WAIC，我带着一道难题去了苏度展台

这次逛 WAIC，机器人又成了主角，上百家公司都带着自己的机器人亮相。但我穿过层层人群直奔的，是展馆二楼的苏度科技。

这家公司刚成立一年多，已经是具身赛道里颇受关注的角色。

熟悉具身的朋友可能知道，苏度 CEO 韩铮是连续创业者，曾创办智能运动硬件公司 ZEPP。联创兼 CTO 苏昊是技术大牛，ImageNet 核心贡献者之一，长期研究 3D 视觉、机器人仿真和操作。苏昊回国的消息也让具身圈小震动了一下。

不过，公司阵容只是苏度的亮点之一。

今年4月，苏度第一次公开全栈自研机器人系统。

在一段连续 60 分钟、未经剪辑的视频里，这款机器人不间断地执行抓取任务。面对 100 多个形态、材质各异的物体，它的首次抓取成功率达到 98%，两次尝试内的成功率接近 100%。

这个数据，好到让一些人怀疑它是不是提前做了预训练，而不是它自己强调的泛化能力。

但随后的 ICRA 和 CVPR 会议，苏度把这套任务搬到线下，让很多现场观众直接看到机器人应对随机物品的过程。

这次听说苏度会来今年的 WAIC，而且是第一次在国内线下参展。我立刻就决定，要亲眼看看这套能力是不是真的站得住？机器人的通用泛化能力，是不是真的进展这么快？

在现场给苏度机器人临时出题

今天早上，当我到达苏度的展台时，人群几乎把这里淹没了。

没错，很多观众已经在和苏度机器人互动。

我挤进靠近入口的抓取任务演示区，发现这次苏度对自己真狠。它不仅让用户随意递物品，还给机器人配了一块花里胡哨、会动态干扰的背景板，明摆着不让自家机器人轻松过关。

*抓取背景不断变化

拿来测试抓取能力的物品也很逆天。像什么扇子、鱼油胶囊、树枝...不少东西都不在正常测试的脑洞里。

我在现场看到的第一个测试案例，是抓取鱼油胶囊。

这颗胶囊只有一厘米宽、不到两厘米长，半透明，表面会反光，在上海39摄氏度的高温里，还很容易受力变形。

苏度机器人先盯了几秒动态背景板上的胶囊，然后抬起手臂，慢慢靠近。

夹爪刚碰到胶囊时，并没有完全夹住。我本来以为到这里就 GG 了，但很快发现，机器人还在继续执行任务。

它的手臂没有回缩，夹爪只是略微调整了一下角度，稳稳抓住了胶囊。

第一个测试，过关。

接着，我拿出了提前准备好的测试物品 —— 把一个还没拆封的口罩递给了机器人。

我之所以递出口罩，是因为它的材质很软，外层塑料包装又会反光，应该能给机器人添点麻烦。

结果，没想到苏度机器人执行这个任务比上次的时间还短，几乎没有犹豫就完成了这个任务...

我旁边的一个小姐姐也想考考它，把从其他展台领的扇子递了过去。

这个任务确实让机器人犯难了一会儿。它连续尝试了好几次，都没成功。旁边的工作人员解释，扇柄是塑料材质容易发生形变，并且接触面太小，对机器人难度高。但苏度机器人的泛化能力，可以让它现场学习没见过的东西。

但也就在工作人员解读的空档，苏度机器人又试了几次，也完成了这个任务。

看完这个场景，我又在苏度展台逛了一圈，发现这次苏度除了抓取还多了其他技能。

像移动抓取演示，观众可以拿着小球，引导苏度机器人跟随自己的轨迹，最终让它拿到小球。

整个过程是连续的。机器人会边跟随边抓取，没有先移动到某个位置、停下来，再开始抓取。

还有一个双手打包柔性物体的任务。

机器人面前摆着一块柔软的毯子，毯子上放着钥匙链等物品。它会双手配合，把这些物体包进毯子里，最后打好结，算是个长程任务了。

打包过程中，观众还可以故意打乱毯子的形状，给机器人制造障碍，但它最终仍能完成任务。

*加入人为干扰

我想了想，这次苏度机器人的这些任务好像都有种随机性。

不管是抓取物体、移动路线，还是打包，里面都有很多随机因素。

再加上现场不可控的光线、声音、网络和温度，这些演示给我的感觉是，苏度原本只在抓取场景中呈现的泛化能力，正在被迁移到柔性物体操作、双手协作和移动抓取等更多技能上。

仿真带来的scale

活动现场，我听到很多人问工作人员，这款机器人为啥能看到啥就抓啥，似乎没有什么限制。

这件事其实我在中解释过。

苏度在数据路线的选择上和很多具身公司不同 —— 它主要使用仿真数据做预训练。正是这条技术路线，带来了强泛化性。

仿真，也就是不使用真实世界演示、真机遥操作数据训练机器人，而是生成海量的仿真数据和场景，让机器人用它们做训练。

相比依赖大量真实世界演示和真机遥操作数据，这种方法可以降低数据成本，也能加快预训练的速度。

拿 WAIC 这种大型展示来说，不少公司会围绕特定 Demo 专门采集大量数据，再做针对性训练。

苏度的思路，是在仿真环境里批量生成不同的物体形态、材质、光照、背景和遮挡条件，让机器人在训练阶段就尽可能多地接触变化。所以到了真实任务，它有更高可能性会直接应对好陌生物体和场景，减少为单个 Demo 临时采集大量数据的需求。

当然了，业界对仿真也有质疑。

一个典型观点，是认为 3D 生成可以构建一个视觉上合理的空间，却很难还原足够可信的物理世界。这样训练出来的机器人，未必能真正理解物体及其背后的动力学规律。

不过这个问题，恰好是苏度联创苏昊擅长解决的。

过去多年，他一直在研究可交互的 3D 表征，重点就是让机器人看见并理解物体，以及物体之间的相互作用和动力学规律。

*偶遇苏昊在WAIC展台

基于这些技术基因，苏度的数据体系建立在高保真仿真器之上，包含对物理动力学的直接表达，使模型能学习到可泛化的物理规律。

本来今天来之前，我还是心存疑虑的。但这次我看到的泛化能力不仅包括抓取，还有移动操作、双手协作。这些现场结果至少从更多角度，为观察仿真路线能否 scale 提供了阶段性证据。

从技能到场景，再到系统

我离开 WAIC 展馆前，又在一楼看到了苏度的工业场景案例。

这是苏度和宁德时代合作的电池模组产线，目标是让机器人按照要求完成电池模组生产流程。

整条产线由四台机器人协作，分别完成箱体上料、电芯堆叠、电芯扫码和产品下线。我录了一镜到底的完整视频，大家可以赛博围观。

我仔细看了看，这个长程任务涉及了多机协同、精密装配、移动作业等等功能。

问了下现场的工作人员，发现这些功能的底层，其实就是刚在楼上展示的泛化抓取、移动抓取、双手作业。但在这个工业场景，它们被组合成了一套面向具体任务的机器人操作能力。

这个案例又把我戳了一下。

这意味着从四月到现在，苏度不仅把自己在抓取上的泛化能力迁移到其他技能，还把这些技能组合起来，落到了一条产线上。

我把这个观察和现场的工作人员聊了聊。他们告诉我，苏度最早先从抓取切入，是为了证实自己仿真路线的潜力。

之所以选择抓取作为验证场景，是因为它是机器人操作的入口级技能。抓取做好之后，就要逐步扩展到更复杂的操作上。

当每个基础操作技能都可以泛化，机器人面对由多个技能组合而成的复杂任务时，就算任务不熟悉也能迎刃而解 —— 就像我今天看到的宁德时代流水线一样。

这个逻辑我理解了。但这短短三个月就从单技能泛化到多技能，再扩展到组合能力的速度，还是很出人意料。

离开展台后，我又翻了翻苏度高管最近的采访。发现今年 CVPR 上，这家公司的 CEO 韩铮说，苏度仿真路线最大的挑战是整个系统工程。

他认为，要实现真正可用的机器人系统，需要数据、训练环境、仿真器算法、机器人本体设计、模型架构、Sim2Real 方法，以及真机后训练形成完整闭环。缺少任何一个环节，都很难实现真正的泛化能力。

从我这次在 WAIC 现场看到的技能扩展速度看，苏度很可能已经建立了一套可以持续 scaling 机器人能力的系统。这套方案如果成熟，很多其他的技能，也都能像抓取一样快速泛化，最终实现通用。

如果说这次 WAIC 之前，我会因为没有亲眼见过苏度机器人抓取的泛化性而心存疑虑。那这次在 WAIC 上，我不仅看到了它的抓取，还看到了不少同样具备泛化的其他技能，甚至还有产线。

这让我觉得，这家公司无论是技术路线还是工程能力，都会吸引我继续追更。

它的思路和案例，都让我比三个月前更信了仿真一些。