苏度科技：要做「具身智能界的 iPhone」

2026 年 7 月的上海 WAIC，具身智能展区一如既往地挤。跳舞的、做咖啡的、打乒乓的，各家机器人都在用最大的动静证明自己「能」。

苏昊演讲的主论坛不在展区里。这位复旦大学浩清特聘教授、通用物理智能研究院首任院长，没有放什么炸裂的视频，讲的是一组更冷的判断：物理智能的突破口「不在模型的架构，而在知识的聚合」；行业的重心，将从「演示做得多惊艳」，转向「运行得有多可靠」；物理世界是「智能最古老的老师，最诚实的考官，也是智能最终的基石」。

报告收尾时，他说了一句后来被媒体反复引用的话：

「1–3 年内，我们希望成为具身智能开发工具平台的第一选择，并在其上孕育下一代伟大公司，打造具身智能界的 iPhone。」

这句话几乎定义了苏度科技（Sudo / Hillbot）想成为的样子。不是又一家造机器人的公司——它想做的是「硬件 + 操作系统 + 开发者生态」的地基。就像苹果没有自己写尽 iPhone 上的每一个 App，却定义了所有人开发 App 的方式。

苏度说这话的底气是看得见的：成立一年，估值已被推到两百亿量级，股东名单里集齐了宁德时代、阿里、腾讯、小米、蔚来，和高瓴、IDG、蓝驰，以及国寿、国开这类国家长期资本。但它的真正赌注，藏在那句「从幻觉到现实」里——当同行忙着用 Demo 证明「机器人能做什么」的时候，苏度想先回答一个更朴素的问题：机器人能不能在没人看护的真实世界里，把一件小事反复、稳定地做对。

01.

这家公司是谁

上海苏度科技有限公司，2025 年 5 月 19 日在上海市杨浦区注册，法定代表人韩铮，注册资本 2 亿元人民币，实缴 1 亿，是一家港澳台法人独资的有限责任公司。官网是 sudo.ai。

「苏度」这个名字来自程序员世界的一条经典指令。在 Linux 系统里，普通用户敲一条命令，系统可能会拒绝你——权限不够。但只要在命令前加上「sudo」（super user do，超级管理员），系统就会放行。程序员圈有个流传二十年的笑话：

「给我做个三明治。」

「不做。」

「sudo 给我做个三明治。」

「好的。」

把这个词写进公司名，等于把愿景摆在明面上：做通用的具身智能系统——对任何任务，都有「最高能力」。

工商信息之外，它有一个更复杂的身份结构。苏度科技有一个海外的「孪生」主体叫 Hillbot，2024 年由苏昊在美国创立，韩铮以联合创始人身份加入。业内把两者的关系概括为「一套班子，两块牌子」：Hillbot 偏海外和基础模型研究，手里握着 SAPIEN 仿真器这类学术资产；苏度科技负责国内的商业化落地和软硬件平台开发。核心团队完全同源。

工商信息还有几层值得留意。苏度科技的企业族群指向 Sudo Holdings HK Limited，旗下成员企业 4 家；其全资母公司为深圳赛普恩机器人科技有限公司。注册资本在 2026 年 3 月从 1 亿元增至 2 亿元，6 月经营范围增加货物进出口和技术进出口。公司主办公地在上海杨浦区杨浦滨江智慧广场 20 楼，另在北京设有办公室。「SUDO」「苏度」及图形商标均已在 2025 年 12 月至 2026 年 4 月间陆续完成注册。

公司给自己的定位，不是「一家机器人公司」，而是「以物理智能为底座、用虚实融合和软硬一体做通用操作能力的具身智能公司」。这句话读起来拗口，拆开就三件事：物理智能是地基（让 AI 懂真实世界），虚实融合是方法（仿真和真机数据混着用），软硬一体是形态（本体和模型一起造）。

创始人是两个人。韩铮任 CEO，负责公司运营和商业化；苏昊任董事长兼 CTO，负责技术方向。两个人是北航实验班的前后级同学，都曾在微软亚洲研究院待过，认识超过二十年——韩铮第一次创业做 ZEPP 的时候，曾经在苏昊斯坦福宿舍的地板上睡过一年多。这段睡地板的经历，后来被不少报道拿出来当「创业友谊」的注脚，但它真正说明的问题是：这不是两个在融资路演上认识然后决定搭伙的人，而是有二十年信任存量的合伙。

02.

组建过程：一支预备了近十年的队伍

理解苏度，得先理解苏昊做了什么，因为这家公司不是韩铮从零「蹦」出来的，它的根扎在苏昊近二十年的学术积累里。

苏昊是「让机器理解三维物理世界」这个领域里被引用最多的华人学者之一，Google Scholar 引用超过 14.5 万次。他的学术履历有一条清晰的师承脉络：本科在北航期间师从中科院院士李未，同时进入微软亚洲研究院实习，受时任院长沈向洋指导，同期受孙剑、周明等人的影响——沈向洋后来将他推荐到普林斯顿，加入李飞飞的团队，成为 ImageNet 项目的早期核心贡献者。随后他随团队转到斯坦福，师从美国三院院士 Leonidas Guibas 完成博士学业。这条从北航到微软亚研院、再到普林斯顿和斯坦福的路径，串联起中国计算机视觉和三维几何两个学术圈的核心节点。

苏昊是 ImageNet——现代计算机视觉的奠基性数据集——的核心贡献者之一，主导创建了 ShapeNet，共同创建了 PointNet，开发了物理仿真平台 SAPIEN 和标准化基准 ManiSkill，还有一个被业界广泛使用的基于模型的强化学习算法 TD-MPC。这一串名字对非技术读者是陌生的，但它们合起来的意思很直白：今天全世界研究「机器人怎么在仿真里学习」的人，很多都在用苏昊造的工具和定义的问题。苏度的技术路线不是从商业计划书里长出来的，是从这些学术资产里长出来的。

2022 年，苏昊团队开始以商业化方式做准备，才正式考虑自研硬件本体——在此之前，重心一直在仿真和数据基础设施上。2024 年，苏昊在美国创立 Hillbot。次年 5 月苏度科技注册，韩铮任 CEO。之后是密集的关键人物到位：2025 年 12 月，原蓝驰创投投资人张校珩加入任首席战略官；同期，前源码资本投资人陈润泽加入任研发副总裁兼硬件负责人；前 Adobe Gen AI 负责人徐泽祥出任研发副总裁。2026 年，苏昊全职回国，同时兼顾复旦教职与苏度董事长兼 CTO 的角色，搭建国内的硬件与基础模型团队。

韩铮在好几个场合说过同一句话：苏度最核心的竞争力，是「一群长期围绕物理智能问题工作的人」，「苏度搭建核心团队实际用了接近 10 年」。这话不是夸张。团队的源头是苏昊过去近二十年的学术和产业合作网络——有些人从本科阶段就进入他的视野，后来去海外深造，再进入学术界或工业界，又在 2024–2025 年合流回来。核心团队里不少人毕业于清华大学交叉信息研究院和美国多所高校，还有人从韩铮第一次创业时就跟着他，连续搭档约十年。

苏昊在具身智能领域的华人学者中扮演着**「枢纽人物」的角色。他的同门网络——出自 Leonidas Guibas 组和李飞飞组——覆盖了当今具身智能创业和顶尖研究机构的多个关键节点，包括银河通用、穹彻智能、OpenAI、英伟达、Google DeepMind 等。他本人被称为弋力、卢策吾、王鹤、严梦媛、莫凯淳等一众知名学者的师兄**。这张同门网络既是苏度产业关系的独特维度，也意味着苏度与多家同赛道公司及研究机构之间，存在一条从学术共同体延伸出来的隐线。

这种「长期预备队」式的组建，在具身智能的早期公司里很少见。多数这个赛道的公司是「一个教授带着论文出来」或者「一个大厂高管带着团队出来」，苏度是学术积累、商业网络、长期搭档三条线在同一个时点汇合。这也是它敢喊「iPhone」的底气来源之一——它不是一个临时拼凑的队伍在追风口，而是一群为这个方向准备了很久的人，等到了风来的时刻。

03.

核心团队：五种能力拼成的班子

一家公司的天花板，往往写在核心团队名单里。苏度的名单值得多看两眼，因为它的五个人恰好拼出一家具身智能公司最需要的五种能力。

苏昊是定义技术问题的人。北航起步，微软亚研，经普林斯顿加入李飞飞团队，随团队转至斯坦福，师从 Leonidas Guibas 获计算机博士，前 UCSD 终身副教授，现在是复旦教授。他手里握着这家公司几乎全部的技术源头资产——仿真器、数据集、算法框架，以及一个学者对「什么问题值得解」的直觉。

韩铮是把技术变成生意的人。北航实验班、微软亚研背景，但在学术和工程之间，他选了第三条路：创业。2009 年创办体感游戏控制器公司泽普泰克，2010 年参与创办智能运动硬件公司 ZEPP（2018 年被华米收购），2017 年创办智能办公平台火箭科技（2018 年 9 月被优客工场并购）。两次创业，两次并购退出。苏度是他的第三次创业，也是难度量级完全不同的第三次——前两次做消费硬件和 SaaS，这次做的是要烧万卡算力的机器人基础模型。

张校珩补资本与战略。前 ABB、华为，后来做投资，在蓝驰创投看过一批具身智能项目。陈润泽补硬件与产业落地，他的特殊之处在于不是工程师出身而是投资人出身，且投过宇树——这意味着苏度对「硬件量产有多难」这件事的理解，来自一个亲眼看过宇树爬坡的人，而不是 PPT。徐泽祥补大模型研发，前 Adobe Gen AI 负责人，Google Scholar 引用过万。

团队整体带着很强的研究气质。核心研发里有相当比例是刚从学校出来、甚至还没毕业的年轻人，这是苏度有意为之——韩铮的说法是，这代 AI 公司的核心人才很多是刚毕业或没毕业的年轻人，公司更倾向于自己从源头培养。过去一年，招聘是韩铮投入最多的事，只要听说某个关键人才「有一点可能性」，他愿意立刻飞过去约见，为此「全世界到处跑」。目前团队规模在 100 到 499 人之间（BOSS 直聘招聘页面确认），按韩铮的说法，大约五成在大脑（模型和算法）、三成在硬件、两成在商业运营。

但这里有一个组织层面的现实值得注意。苏度的核心技术研发高度依赖苏昊和少数核心技术负责人的方向判断——韩铮自己在圆桌对话中说过，「很难想象一个纯商业背景的人牵头能把技术平台做好」，这既是他对自己角色的清醒认知，也暗示了公司的技术决策链结构。当公司规划中的全球开发者中心和万台级生产基地逐步落地，组织将从当前的「百人研发型」向「千人交付型」跨越，「开荒模式」能不能平滑过渡到某种更结构化的形态，目前没有公开信息能给出答案。

04.

产品与技术路线：把「动手」这件事拆到原子级

这一节信息量最大，也是苏度区别于同行的地方。它值得讲细，因为苏度的估值、野心和风险，全都压在这套技术选择上。

从抓放到产线

2026 年 4 月，苏度发布首个全栈自研机器人系统 Sudo R1，配了一段 60 分钟无剪辑、无挑选的连续测试视频：机器人连续抓取上百种训练阶段从未见过的物体——透明杯子、反光金属件、柔软布料、不规则玩具——首次抓取成功率约 98%，两次尝试内接近 100%。全程零真机数据训练，纯仿真。同一天，公司宣布了 Pre-A 轮融资。

关于这两个数字，需要把口径说清楚。98% 指的是「开放世界随机物体」的首次抓取成功率——60 分钟、100+ 物体、测试过程中有人为干扰和动态光照变化，没有 cherry-pick。如果允许两次尝试，接近 100%。99.5% 则来自三个月后 WAIC 上与宁德时代合作的电池模组装配产线，那是「结构化工业场景」的数字——后者天然比开放世界更容易跑出高成功率。至于有没有第三方独立复现：没有。所有数据来自苏度自己的测试和现场演示。CVPR 和 ICRA 上确实允许观众随机拿物品测试——有人拿细笔、薄卡片、没拆封的口罩，甚至有人拿远超夹爪尺寸的大水壶去刁难——但这属于「现场体验」，不等于统一 benchmark。苏度自己在访谈里也承认，真正的验证标准是「换了场地、换了光照、换了物体，是否无需采集现场数据或后训练即可运行」——这个标准目前还没有公开的第三方测试协议来背书。

三个月后，WAIC 展台上的苏度已经不是「只会抓」了。一条模拟宁德时代电池模组装配的产线：四台白色轮式双臂机器人协作完成上料、装配电芯、除尘扫码、成品下料，动作精度到亚毫米级。同期展示的还有移动操作、双手协作、柔性物体操作、精密组装、插孔、包裹物品、自主导航等十余个技能。

这些新技能的验证程度各不相同。柔性物体操作（双手配合用布包裹物品并打结）、插孔（把零件插入对应孔位）在现场做了演示，同样欢迎观众出题干扰。有记者拿了一把扇柄容易形变的扇子去测试，机器人尝试了几次后成功——工作人员的解释是泛化能力让它能「现场学习没见过的东西」。双手协作也有展示。移动操作方面，苏度明确说他们做的是端到端全身控制策略——感知、底盘、躯干、手臂不拆成独立模块，策略根据实时变化的相对状态统一生成全身动作，而不是行业里常见的「先移动到固定位置停下，再用上肢操作」的模块拼接方案。但有一个边界：这些新演示的分项量化成功率没有像抓放那样给出统一数字。长程任务（完整的取物—移动—放置序列）在 WAIC 通过四台机器人分工完成各自工位做了展示，那是一条多机协作产线，不是单台机器人独立跑完的长序列任务。

从 1 个技能到 10+ 个技能只用了三个月，苏度把这个速度归因于「基础技能的复用、组合和迁移」——技能不是一个个重新训练的，而是像积木一样搭出来的。这个解释如果成立，意义比演示本身大得多：它意味着能力扩展不是线性的。但前提是每个基础积木本身足够可靠——长程任务的成功率约等于每一步成功率的乘积，每个基础动作如果都要临场调参，任务一长就必然失控。所以苏度的工程逻辑是先把「稳定的短操作」做扎实，再用组合支撑长程任务。这条逻辑在数学上是自洽的。

本体选择

本体形态上，苏度现阶段用的是轮式底盘加双臂加二指夹爪，而不是看起来更「性感」的双足人形。理由很务实：当前模型还「用不起来」高自由度的双足，双足的稳定性、成本、可靠性都更难保证。先把轮式加双臂在真实场景里做扎实，比在展台上走两步更有价值。多指灵巧手通用性更高，但成本、耐久性和工程成熟度都还是代价。公司并不排除长期做双足或灵巧手，只是短期核心只有一句话：「手上能可靠干活。」

关于自由度的「军备竞赛」——从三指到五指到全仿生灵巧手——韩铮的态度是：仿真可以低成本测试上百种构型，跳出仿生学思维。是否需要五指灵巧手，在学术界和工业界都没有定论；与其追高自由度，不如先验证「最简构型能完成多少任务」。这和苏度「先把手上能干活的做扎实」的整体逻辑一脉相承。

自研本体这件事，按韩铮的说法是「被倒逼」出来的。团队测试了各类移动底盘和全身机器人，没有一款能满足算法要求；又尝试找第三方定制开发，同样失败——「擅长某一部分硬件的公司，很难统筹完成整机设计、控制器开发和底层接口打通」。最终只能自己做。这个「倒逼」的叙事如果成立，说明苏度的全栈自研不是战略野心驱动，而是工程约束驱动——这反而增加了它的可信度。

技术栈逐层拆解

技术栈可以压缩成一条链：结构化 3D 数据，喂给高并发物理仿真，用强化学习加人类示范训练，通过 Sim2Real 迁移到真机，沉淀为可靠的「原子能力」，再由上层规划和开发者应用组合成复杂任务。

数据层，苏度不用「只堆视频」的思路。互联网上的图片和视频虽然多，但三维信息「有而不准」——机器人操作需要知道物体在哪里、由哪些部件组成、怎么动、什么材质、该抓哪里、碰到之后会发生什么。所以苏度做的是结构化的 3D 对象数据，给物体标上部件、运动学、动力学和可操作关系。这条数据脉络直接从苏昊的学术积累里继承下来：ImageNet 教机器「这是什么」，ShapeNet 教「它长什么形状」，PartNet Mobility 教「它的哪些部件能动」。

需要注意的是，苏度并非「只做仿真」。韩铮在硅谷 101 播客中把可用数据分成五类：互联网视频数据（有场景语义但缺精细动作）、真机遥操作数据（干净但成本极高）、UMI 数据（降低成本但模态不完整）、Ego-centric 数据（成本低但缺末端信号）、仿真数据（低成本全模态但技术门槛极高）。苏度的选择是以仿真为最难也最有杠杆的支点，多元融合——不是排斥真机数据，而是用仿真把真机数据的用量压到最低。

仿真层的取舍很反直觉：不追求画面写实。苏度的仿真器 SAPIEN 目标是单张 GPU 上同时跑成百上千个并行环境，视觉分辨率可以低，但几何、接触、力学、动力学必须足够可信。训练吞吐比渲染好不好看重要得多。SAPIEN 这个名字取自智人的拉丁学名 Homo Sapiens——苏昊的用意，是让机器人在虚拟世界里重走一遍从猿到人的进化：几百万年的试错、淘汰、幸存，压缩进几百个小时的 GPU 时间。仿真还要覆盖真机的各种「不完美」：电机的响应延迟、同型号个体之间的差异、每次上电后的状态波动——否则模型学到的是仿真器的漏洞，不是可迁移的真实策略。

一个常被拿来类比的领域是自动驾驶。韩铮认为两者有本质差异：机器人不在高速多机环境运行（遇到问题可以刹停），但对 contact-rich 操作的要求远高于自动驾驶——几何形状、摩擦力、密度分布、接触后的状态预测，每一项都需要极高的物理保真度。换句话说，自动驾驶的仿真重点是「看得远、反应快」，机器人操作的仿真重点是「碰得准、猜得对」。

训练层不是「只靠仿真」。韩铮明确说过会让机器人「看人类怎么操作」来提高强化学习效率——以拧瓶盖为例，人类示范能让机器人优先接近瓶盖，而不是反复去碰标签或瓶底；之后仍然在仿真里靠奖励设计和探索去学力控与姿态。强化学习本质上是一种「试错加奖励」的学习方式：抓到了加分，掉了扣分，让机器人在仿真里几百万次尝试，自己摸索出最优动作。人类示范的作用是给探索指个方向，省掉无效尝试。

Sim2Real 这一关，苏度的做法是让硬件反过来适配仿真。他们认为部分机构形态、元件和控制行为在仿真里暂时无法可靠表达，所以硬件选型要考虑「仿真能不能建模它」；同时仿真要去覆盖电机响应、噪声、批次差异。换句话说，它的机器人和仿真器是一起「长」出来的，不是先造好机器人再去套仿真。这是和那些「先做本体再买模型」的公司的根本分歧。

韩铮用「木桶效应」来解释大脑和本体必须一起做原因：「大脑只有 50% 的泛化能力和成功率，无论搭配 50 分还是 90 分的硬件，整体表现依然只有 50%。」这意味着硬件做得再好，也无法弥补大脑能力的不足；反过来，大脑能力到位了，如果硬件跟不上，同样白费。全栈自研的逻辑由此而来——两端必须同步进化，任何一端的短板都会决定整体上限。

关于仿真校准和跨机迁移的具体工程细节，公开信息依然是最薄弱的一环。苏度在访谈里说了方向性的东西：真机反馈要能回流校准仿真和模型——「真实机器人能够被准确仿真，仿真结论能够迁移到真机，真机反馈又能反过来校准仿真和模型」。但具体到「同一策略从一台真机迁移到另一台真机的成功率是多少」「跨批次机器人的校准周期多长」「摩擦系数和传感器误差的标定流程是什么」，这些工程细节都没有披露。这不是苏度一家的问题——整个具身智能行业对「仿真到真机的迁移保真度」都缺乏统一的量化标准。苏度在这件事上做得比多数同行更深（毕竟它的仿真器是自己写的），但深到什么程度，外界无从判断。

分层架构与世界模型

架构上最重要的选择是分层。上层负责任务理解和规划——判断杯子没水了，找冰箱，走过去，开门，找瓶子——这层可以慢，可以跑在云端，可以直接用现成的大语言模型和视觉模型。下层负责把动作稳定执行出来——开门、抓瓶、移动、拧盖、倒水——这层必须快，必须在机器人自己的端侧实时闭环。「端侧高速闭环」是什么意思？就是你碰到滚烫的东西会瞬间把手缩回来，这个反应不需要经过大脑皮层深思熟虑，是脊髓反射级别的速度——机器人也一样，底层控制必须快到能在意外发生的毫秒级窗口里做出反应。中间还有一个技能组合层，负责把可靠的短技能编排成长程任务，并处理失败后的恢复。

苏度把底层操作能力类比成智能手机系统里的 SDK 和 API。韩铮的原话是：「底层的技术能力，会像智能手机的 iOS 或安卓上的 SDK、API，会逐渐把一些核心能力放出来。」这个类比背后是一个关键判断：上层「知道要做什么」和下层「手真能做到」是两回事，而当前行业真正卡脖子的在后者。

对「世界模型」这个热词，苏度有一套自己的拆解。李飞飞将相关技术分成三类：渲染器（把世界画得好看）、模拟器（把世界算得可信）、规划器（决定下一步做什么）。韩铮在此基础上提出了**「第四类世界模型」**：一种需要对环境和物体形成高精度几何理解与预测的能力，涵盖材质属性、摩擦系数、几何约束、动力学约束以及接触后的状态变化。这个定义比李飞飞的三类分法多了一层——它不只要求「画得出」或「算得动」，还要求「碰了之后能预测会怎样」。这恰好是苏度押注仿真器的理论延伸：只有能可靠预测接触后果的模型，才能在仿真里训练出可迁移的真机策略。在苏度看来，3D 高斯这类方法偏渲染器——「一个杯子在画面里像杯子，和机器人能否稳定抓起它、移动它、把它放到另一个位置，是两件事」。苏度押注的是能理解力、摩擦、碰撞的「模拟器型」世界模型，也就是能预测物理后果的那种，而不是只会「画」世界的那种。

苏昊在 WAIC 主论坛把整套技术护城河概括为一个词：Real2Sim2Real——先扫描真实世界建出可计算的仿真环境（Real2Sim），在仿真里低成本获取海量数据、用虚实融合的数据配比训练模型（Sim2Real），并且全栈自研，打通从仿真、数据、训练、评测到本体硬件的完整闭环。他给这套方法论起了一个更哲学化的名字：「从幻觉到现实。」原话是：「靠的不是更响亮的叙事，而是对物理世界的敬畏，和沿着那道阶梯一层层往上爬的笨功夫。」

到这里可以给一个整体判断了。苏度技术叙事的主线只有一条：操作比运动控制难得多。走路主要是控制自己，操作还要理解物体的几何、材质、接触、动力学，还要处理失败后的调整。这套逻辑目前的硬证据，WAIC 之前集中在「抓放」这一项母技能上，WAIC 之后扩展到了双手协作、柔性物体、插孔和移动操作——但这些新能力的量化验证不如抓放那样有一段 60 分钟连续测试视频撑着。插线、柔性物体、长程无人值守、客户现场的投资回报率，是否达到了同等级别的可复核验证，公司还没有给出统一的测试协议。

05.

商业模式：为什么不做「接项目」的生意

这一节是苏度最容易被低估、也最能解释它估值的地方。它不把自己当卖机器人的公司，它想当卖操作系统的公司。

先说它不做什么。韩铮明确说苏度「不太选择做短期营收」：如果终端客户对「可操作、可部署能力」的要求还没被满足，为了收入去接项目，他们「接受不了」。「真正健康的订单，应该来自终端客户对机器人可操作、可部署能力的需求，而不是行业内部互相买单，也不是为了短期收入去做展示项目或低价值硬件销售。」

这个选择背后的账是这么算的：一旦为了收入去接定制化项目，团队就会被一个个客户拉进交付泥潭，资源被切碎，没法集中去做底层通用能力。苏度用「短期不赚钱」换「底层能力的通用性」。这是典型的平台型公司打法——早期的安卓和 AWS 都走过这条路，先用通用能力圈住生态，再让生态产生收入。

再说它想做什么。苏度希望未来做上层模型、工业垂类应用、研究和开发的人，都可以调用它的底层操作模型和工具链，把抓取、放置、组装、检测这些能力组合成更复杂的任务。韩铮用苹果做类比：「真正让苹果走进千家万户的，不是操作系统本身，而是开发者生态，是 WWDC，是无数开发者开发出来的 App。」苏度提供硬件、操作系统（底层操作模型）和开发工具，让开发者、集成商去写「机器人 App」。

为什么不自己下场做所有场景？韩铮的判断是：行业应用会非常分散，一家公司不应该亲自覆盖成千上万种机器人场景。制造业、商超、餐饮、家庭，每个行业的 Know-how 都深得很，苏度选择服务开发者，让「最理解垂直业务的人」去做应用和交付。这是一种明确的取舍——它的代价也很清楚：苏度必须证明自己的 SDK、技能接口和本体可靠性，真的能被第三方在不依赖苏度工程师驻场的情况下低成本复用。这是平台叙事的生死线。

第三个设计最务实，也最少被外面讨论：客户工艺解耦。制造业客户的工件信息和工艺数据高度敏感——工件的类型、规格、材料、流转方式，涉及产品设计、供应链结构和生产计划；而「技能怎么组合、按什么顺序执行、出现异常怎么调整」，沉淀的是客户最核心的工艺 Know-how。如果一家机器人公司需要进场完整采集生产流程、拿回去做后训练，客户就必须向外暴露部分供应链和核心工艺，还要承担数据安全和长期供应商依赖的双重顾虑。很多工厂不愿意，这件事在行业内真实存在。

苏度强调零样本泛化、高成功率、开发者工具和任务编排能力，正是为了把通用技能和客户工艺解耦：苏度提供稳定可泛化的底层技能，客户在本地完成技能组合、顺序编排和任务配置。客户既用上了通用机器人能力，又不必把核心工艺交出去。这个设计把「客户为什么敢用你」的问题，从「你的机器人够不够聪明」换成了「你的机器人能不能不碰我的核心数据」——后者的门槛低得多，也更接近制造业客户真实的决策逻辑。

商业化走到了哪一步

张校珩把商业化分成三个阶段：演示（验证能否完成）、概念验证（验证能否在客户现场稳定运行）、部署（验证研发团队离场后能否持续工作）。苏度目前处在第二阶段——与客户共同验证，还没到付费部署阶段。

宁德时代是最受关注的合作案例。双方在多个核心制造场景联合开发，最早关注的是线缆接插一类任务——插线在工业里是出了名难自动化的环节，线缆是柔性的、会变形、每次形态都不一样，传统工业机器人搞不定。首个工位已完成 POC，正在推进多工位合作，且这是该客户体系内首次以同一具身智能平台验证「一机多能」的案例。

除此之外，三菱电机和中远海运也与苏度有深度合作，蔚来和小米出现在股东名单的同时也被视为潜在的场景合作伙伴。制造业之外，苏度也在向零售和餐饮场景延伸——据公开报道，公司正与一家「全球领先零售企业」推进盘点、补货、货架巡检方案，另与一家「头部连锁餐饮品牌」推进服务机器人项目，两者均未具名，合作进度处于早期。开发者中心正在建设中，韩铮表示会让合作伙伴实际上手体验工具链。对于大型工业机器人或特种异形机器人，苏度设想的长期模式是输出预训练模型、核心芯片和执行器，而非自己做整机——这与其平台定位一致。

时间表上，张校珩给出的节点是：2026 年下半年跑通「底层技能模型 + 上层开发者工具」的商业范式，在多个行业头部客户完成早期概念验证和少量机器人落地，同步搭建供应商、集成商、渠道商和开发者生态；到 2027 年实现百台级交付，更大规模的落地更多由渠道商、集成商和开发者推动；2028 年进入千台级规模。他不回避早期交付的复杂性——「今天的交付和驻场，是为了让未来的交付不再依赖驻场。」

如果你问「苏度现在有没有收入」——从公开信息看，答案是：没有有规模的付费部署收入。公司当前的商业验证全部押在 2026 下半年到 2027 这两个时间节点上。

06.

产业链位置与场景布局

把苏度放进产业链里看，它横跨了三环，但每一环的角色都不一样。

上游，它是基础设施的自建者：自研仿真数据系统、接近万卡级别的算力、底层操作模型。所谓万卡算力，指的是上万台 GPU 规模的训练算力——这是中型大模型公司的量级，远超传统机器人公司。苏度把融资的很大一部分砸向 GPU 和人力，因为它的「工厂」不在车间，在服务器集群里。

中游，它是硬件加系统的提供者：轮式双臂机器人本体，加上操作系统级的 SDK 和 API。

下游，它刻意不做全行业方案商。场景落地由生态完成——苏度进场吃透头部客户、打磨工具，但长期交付依赖渠道商和集成商。

场景选择也有清晰的远近排序。制造业是当前的重心——宁德时代的合作已经从单个 POC 工位推进到多条产线的联合开发。零售商超是第二个方向：盘点、补货、货架巡检、缺货识别、错放识别。餐饮门店是第三个：整理、取放、传递、清洁、补给。苏度把商超和餐饮看作「未来家庭场景的中间形态」——环境半结构化，任务多样但可拆解，是通往家庭的练兵场。家庭本身，是更远期的方向。

打法上苏昊说得很直白：「我们在打法上不追求全覆盖，重点从每个行业需求中最具代表性的头部客户切入，再经由渠道商、集成商向腰部客户复制。」头部客户的要求更高、流程更完整、约束更真实，能检验通用技能的稳定性和适用边界；把共性需求沉淀成可复用的技能、标准接口和开发工具之后，再向腰部复制。

07.

融资与估值：三个月里的跃升

苏度的估值变化，本身就是理解这家公司的一面镜子。先把时间线上的两个数字摆出来。

2026 年 4 月，Sudo R1 发布当天，苏度宣布 Pre-A 轮融资 5 亿美元，当时披露的估值约 20 亿美元，按当时汇率约合 136 到 144 亿元人民币（该轮估值细节待确认，不同信源口径有差异）。

2026 年 7 月，WAIC 之后，晚点等媒体的报道里，苏度「最新一轮融资后估值超过人民币 200 亿元」。

也就是说，从 4 月到 7 月，大约三个月内，以人民币口径计，苏度的估值从约 140 亿升到 200 亿以上，涨幅超过四成。

关于融资轮次，公开信源之间存在口径差异。企查查将苏度最新一轮标注为「天使轮」（2026 年 4 月 20 日，金额未披露），而 BOSS 直聘的公司介绍页面标注为「A 轮」。一种合理的解释是：企查查可能只录入了最早一笔公开融资，而公司实际已完成多轮——苏度官方「自成立以来已完成多轮融资」的表述支持这一判断。目前已确认的最大单笔融资为 Pre-A 轮 5 亿美元。

这个变化背后，有两个值得留意的信号。

第一，4 月到 7 月之间，大概率还有一轮融资。单靠一笔 Pre-A，很难在三个月内把估值从约 20 亿美元推到 200 亿元人民币（约 28 亿美元）的量级——除非期间有新钱进入，或者老股东大幅加注。苏度「自成立以来已完成多轮融资」的官方表述，也支持这个判断。合理的猜想是：5 亿美元的 Pre-A 是其中公开度最高、金额最大的一笔；随后 WAIC 上十余个技能的集中展示、与宁德时代产线合作的落地叙事，把市场情绪和估值一起推了上去，期间又完成了一轮加注。当然，另一个可能是两个数字本身就对应不同轮次、不同折算时点的口径——美元和人民币信源各说各话，换算之后并不严丝合缝。具体的轮次明细，要等公司正式披露。

第二，把融资节奏和业务节奏放在一起看，能看出苏度的一个结构性特征：融资节奏明显快于业务验证节奏。它的叙事——零真机数据、万卡算力、宁德时代合作、具身智能界的 iPhone——每一环都精准踩在资本最兴奋的点上。需要记住的是：估值讲的是预期，而苏度目前最硬的证据，仍集中在「抓放」这一项母技能上，WAIC 后扩展的新能力在量化验证层面还不如抓放扎实。

在硅谷 101 播客中，韩铮透露了一个细节：投资人「很难抢到你们的投资份额」。这句话既印证了苏度在资本市场的热度，也暗示其融资节奏由供给端（公司挑投资人）而非需求端（投资人挑公司）主导——这在早期具身智能公司中并不多见。

作为竞争格局的估值参照：韩铮在播客中提到，Skild AI 最新一轮融资 14 亿美元，估值达 140 亿美元（7 个月前仅 45 亿美元）；Physical Intelligence 估值在 120 至 140 亿美元之间，同样在做新一轮募资。以美元口径比较，苏度 20 亿美元的 Pre-A 轮估值显著低于这两家美国同行——但考虑到苏度的本体自研和仿真基础设施深度，以及中国市场在制造业场景落地上天然更近的距离，这个差距是否合理，取决于市场对「中国具身智能」的定价逻辑。

股东名单本身也值得读一遍。产业资本和科技企业这一侧：宁德时代溥泉资本、阿里巴巴、腾讯、百度、蚂蚁战投、小米、蔚来、歌尔。市场化机构这一侧：高瓴创投、IDG 资本、蓝驰创投、云锋基金、绿洲。国家和长期资本这一侧：国寿股权、孚腾资本、国开投资。资金的主要去向，按韩铮的说法，是 GPU 和人力成本。

这份名单几乎集齐了中国最好的产业资本、市场化机构和国家长期资本。这种结构既是背书，也是约束——产业股东投的是「机器人时代操作系统」的 IPO 级叙事，不是一家等待被并购的方案公司。这意味着苏度几乎被锁定在「长周期、高估值、规模化」的轨道上，没有回头路。有意思的是，这和韩铮前两次创业的路径恰恰相反：ZEPP 和火箭科技都是做小了、卖掉了；这一次，股东结构决定了卖无可卖，只能一路走到上市或者别的终局。

08.

竞争格局：韩铮画出的对手名单

2026 年 7 月，硅谷 101 播客的主持人问韩铮：苏度的竞争对手是谁。韩铮没有泛泛而谈「行业里大家都在跑」，而是直接点出了四个名字。这份名单本身就是一种信息——它说明苏度管理层对竞争格局的判断，不是「国内同行的赛跑」，而是「全球范围内的卡位」。

Figure AI：Demo 好看，但泛化性存疑

韩铮的评价很直接：「demo 比以前好了，但物体泛化性不高，一共就两类物体，盒子是正方形的，包装是软的，颜色重量几乎一样。而且一直没有走出去，全在自己公司的测试线里拍的。」这番话指向一个核心问题：演示视频里的「抓取」是否真的反映了泛化能力，还是精心设计了测试条件。Figure AI 是美国估值最高的具身智能公司之一，背靠 OpenAI 和微软，但韩铮的点评暗示，其技术展示与真实泛化之间存在落差。当然，这段评价出自竞争对手之口，带有立场——Figure AI 未作公开回应。

Skild AI：从「不信仿真」到「拿仿真讲故事」

Skild AI 是另一家美国通用机器人模型公司，最新一轮融资 14 亿美元，估值达 140 亿美元——7 个月前，它的估值还只有 45 亿美元。韩铮特别点出了一个细节：两位创始人 Deepak 和 Abhinav「早期坚决不信仿真，募资时拿仿真做方向」。这句话的意思是：Skild AI 在技术路线上发生过转向，而这个转向的时间点恰好在募资前后。韩铮把这当作竞争情报来用——言下之意是，苏度在仿真路线上是真信徒，而 Skild AI 是后来者。但反过来也可以说，Skild AI 的转向说明仿真路线正在获得市场认可，这对苏度同样是利好。

Physical Intelligence：同位对标，估值高出一个量级

Pi 是美国具身智能里和苏度定位最像的公司：都押注通用机器人大脑，都不急着绑定单一本体，都希望成为上层应用调用的基础能力层。韩铮透露 Pi 估值在 120 至 140 亿美元之间，也在做新一轮募资。关键差异在本体策略——Pi 明确不控制本体，跨硬件迁移、动作空间定义、真机反馈回流是它的持续挑战；苏度选择全栈自研本体加仿真协同，用「硬件适配仿真」来降低迁移偏差。这是两条不同的赌注：Pi 赌「模型够强就能跨硬件」，苏度赌「本体和仿真一起长才能跨场景」。值得一提的是，韩铮在播客中提到，Pi 的创始团队里有苏昊的同门——这张学术网络，让两家公司的技术路线分野带上了一层「同门不同路」的意味。

DeepMind + 波士顿动力：韩铮眼中的最大威胁

这一家不是创业公司，而是巨头组合。韩铮的原话是：「接下来的两到三年里，从机器人的操作能力和综合能力上而言，最大竞争对手可能是 DeepMind 加波士顿动力。」他列出了几条理由：DeepMind 收购了 MuJoCo 仿真器团队并在持续改进；有 Genie 3 世界模型；Google Robotics 团队里有苏昊的同门师弟师妹——同样，PI 团队里也有苏昊的同门。更让韩铮警惕的是组织方式：DeepMind 把核心人才聚集在伦敦，模型团队和硬件团队在一起——他类比为「Steve Jobs 做 Apple 开发时坚决不同意远程」。波士顿动力的电动版 Atlas 提供了硬件平台，DeepMind 提供模型和仿真能力，两者的结合在韩铮看来是最完整的威胁。

把四家放在一起看，苏度的竞争图景就清楚了：Figure AI 在演示效果上领先但泛化能力存疑，Skild AI 在路线选择上摇摆但估值飙升，Physical Intelligence 与苏度同位对标但本体策略相反，DeepMind 加波士顿动力是最完整的威胁但组织惯性也是最大的未知数。苏度最独特的标签仍然是「先建操作底座」——用自研仿真器、自研本体和自研模型的完整闭环，去赌一个别人都在拆开做的系统。这张牌是否成立，取决于它能否把验证从抓放推到复杂接触操作，并让第三方真正用起来。

09.

关键判断

苏度最强的三点，放在桌面上看是这样的：

**一是团队预备度。**苏昊二十年的底层学术积累，加韩铮两次并购退出的商业直觉和网络，加一批从学生时代就在一起的长期搭档——这个组合在具身早期公司里属于稀缺品。两头都占，而且两头的负责人之间有二十年的信任存量。苏昊的师承网络——从李未、沈向洋到李飞飞、Guibas，再到散布在银河通用、穹彻智能、OpenAI、英伟达、Google DeepMind 的同门——为这张团队画布增加了一个常被忽略的维度：它不只是「一群人」，而是一张嵌入学界和产业界核心节点的网络。

**二是技术叙事的自洽性。**从「操作比运动难」这个起点出发，到结构化 3D、高并发仿真、分层架构、本体协同，每一环都能回答「为什么这么做」，连「为什么不用真机数据」都有经济论证——韩铮说，和英伟达一起测算过，靠人力在物理世界采集足够的操作数据，投入可能需要一万亿到十万亿美金。从「木桶效应」到「第四类世界模型」，从「被倒逼」的自研本体到五类数据的虚实融合，这套叙事的每一步都能自圆其说。一条既有技术论证又有经济论证的路线，在这个赛道里不多见。

**三是数据安全切入点的务实性。**零样本泛化加客户工艺解耦，直接回应制造业客户「敢不敢用」的顾虑，这不是话术，是一个真实的 To B 抓手。

真正的胜负手，在于它能否在 2026 下半年到 2027 这个窗口期，把 POC 转成付费部署，让「一机多能」从宁德的产线走进更多工厂，并且让第三方开发者真正用起来。成了，它就是它自己说的「具身智能界的 iPhone」；如果卡在这一步，两百亿估值讲述的，就还是一个尚未被业务验证的漂亮假设。

最后说一下苏昊现在的身份状况。苏昊目前的公开头衔同时包括：复旦大学浩清特聘教授、复旦大学通用物理智能研究院首任院长、苏度科技联合创始人、董事长兼 CTO。其中，复旦通用物理智能研究院于 2026 年成立，正处于建院初期；苏度科技也在万卡算力扩张和多场景 POC 推进的关键阶段。两边都是从零到一的阶段，都需要投入大量时间和精力。在 2026 年 4 月 Sudo R1 发布时，部分报道将苏昊在苏度的角色描述为「首席技术顾问」；到 7 月 WAIC，媒体报道统一为「董事长兼 CTO」。

信息来源

企业官方：苏度科技官网（sudo.ai）、苏度科技官方回应、企查查、BOSS 直聘

会议/展会：WAIC 2026（世界人工智能大会）、CVPR、ICRA

媒体/播客：晚点、硅谷 101 播客（韩铮专访）、36 氪、机器之心

学术来源：Google Scholar、苏昊个人学术主页、SAPIEN / ManiSkill 官方文档

数据/查询平台：企查查、BOSS 直聘、天眼查

探马行研 · TechMorse

2026 年 7 月

100家公司，100个故事。

探马行研「具身智能100公司」系列，以深度叙事走进每一家正在定义具身智能赛道的公司——从团队基因、技术路线、融资历程到商业化进展，用讲故事的方式拆解这个正在重塑制造业与AI边界的行业。