿真中進化

量子位：很多團隊傾向于搭建「數據金字塔」，各類數據都采集一些，再用真機數據做消融實驗。為什么蘇度很早就選擇了以仿真為主？

韓錚：嘗試各種數據源并不斷調整配比，符合直覺，也容易在短期內看到效果。但真正的框架突破背后需要大量Dirty work，一個團隊可能三到五年都發不出一篇論文。這對多數高校研究組、大廠研究院和追求短期回報的創業公司來說，是很難接受的。

大模型的誕生背后有一個樸素的原理——盡可能完整地復現世界。語言模型要覆蓋人類對話的全貌，視覺模型要覆蓋圖像與文字的各種形態，自動駕駛要覆蓋千變萬化的路況和Corner case，而機器人則要覆蓋人在不同環境中對各種物體的操作方式。

構建這類模型，不可能靠在大量受限Case上過擬合的小模型拼接完成。而要從零開始完整地構建數據、框架和算法，需要長期的基礎性投入。這類工作天然不適合承受強論文壓力的研究組，也不適合從零起步、急于驗證商業模式的創業公司。

國內許多具身智能團隊進入這一領域不過三到五年，通常從自己擅長的單點切入。而蘇昊瞄準這個方向已經超過十年，早期又參與過ImageNet這類大型基礎性項目，因此有底氣、也有耐心做長期投入。

量子位：自動駕駛的仿真和Scaling路線似乎遇到了瓶頸，并沒有讓模型真正達到L5。具身智能走仿真路線會重蹈覆轍嗎？

韓錚：自動駕駛的難點在于高速場景下的多智能體博弈。機器人通常不在高速、多機協作的環境中運行，前方有人時可以完全剎停，等對方離開后再恢復動作，也可以低速繞行。

但它對contact-rich操作的要求遠高于自動駕駛：

幾何形狀、摩擦力、密度分布、接觸后的狀態預測……每一項都需要極高的物理保真度。

冷啟動的方式也不同。

如果每個人都能穿上一套符合人體工程學、成本足夠低的「鋼鐵俠式」外骨骼盔甲，機器人也許能直接從海量真實操作中獲取數據。但現實顯然并非如此。

量子位：李飛飛將世界模型分為渲染、模擬和規劃三類。蘇度的世界模型在這個框架中承擔什么角色？

韓錚：World Model這個詞在Sora出現后重新進入大眾視野，但在機器人領域，我們還需要第四類世界模型——它需要對環境和物體形成高精度的幾何理解與預測能力，涵蓋材質屬性、表面摩擦系數、幾何約束、動力學約束，以及接觸后的狀態變化。

具體來說：純2D視頻生成主要解決的是渲染問題；3D生成解決的是模擬問題，可以服務于自動駕駛、室內導航、掃地機器人或商用清潔機器人等場景。但這類表征的幾何精度不夠，它們只能生成視覺上相似、但物理上不可信的2D或3D結果，無法直接用于contact-rich的物體接觸仿真與理解。

這也是為什么AIGC生成的視頻與現實之間總有微妙的「違和感」。打個比方，它類似于手繪3D動畫基于真實3D建模、材質貼圖和物理渲染制作的動畫之間的差距，即使畫面精美，人眼依然能分辨出區別。

規劃類世界模型則處于更上層。比如：理解用戶要做一道菜，分析廚房空間和冰箱里的食材，判斷是否需要從電商或本地生活平臺下單補貨。這些屬于high-level planning（高層規劃）。

我們更關注的，是下層的執行模型。面對不同款式的冰箱門把手，機器人如何決策上肢與下肢的協同動作？如何準確取出雞蛋、碗和其他食材？如何在隨機、復雜、布局各異的廚房環境中保持高成功率？——這需要的是另一類世界模型。

量子位：一個沙盒？

韓錚：從推理側看，可以把它理解為一種隱空間表達（latent space representation）。但在預訓練階段，它是可以輸出顯性表達的；只是到了推理階段，沒有必要保留全部顯性信息。

世界模型還承擔著一項關鍵職能——訓練數據的生成。我們在2021、2022年開展的model-based RL（基于模型的強化學習）、RPG和TD-MPC等研究工作，核心就已經涉及這些問題。

這里需要澄清一個常見誤解：世界模型和仿真之間，并不存在涇渭分明的邊界。仿真更像是機器人進化的基礎設施（infra）或集成開發環境（IDE），而世界模型在其中負責指導環境搭建、數據生成和任務設計，同時也參與監督等多個環節。它們的關系類似于Transformer與Python，屬于不同層次的技術棧，而非互相替代的關系。

而一個高效、實用的仿真器，是渲染、3D模擬、規劃以及我們所說的第四類世界模型，都繞不開的底層基礎設施。

量子位：蘇度強調「預測下一個physical dynamics」。人類完成日常操作時，并不需要顯式地掌握物理定律，模型為什么需要如此高顆粒度的物理信息？

韓錚：人類做物體操作不需要大學水平的物理和數學知識，是因為人類經歷了漫長的生物進化，出生后再通過少量嘗試就能完成感知與行動的對齊。但機器人無法跳過前面那段「進化」的歷程。

我們在仿真器中構建物理規律、物理解算引擎和大規模可微仿真環境。為了實現大規模并行加速，還需要在精度與效率之間做大量的取舍和優化。

你可以把它理解為建造一個遵循物理定律的虛擬世界，讓機器人以類似人類進化的方式，完成屬于它自己的進化。

從工業到民用的技能復用

量子位：與寧德時代合作的電池模組場景，基于什么考慮設計？

韓錚：標準電芯的生產和組裝，自動化程度已經很高了，大概率不需要具身機器人再介入。具身機器人真正適合的，是兩類任務：

第一類，是自動化設備之間的「縫隙」。物料的上下料與流轉。這些環節往往連接著不同的自動化設備，卻缺少標準化的銜接方案。

第二類，是柔性生產任務。比如一條產線需要兼容多種型號，或者涉及接插、插線、安裝電芯等傳統工業自動化難以勝任的操作。這類任務的難點在于：物料的初始狀態、插入對象的位置和姿態無法被嚴格標定，必須依賴閉環感知與實時策略調整。

此外，這類任務對工人本身也存在危險。操作高壓電芯時，工人需要穿戴大量防護裝備，即便如此，檢測和擦拭過程中仍然有安全風險。具身機器人可以替代或協助工人完成這些環節，讓一個工人同時管理多臺機器人，既提升安全性，也提升效率。

完整的電池組裝涉及多家集成商協同分工。我們專注于其他技術路線暫時難以完成的柔性、精密操作，不參與同質化競爭。過去工業機器人難以覆蓋的危險、重復工位，可以用多種技能組合與機器人集群來系統性地解決。

量子位：蘇度的仿真路線，在電池模組場景中有什么獨特優勢？

韓錚：一句話概括——極致的可靠性。

其他技術路線把模型部署到某條具體產線時，如果缺少大量針對性的后訓練數據，成功率通常很低。團隊不得不讓產線停機來采集數據，再用真機做強化訓練，消耗大量電芯或物料，才可能將成功率提升到99%+。

但這種方案依然非常脆弱。對電芯規格、產線環境甚至光照條件都有嚴格限制。

現實是，工廠很難長期停線來配合數據采集，大量潛在客戶也無法提供可供開放測試的產線。有些合作可以依靠商務關系或投資紐帶推動，但這種方式既不可擴展，也缺乏效率。

我們的目標，是讓自動化團隊和集成商完全不需要掌握真機數據采集、真機強化、模型訓練和調參這些復雜流程。每次更換型號或切換產線，也不必從頭再來。未來的使用體驗應該接近大語言模型的prompt輸入，或者協作機器人的拖拽示教。

量子位：如果更換電芯型號或電池組裝型號，適配需要多長時間？

韓錚：內部調試通常在一天以內。主要工作是工藝邏輯的示教，例如一次抓取幾組電芯、安裝的先后順序等。這些信息可以通過視頻、動作捕捉、人工示教或編程等方式輸入。

如果將與寧德時代合作的方案遷移到另一家電池廠，已經熟悉系統的集成商只需調用我們公開的技能庫，大約一到兩天就能完成部署。產線工藝也可以重新組合成新的workflow，不需要與原產線完全一致。

自研本體是被倒逼的

量子位：蘇度會堅持自研本體嗎？

韓錚：我們并沒有在創立之初就認定必須自研本體。如果市面上的機器人本體足夠好用，我們原本完全可以不造硬件。

但從2022年籌備公司開始，我們測試了機械臂之外的各類移動底盤和全身機器人，發現它們的底層架構、硬件選型和規格參數都無法滿足我們的算法要求。

我們也嘗試過讓第三方公司做定制開發，但現實是：擅長某一部分硬件的公司，很難統籌完成整機設計、控制器開發和底層接口打通，開發周期也會被拉得很長。因此，公司成立后我們很快調整了策略，決定親自下場自研本體。

從長期來看，我們會采用類似「iPhone+iOS」的軟硬一體形態，同時開放SDK，讓合作伙伴在我們的平臺上開發應用。而對于大型工業機器人、特種異形機器人等與人形差異較大的平臺，我們也可能通過輸出預訓練模型、核心芯片和執行器，去賦能第三方機器人本體。

量子位：所以追求SOTA具身模型，自研本體是必選項？

韓錚：對。行業現在越來越關注機器人的自研自產，以及模型、數據采集設備與本體之間的深度兼容。缺少這種兼容性，最終效果一定會打折扣。

這里有一個很殘酷的「木桶效應」：如果「大腦」只有50%的泛化能力和成功率，那么無論搭配50分還是90分的硬件，整體表現依然只有50%。它或許能偶爾完成任務，但距離真正的商用落地還差得很遠。

但客戶對99%+這條商用底線的要求是很難改變的。在「大腦」突破有限的階段，很多團隊往往會退回到接近傳統工業自動化的老路，不斷增加對物體和環境的物理約束，或者在單一場景中用大量后訓練數據去強行擬合。

量子位：蘇度想打造具身行業的iOS，但「具身的iPhone是什么」這一點都尚未形成共識，您認為具身智能的「iPhone時刻」應該是什么？

韓錚：會是我們第一次系統性地向市場提供量產設備的時候。

按照很多同行的標準，現在的設備或許已經能拿出來賣了，但它還沒有通過我們自己內部的嚴苛標準。這次WAIC展示的新構型，也依然不是最終的定型版本。

我們目前正在進行高強度的內部測試，同時也在建設開發者中心讓合作伙伴上手體驗。

首先要讓大家確認一件事：硬件和底層基礎模型能夠高效協同，合作伙伴可以在這個底座上搭建自己的模型和新的具身agent。

在此之后，我們還要驗證設備能否在安全、可靠的條件下實現長時間無故障運行，以及線下的售后支持體系是否已經鋪設到位。

量子位：如何看待行業里的「自由度軍備競賽」？

韓錚：這正是仿真路線帶給我們的巨大優勢。我們可以在仿真器中低成本地測試成百上千種構型，讓機器人去執行目標任務，然后橫向比較不同方案對電機扭矩、自由度數量、成功率、工作空間以及散熱性能的極限要求。

仿真最大的價值，在于它能幫我們跳出純粹的仿生學思維。從A點移動到B點，輪子通常比四足更高效；動物受限于肌肉、血液供氧和供能結構，很難進化出輪式結構，但機器人不需要受這種生物學限制。

同樣的道理，即使人類社會周邊的物體都是為人類雙手設計的，電機驅動的機器人是否一定需要「五指靈巧手」，目前在學術界和工業界都沒有定論。

得益于仿真，我們的試錯成本遠低于同行。可以先在虛擬世界里測試上百種構型，最后只挑出兩三種最優解來做實體試驗。

99%+成功率是一切的前提

量子位：行業商業化仍處于早期，也沒有出現類似GPT-3.5那樣的「破圈時刻」。這個階段，資本市場在期待什么？

韓錚：資本市場很清楚機器人是一個巨大的機會。大家擔心錯過窗口期，所以中國市場涌現了大量同質化的公司。

這在某種程度上很像高校里不同的機器人實驗室或CV實驗室各自孵化成商業公司，每家公司都在自己的單點上向前推進。

量子位：在研究突破與商業化場景之間，蘇度如何分配精力？

韓錚：商業化方面，即使我們已經擁有不少產業方股東和海外工業客戶，在選擇合作對象時仍然非常克制。

我們的核心目標始終是打磨基礎模型和上層開發工具。讓技能和技能組合能夠作為標準品，快速復用到多個行業，體驗上就像搭建App一樣直觀。

合作方可以在我們的平臺上參與應用層開發，既無需觸碰基礎模型，也無需重新造一套操作系統。

量子位：如果基礎層持續Scaling，會不會擠壓上層應用公司的生存空間？

韓錚：行業一定會走向模型分層與上下游分工。

工業領域有大量需要深厚行業經驗的工作——MES系統、庫存系統與傳統自動化系統的整合，工裝夾具的定制，認證安規與服務體系的建設——這類工作我們不會向上延伸，也不應該去做。

與此同時，基礎模型之上還有非常廣闊的空間。做多模態模型的、從CV轉型VLM的團隊，都可以與我們形成上下游合作。基于我們提供的skills，上層可以構建reasoning、planning和長程規劃能力。

舉一個具體的例子：用戶給機器人一個抽象任務——「做一道菜」。

上層模型可以負責讀取菜譜、參考視頻、調用語言模型生成操作步驟，也可以理解廚房空間布局、廚具位置，甚至連接電商或本地生活平臺完成食材下單。這些邊界我們不會去碰。

蘇度的工作，是讓機器人可靠地打開冰箱、取出多種原材料、打開柜子拿鍋、操作灶具或微波爐，在任意房間和廚房中，對不同物體實現99%+以上的操作成功率，并將多個技能串聯成同樣高可靠的長程任務。合作方可以通過我們的SDK、API和虛擬調試工具來調用這些能力。

量子位：緊貼應用場景能拿到數據飛輪，光做底層技能很容易陷入紅海競爭。如果同行未來也達到了99%+的成功率，蘇度的護城河是什么？

韓錚：從長期來看，任何技術都不會只有一家公司掌握。但我們搭建的Sim2Real技術棧和系統復雜度，遠高于市面上大多數真機路線。

真機路線在某種意義上更像早期的大模型訓練——有經驗的人可以快速遷移，調整參數后就能做出一篇實驗室paper或一個新demo。

但要真正達到99%+的可靠性，同時對物體和環境保持強泛化能力，背后需要極其復雜的系統工程。

團隊中必須同時具備多種強背景：數據理解、仿真搭建、物理解算、渲染、機器人系統、硬件設計、操作系統……這些能力很難集中在一兩個人身上，也不是簡單招人就能補齊的。

我們很多團隊成員是在美國大廠和領先創業公司工作或實習之后，才選擇加入蘇度的。因為能完整走通這條AI路線的團隊，在全球范圍內都屈指可數。

關于數據飛輪：大客戶的核心數據通常不會回流——SaaS、CV模型和語言模型行業也都有類似情況，私有化部署的需求會長期存在。

但我們的數據飛輪轉得更快。對于安全要求較低的數據，可以脫敏后回收繼續使用；客戶在仿真調試環境中的使用數據，也有助于數據分類和系統的持續改善。

量子位：蘇度選擇了一條相對少見的數據路線。這個過程中，有什么Takeaway可以和社區分享？

韓錚：對機器人來說，Research與商業化之間最大的分水嶺，就是99%+的可靠性。達不到高可靠性，就很難真正超越傳統工業自動化。

但具身智能也無需替代所有工業自動化。它應該解決的，是那些傳統自動化成本過高、難以覆蓋或根本無法完成的任務。

如果行業能在這個前提上形成共識，就能更清晰地判斷什么樣的具身方案是可行的、什么樣的公司路線是靠譜的、什么樣的商業化選擇是理性的。