「仿真派」落地真产线！苏度WAIC首秀，CEO韩铮：99%+成功率

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 「仿真派」落地真产线！苏度WAIC首秀，CEO韩铮：99%+成功率 Jay 2026-07-20 13:35:02 来源： 量子位 仿真的底层逻辑 Jay 发自 凹非寺 量子位 | 公众号 QbitAI 一个月前的CVPR现场，一家中国具身智能公司的展台被围得水泄不通。 没有真机调试，没有遥操作采集，一台机器人直接从仿真里「毕业」， Zero-shot 首次抓取成功率约 98% 。 如今，他们来到了WAIC。 苏度科技 ——成立一年估值破人民币200亿元， 苏昊 担任联合创始人、董事长兼CTO的具身新星——首次在国内大型展会亮相。 这一次，他们带来的不只是Picking。 展台上同时跑着四组Demo： 精密装配：双手协作，以亚毫米级精度完成模具组装； 柔性打包：布料随形，双手协同； 移动操作：移动场景下的感知-决策-执行全链路闭环； 电池模组产线：四机协同，复刻与宁德时代联合开发的真实工业流程。 每一组Demo，都在尝试回应同一个行业终极之问： 仿真训练出来的模型，到底能不能在真实世界干活？ 对此，苏度科技联合创始人兼CEO韩铮的回答是： 能，而且一旦放出来，就是99%+成功率。 高可靠性是具身走向商业化的前提。 我们内部的标准99%+成功率，在此基础上再谈泛化性。 这点在现场也得到了印证。 量子位发现，苏度是场馆内极少敢让观众自带物体「盲测」的展台—— 给啥抓啥，来者不拒 。 甚至有让抓骰子的…… 我跟工作人员小哥调侃：诶，能抓手机吗，抓坏了咋办？ 小哥嘿嘿一笑： 赔你（doge）。 也是对模型能力绝对自信的一种体现吧。 苏度WAIC首秀，四组Demo拉开能力光谱 一刚一柔，两场「极端考试」 自苏度亮相以来，外界一直在追问同一个问题—— Picking对精度要求不高，Sim2Real在抓取上能跑通。但contact-rich（接触密集型）操作呢？ WAIC现场的亚毫米精密装配与双手柔性打包，就是苏度对此的正面回应。 这两项任务，恰好代表了物理交互的两个极端。 精密装配，难在精度。 看似简单的玩具组装，背后是极小的容错率，稍有偏差便无法嵌入，对力控和位姿估计的要求近乎苛刻。 我在现场亲手试了一下，很难Zero-shot。纯靠视觉只能对准一个大概位置，真正咬合靠的是指尖的力觉反馈，在接触中实时微调。 柔性打包，则难在不确定性。 布料没有固定形状，每一次抓取、每一次受力，都会彻底改变下一步面对的状态。这类柔性物体在仿真中极难精确建模。 结果呢？ 苏度用同一套基座模型，两场考试全部通关。 不仅做到了，还保持了与Picking同等级的闭环抗干扰能力。 关于这一点，不知道大家有没有发现一个细节——苏度在这些操作时用到了两只手。而展会上，绝大多数机器人展示时只用一只。 原因很简单，双手场景下，一只手的动作会立即改变另一只手的约束条件、可行空间和下一步选择，变量太复杂，模型必须依据真实反馈持续协同。 苏度选择双手协作来做Demo，是主动亮剑。 并且也是和Picking一样欢迎现场出题的。 我问现场工作人员：能不能伸手干扰一下？ 小哥的回答只有两个字： 欢迎。 然后展台的两位小姐姐直接开始现场「捣乱」了（bushi）。 一刚一柔。前者考验精度，后者考验柔顺。两项极端任务，均做到了与抓取同等级别的泛化能力。 苏度用这两个场景正面回应了一件事： 「仿真搞不定contact-rich操作」——这个判断，该改了。 移动操作：边走边抓，彻底不做模块拼接 听上去理所当然，但现实是： 绝大多数机器人至今仍做不到。 原因藏在数据里。 移动操作的遥操作数据极难采集，底盘式机器人尤其如此。用摇杆或脚踏控制底盘，再同时操控手臂，操作方式本身就反人类。 因此，目前主流的遥操作方案往往固定操作者下肢，许多系统甚至把上肢、躯干和头部也基本锁死，只允许一只手臂运动。 靠真机数据走通移动操作，几乎是一条死胡同。 苏度用仿真路线翻过了这座山—— 端到端的全身控制策略。 感知、底盘、躯干与手臂不再被拆成独立模块，策略根据实时变化的相对状态，统一生成全身动作。 看着好玩，像在遛机器人。但背后对应着大量真实应用场景： 开柜门、上下料、搬运大件物体…… 几乎所有涉及大范围空间的操作任务，都需要移动操作能力来支撑。 解锁这项技能点，意味着机器人的作业边界被大幅拓宽。 四机协同跑产线：从技能到任务 最重磅的Demo，压轴登场。 苏度与宁德时代合作，现场复刻了一条 电池模组产线 ，完整还原锂电产线从上料到下料的全流程：上料→电芯装配→扫码→下料。四台同型号机器人分守不同工位，协同作业。 流水线作业是人类工业最成熟的生产组织方式，但对机器人而言，这类多机协作任务对泛化能力的考验极为严苛。 关键在于状态传递： 每一步的执行结果，就是下一步的起始条件。 前一台机器人完成上料与装配后，任务状态和工件向后流转，下一台必须准确「接住」结果，再完成扫码与下料。 这类长程任务场景下，任何一环出错，整条链路都会中断。 苏度为何敢在线下实时展示？ 秘诀在于一套「任务智能体」。 大部分公司的Demo往往为展示设计，需要为特殊场景专门采集多条真机数据，这样当然也能交付，但也将模型框死在了一个工位、一道工序、一个固定任务，靠这种方式打通一串长程任务，成本相当高。 苏度的选择是，预训练阶段不进入具体场景，优先将Picking这类可迁移的底层共性技能做到极致，同时保证泛化性。 这样到了交付阶段，只需少量真机数据后训练，任何工作流都能基于已有技能库的自主组合打通，像搭积木一样。 如果说四个月前的惊艳首秀只是单点突破，那这次WAIC则是一次通用泛化能力的全面亮剑。 一机多能、双手精细操作、多机协作、长程任务编排…… 当初的Picking王牌，已然裂变为10余项操作技能。 而这一切，究其本源，仍然指向团队自亮相之初便坚定的技术主线—— 仿真之路。 仿真的底层逻辑 数据，至今仍是具身智能行业百家争鸣的开放问题。 真机数据自然是所有人求知若渴的，但无法Scaling。人力、设备、时间成本层层叠加，数据量级始终进展缓慢。 仿真数据量大管饱，却绕不开一个现实： Sim2Real的Gap。 今年4月的亮相中，苏度将抓取的Zero-shot成功率做到了约98%。但现实场景中，客户的验收标准是99%+。 这1%的鸿沟，仅靠仿真数据很难逾越，必须补上真机数据的微调。 这促使苏度打造了一套 虚实融合的数据链路系统 。 核心思路是各取所长：以大规模虚拟仿真数据为主体，有效融合少量真实采集数据，在数据效率与泛化精度之间找到最优平衡。 这也是目前业内较有共识的、真正可Scaling的落地路径。先在预训练阶段用仿真数据构建一个泛化性强的基座模型，再在交付阶段结合客户的少量示教数据微调，达到可实际部署的成功率。 基于这套虚实融合的数据基座，苏度设计了自己的世界模型。 李飞飞曾将世界模型分为三类： 渲染、模拟与规划。 但在苏度CEO韩铮看来，这三类并不能覆盖具身大脑的全部任务。 先说规划类