📰 概要

2026年4月20日，苏度科技发布首个具身模型 #Sudo R1。60 分钟内 200+ 次抓取测试，首试成功率约 98%，两次尝试内几乎 100%——覆盖透明物体、柔性材质、反光表面、不规则形状。

核心突破：训练时没有用过任何真机数据。采用世界模型与强化学习一体化设计，纯仿真数据驱动，达成 zero-shot 开箱即用。

团队：复旦苏昊（ImageNet 核心缔造者、李飞飞高徒）任首席技术顾问，前 Adobe 3D Gen AI 负责人徐泽祥任技术负责人。估值突破 20 亿美元，宁德时代、阿里、高瓴、腾讯、蚂蚁、IDG 等投资。

---

🔍 解读

"0 真机数据 + 98% 成功率"这几个字听着像悖论——具身智能的常识是：真实世界的数据采集成本高、仿真不够准、Sim2Real 差距大。苏度用纯仿真路线把这套常识打破了。

关键在"世界模型 + 强化学习一体化"：仿真能完整建模物理动力学，真机数据反而不一定包含完整的力/运动/碰撞信息。仿真数据用在预训练阶段学物理规律，真机数据留给后期校正——这个配比对成本和泛化性都更好。

但前提是：仿真器的保真度得足够高。苏度没有公开仿真器细节，这是技术护城河还是黑盒，要看后续透明度。

---

💎 深挖

对比一下主流具身模型的技术路线：

模型	数据来源	泛化能力	成本
#Sudo R1	纯仿真	zero-shot	低
PI π0.x	真机+仿真	few-shot需适配	高
Google RT-X	大规模真机	few-shot	极高

苏度走的是"先泛化后适配"，PI 和 Google 走的是"先适配后泛化"。

对做机器人部署和具身智能研发的人来说，#Sudo R1 的信号很明确：Sim2Real 的死结可能有解了。如果你的场景需要快速部署、不想花时间采集真机数据、跨场景迁移需求强，苏度的路线值得关注。

但风险在于：抓取只是具身任务之一。行走、操作、协作、复杂装配能不能复用这套路线，还要看后续进展。如果你的场景是高精度工业装配或人形机器人全身控制，纯仿真路线的成熟度还不够。

产业侧，苏度已与宁德时代在电池生产和物流环节联合开发。这是真场景验证——不是 Demoshow，是制造业真需求。如果你的团队在评估具身方案，宁德时代的背书比任何测试视频都有说服力。