9203
10
机器人已经能在舞台上做到翻跟头、表演武术了，但要让它在开放环境里伸手帮你拧开一个瓶盖，难度陡然跃升2到3个量级——因为那一刻，它需要理解眼前的物理世界。
这正是苏度科技想啃下的硬骨头。苏度科技联合创始人、董事长苏昊是ImageNet的核心作者之一，师从李飞飞，这家公司走了一条与硅谷主流纯大脑“黑盒”大模型不太一样的道路——软硬件协同设计，上下分层架构，上层负责任务规划与环境理解，下层用仿真（Sim-to-Real），让机器人在虚拟世界里经历几百万年的进化，再迁移到现实。
这条路已经跑出了一定成效：面对从未见过的新物体，他们的零样本通用抓取单次成功率接近100%。
本期硅谷101，我们邀请苏度科技CEO韩铮，一起聊聊机器人“动手”怎么实现？他预测，接下来会有更多的硅谷公司会重新回到“上下分层”的方向上来。
【主播】
泓君，硅谷101创始人，播客主理人
【嘉宾】
韩铮，苏度科技联合创始人&CEO
【你将听到】
机器人“动手”的数据根基
03:17 为什么做全栈（大脑+本体）通用机器人？
07:14 苏昊早年经历：从图片标注ImageNet，到3D数据集ShapeNet
11:08 3D数据收集，难在哪里？
13:21 仿真需要亚毫米级精度，视频训练无法达到
16:33 什么是Sim-to-Real（从仿真到现实）？
18:08 创业时机的判断：DALL-E带来的数据拐点
Sim2Real技术验证与关键突破
21:40 仿真器的技术内核：经典物理法则+强化学习
24:17 数据集质量与规模的平衡：自建结构化3D数据集
28:05 实际效果如何？零样本通用抓取，一次性成功率98%
32:11 回应Demo质疑：去学术会议现场随机环境中演示
34:22 基础Zero-Shot泛化能力比长程任务串联更为关键
35:45 灵巧手虽好，但不是当下的性价比最高的方法
技术路线之争
38:16 商业模式思考：硬件+底层模型+API，类比智能手机生态
41:23 仿真器与机器人本体，必须软硬件协同设计强绑定
44:04 如何教会机器人拧瓶盖？加入真实世界数据更高效
44:51 难度对比：操作物体比运动控制难2~3个数量级
47:28 白盒与黑盒之争：分层模型，在预训练中融入物理理解
51:11 Sapien仿真器，让机器人像幼童第一次拧瓶盖一样操作
53:27 数据冷启动困境：无法复刻特斯拉，必须靠仿真做冷启动
55:38 嘉宾预言：被硅谷抛弃的“上下分层”即将重回主流
全球机器人竞争格局
59:08 实现机器人动手，软硬件强结合的公司才能做到
01:00:34 硅谷明星公司点评：Skild、Figure、Optimus
01:05:40 为什么最看好DeepMind+波士顿动力Atlas的组合？
01:09:01 亚马逊机器人，场景多但整合困难
01:10:02 为什么多数公司退回垂类？因为不知道通用该怎么走
01:12:43 不做垂类押注，而是构建开发者生态，目标是成为机器人时代的“iOS+硬件”
【延伸阅读】
节目中提到的Demo：sudo R1评测——60分钟连续无剪辑实测
【硅谷101正在招聘】
《硅谷101》招聘多个全职岗位，欢迎加入我们的超酷的深度内容工作团队！
👉🏻点击查看招聘详情
【监制】
泓君
【后期】
Amei
【运营】
朱婕
【BGM】
Particle Emission - Silver Maple
My Moon and Your Sun - Hampus Naeselius
On the March - Brendon Moeller
Quietly Tense - Marten Moses
【在这里找到我们】
公众号：硅谷101
收听渠道：Apple Podcast｜Spotify｜小宇宙｜喜马拉雅｜蜻蜓FM｜荔枝FM｜网易云音乐｜QQ音乐
其他平台：YouTube｜Bilibili 搜索「硅谷101播客」
联系我们：podcast@sv101.net
Special Guest: 韩铮.
1. 不要被机器人 Demo 轻易说服，关键看它是否针对现场做过适配
节目从一个很好的判断框架开始：单看 Demo，无法知道机器人是否提前采集过场地数据、针对物体或流程做过专项训练。因此，真正有价值的展示不是“在预设场景下成功一次”，而是能否在未训练的新环境、面对未见过的随机物体时仍保持稳定表现。
这也是苏度强调“零样本、开放环境抓取”的原因。
2. “动手”比“移动”难两到三个数量级
嘉宾认为，让机器人行走、保持平衡，主要是控制机器人自身；但让它抓取、插线、拧瓶盖、操作陌生物体，必须同时理解：
物体形状、材质、摩擦力和可动部件；
自己的手与物体、桌面及环境的关系；
接触后的受力反馈；
下一步动作造成的物理后果。
因此，操作不是“动作序列生成”那么简单，而是一个带有感知、预测、反馈与纠错的闭环系统。
3. 机器人缺的不是泛视频数据，而是可用于物理操作的高精度 3D 数据
节目回顾了从 ImageNet 到 ShapeNet、PartNet 的演进。核心逻辑是：
互联网已有海量 2D 图片和视频；
但机器人操作需要的不只是“看见一个杯子”，还要知道它的空间几何、零部件关系、瓶盖旋向、材质和动力学约束；
视频能提供粗略的三维线索，却不够精准；
对导航来说，10 厘米误差或许能接受；但插线、抓取、拧盖通常需要毫米甚至亚毫米级精度。
节目并不否认大规模数据的重要性，而是强调：在具身操作中，** 数据的结构化程度和物理可用性**比“仅仅更多”更关键。
4. Sim-to-Real 的关键不是“画得像”，而是“物理规律和训练效率的取舍”
苏度的路线是让机器人先在仿真环境中经历海量训练，再迁移到真实世界。嘉宾特别强调，仿真器不需要无限逼近视觉真实：
可以降低渲染精度；
但必须尽可能保留物理一致性；
并在一张或多张 GPU 上并行运行大量环境；
让机器人以强化学习探索操作策略。
也就是说，仿真不是做“漂亮的数字孪生”，而是做一个足够真实、足够高效、能规模化产生有效训练的实验场。
5. 开放世界泛化能力，是检验基础操作模型的核心指标
苏度展示的重点不是某个固定任务，而是对未进入训练集的物体进行抓放：
连续约 1 小时；
测试 100 多种物体、200 多次操作；
单次抓放成功率接近 98%；
首次失败后，通过闭环调整策略，可进一步提高成功率；
并在学术会议现场让参会者拿随机物品测试。
这里的关键判断是：** 演示是否允许现场随机性和未知性**。如果产品只能在固定场景、固定物体、固定流程下完成长任务，仍可能是高质量工程演示；但距离“基础能力已泛化”还有距离。
6. 上下分层不是保守，而是将“可控、可解释的底层能力”与“泛化推理的上层能力”解耦
韩铮认为，纯端到端路径把感知、理解、规划、动作都压进一个黑盒，短期迭代快，但在物理世界里会遇到稳定性和可解释性的难题。
苏度主张的分层思路大致是：
下层：基础操作技能和物理闭环，例如抓取、接触、受力、旋拧、纠错；
上层：VLA/语言模型式的任务理解、规划和指令拆解；
中间层：将高层意图转化成可验证、可执行的低层技能调用。
节目中很重要的一层判断是：未来落地到商业化时，行业可能重新重视“上层智能 + 下层可靠技能”的组合，而不是完全依赖端到端黑盒。
7. 最终竞争不只是模型竞争，而是全栈系统能力竞争
嘉宾反复强调，真正解决 Sim-to-Real gap，不能只靠算法：
需要数据、仿真、强化学习、控制、硬件本体协同；
开源研究方案往往对电机、噪声、控制曲线、上电状态等工程细节做了简化；
一旦走向开放世界和稳定商用，软硬件耦合会成为决定性能力。
这也是节目对“造脑”和“造身体”二分法的修正：在机器人操作这一层，脑与身体最终很难完全分开。
8. 商业化方向：做“硬件 + 基础操作模型 + API”的机器人基础设施
苏度不想只做某一个垂直场景的机器人应用，而是希望提供：
机器人硬件；
可复用的底层操作模型；
让第三方开发者构建场景应用的 API / 平台能力。
本质上，这是把自己定位为机器人时代的底层操作系统和能力层，而不是只卖一个“会做咖啡”的机器人。
精彩言论
“机器人如果是要对于物体去做操作，它这个难度要高两到三个数量级。”
“可能从今年的下半年开始，上下分层的这种结构会重新再回到主流里边来。”
“对机器人的操作，10厘米的误差是绝对不能忍受的。”
“我们需要在一张 GPU 上面，开出成百上千，甚至上万、上百万个并行的环境。”
“零样本稳定地对于开放世界的基础物体操作，短操作的成功率其实更加核心和关键。”
更多内容：https://younavi.me/doc/rQsq4vqyTS7yd93oniClG8NO_u0