摘要

核心暴论：分层结构将在今年下半年重回主流。 苏度科技CEO韩铮认为，硅谷以Physical Intelligence为代表的端到端VLA路线面临数据不足——“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，而且可能……是最终的一个方法”。上层推理与底层操作解耦，底层操作不能只靠人类遥操作数据，Sim2Real是躲不过去的。
数据冷启动是端到端路线的关键障碍。 特斯拉靠十几年前卖出几百万台车积累FSD数据，但机器人"很难在没有任何功能之前卖500万台到各个办公室"，且没人愿意在家穿动捕服教机器人做西红柿炒鸡蛋——冷启动需要百万甚至千万级开放环境数据，所以"Sim2Real是躲不过去的"。
可验证的证据：苏度R1的零样本demo。 60分钟连续拍摄、100多个训练集外物体、240次抓放、单次成功率近98%，闭环调整后达100%；随后在ICRA维也纳和CVPR现场让可能近千名参会者用证件、手机、玩偶随机测试——对比某公司提前一个月租Airbnb采数据练咖啡demo，“几乎没有给你时间去做准备"的公开测试此前无人做到。
操作比运动控制难两到三个数量级——这是估值判断的关键分界。 宇树、波士顿动力的locomotion已被Sim2Real充分验证，但物体操作需要结构化3D数据、几何亚毫米级理解和对环境的预测推理；Figure最近的产线分拣demo只有两类形状几乎一样的物体、始终在自建测试线内，“物体泛化性其实不高”，洗碗机demo据泓君听说花了很长时间才拍出一条。
竞争格局的反共识判断：最大对手是DeepMind+电动版Atlas，而非PI或Skild。 Skild估值7个月从45亿冲到140-150亿美元，但两位创始人"以前是坚决不信仿真的”；而DeepMind有MuJoCo、Genie 3、“几乎无限的卡”，把波士顿动力硬件核心人才挖到伦敦与模型团队同址——“他们对于物理世界AI的下注，可能是在所有的大厂里边最坚决的一家”。
硬件量产答卷看宇树：2025年出货5000多台，对比特斯拉、Figure约150台；但宇树的物体操作才刚起步。 苏度的商业模式对标iPhone+iOS而非安卓：软硬一体卖本体+底层模型+SDK，让1000个开发者中跑出100个部署场景、5-10个部署上万台的超级应用——“Sim2Real这条路是对的，是副产物”。

精读

1. 苏度的定位：全栈，但赌注押在"操作"这一最难环节

韩铮的定位：大脑和本体都做——团队近10年用机器学习驱动机器人，2022年下半年半商业化启动时才决定自造硬件，因为"如果自己不碰本体的话，也很难把大脑的能力展现"。对标硅谷：Optimus、波士顿动力、Figure、1X是本体+模型但模型侧不如PI、Skild专注。
泓君开场抛出的行业痛点是本期的试金石：能否通过demo判断机器人公司好坏——多数公司会提前对特定环境做适配，而苏度敢在完全没有训练过的新环境做demo。

2. 灵巧手不是性价比之选：90%的操作任务不需要

韩铮的拆解：做操作模型的团队（包括PI）都先把二指夹爪的能力拉到边界，“机器人里边要做的物体操作的任务，可能90%不一定需要灵巧手”，剩下5%-10%才需要多指。人形风潮是2022年Optimus唤起的公众想象，而非技术必然。
现阶段策略是把操作任务与下肢灵巧度解耦——双足还不稳定、经常跌倒；但未来会回归同一条线：通用机器人的构型"可能是轮足式"，平地高效移动、特殊地形切换足式。
灵巧手本身：手内转魔方、盘核桃确实需要多指，但穿针引线未必——稳定性、可靠性、成本（早期Shadow Hand几十万美金一只）都没控制好，“是一个选项，但不是一个性价比最高的方法”。

3. 从ImageNet到ShapeNet：3D数据集的谱系与残酷落差

泓君介绍，联创苏昊是ImageNet核心作者之一，后在斯坦福Leo Guibas实验室把"大数据集+结构化描述"思想搬到3D，2013-2014年起做ShapeNet，PointNet也是他的核心工作。落差在于：ShapeNet据韩铮说应该有几十万个3D模型，ImageNet有1400万图文对——互联网上开源可用的3D模型极度稀缺。
层层递减的标注深度：ShapeNet只有基础几何和表面贴图；标到部件级的PartNet只剩几万物体；再加动力学约束（瓶盖往左拧还是往右拧、能不能拧下来）的PartNet-Mobility不到3000个物体——据韩铮记忆，它至今仍是开源界最大的带部件、带动力学约束数据集。这对合成数据训练和带物理一致性的视频生成"都有很大的约束"。

4. 为什么不直接看视频学：10公分够开车，操作要亚毫米

韩铮对"对着海量开放世界视频训练"的回应：2D图片视频里"三维的信息有，但是不太全，也不太准"——连Sora训练管线之一都是用Unreal/Unity从3D模型反向渲染2D数据。
精度论是硬约束：自动驾驶导航10公分左右的精度是够用的，“但是对机器人的操作，10厘米的误差是绝对不能忍受的”——把线缆插进录音机孔位"必须是在亚毫米级以内"，只有3D建模的数据集做得到。

5. 开山派的家底：仿真器渊源与"波音造飞机"式的系统工程

团队的行业坐标：“具身智能”（Embodied AI）这一提法应该是2019年苏昊与北美多位教授联合提出的带测评标准的研究领域；市面核心仿真器"不管是像Isaac、MuJoCo，甚至说新创的一些公司，都跟我们有千丝万缕的联系"，Isaac部分强化学习引擎也有团队成员早期贡献。
韩铮对核心资产的回答值得记：Sim2Real"有点像波音造飞机"，很难说发动机、航电还是材料更重要——能搭这个复杂系统工程的团队本身才是积累，核心大组负责人已共事七八年。
历史教训：Andy Rubin加入谷歌并负责Google X项目后，2012-2016年间谷歌收购了波士顿动力等一批机器人公司，那波"要素还不是特别全"。2022年韩铮与苏昊决定创业的触发点是DALL·E的出现——它让他们意识到2D升维到3D有机会，“在仿真器里边重建整个世界的物体和环境……理论上是开始可行了”。

6. 仿真器哲学：牺牲观赏性，换取百万并行与物理一致

新一代机器人仿真器的设计思路与传统有限元仿真不同：不是在大型机器上无限逼近真实，而是在一张GPU上开出成百上千甚至上百万个并行环境——分辨率"非常非常低"，但物理一致性尽可能接近，“一定是要在真实和效率之间做大量的取舍设计”。
终极野心的原话：“把人类和整个生物对于环境的理解、交互、物体的操作，几百万年进化的过程，放在仿真器里边来，让机器人再经历完整进化的过程。“仿真器起名Sapien正是映射《人类简史》——从猿到人的进化。

7. 数据：结构化是护城河，质量与规模没有标准答案

结构化vs非结构化的分野：Allen Institute的ObjectVerse挖GitHub所有3D文件攒了上千万条数据，但大量是游戏盔甲武器，“对于机器人做物体操作的话，其实用处不一定很大”。苏度自建结构化数据集，规模"暂时没有办法正式对外透露”。
韩铮的坦诚权衡：“我们也没有标准答案，永远是在质量和规模之间要取得平衡”——单个饮料瓶不需要100%还原材质和标签文字，但结构化覆盖必须达到量级。自评：结构化理解"应该是在所有的团队里面可能做得最好的”，但动力学约束仍是"整个行业里边最欠缺的数据"。

8. 苏度R1：Sim2Real第一次填平开放世界的差距

4月发布的demo（内部去年11-12月已跑通）：连续一小时、100多个训练数据里从未出现过的物体、240次抓放，“单次对于这个物体做抓放的成功率是将近98%"，失败后闭环控制迅速调整策略"就可以做到100%"。韩铮的定性：“这可能是整个的机器人里边，尝试用Sim2Real路线里边，能够做到Zero-Shot……把Sim2Real差距当中给填平的第一次。”
泓君直问研究社区的质疑——有没有控制变量、训练集里见过？韩铮的回答是斩钉截铁的：“没有，其实完全没有。”

9. 公开随机测试 vs 提前一个月租Airbnb

回应质疑的方式是公开随机测试：6月初ICRA维也纳大会上，可能近1000人用参会证件、手机、耳机、小玩偶随机测试，随后CVPR再来一轮——“以前类似的学术会议上，从来没有人能够做到这样的展示，原因之一就在于它几乎没有给你时间去做准备”。
行业对照组的操作方式，韩铮如实描述：某公司会在学术会议前"在旁边租一个Airbnb，把自己的机器人放在那边收集大量的数据，可能要提前一个月进场”，重复展示做咖啡任务——换个咖啡机或换个环境，成功率"肯定会要往下掉不少"。
短vs长程任务的判断：真正做操作的社区认为开放世界Zero-Shot的短技能成功率更核心——“如果你的短技能足够稳定可靠、泛化性足够高，你其实是可以把短技能拼成各种各样的长程操作的”，这正是ManiSkill框架的思想；2023年团队还有与思维链同期的CoTPC工作专门处理短技能串联。

10. 白盒还是黑盒：预训练分层理解，端侧端到端部署

与PI主推的狭义VLA（模仿人类动作的端到端黑盒）的根本区别：苏度的模型"要对于物理世界物体和环境，以及它未来的变化，要有强理解和强预测"，且可解释——拧瓶盖拧不动时，模型知道是该加大力，还是这个国家的瓶盖旋向设计不同。结构上是预训练分层、端侧部署仍是端到端。
模仿学习路线的病灶，韩铮说得很直白：它不需要知道物体在环境里的准确位置和几何信息，“它之所以这么做……都是因为在那个环境之下，曾经有人是遥控这个机器人做了那样的动作，它只是在纯粹机械地去模仿”。
最生动的类比：小朋友第一次拧瓶子会左拧一下右拧一下随机尝试，同时观察父母；有些运动能力"刻在了人遗传的基因里边"——“机器人，我们实际上是要把整个进化的过程，在仿真器里边再去复现一次。”

11. 冷启动死结与"下半年分层回归主流"的暴论

端到端堆数据路线的致命前提缺失：特斯拉十几年前没有FSD就卖出几百万台车，“有几百万的司机在101的公路上面天天开”，后面还有司机天天帮它标数据；机器人做不到——“我们很难想象买了一台机器人，需要穿着一个动捕服才能够去做西红柿炒鸡蛋”。国内公司可能已到百台、甚至千台以上规模，离500万台差太远，所以冷启动数据"需要百万甚至千万级别……Sim2Real是躲不过去的"。
小八卦带出的行业史：PI、Generalist的核心人员出自Google Robotics，“再往前当时大家有一个默契”——底层稳定操作+上层任务理解的分层结构，但2023、2024年创业时"大家就选择了自己擅长和熟悉的套路"，不再提分层。韩铮的暴论：“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”，且可能是商业化的最终方案（他标注：仅代表个人）。
泓君的追问逼出更尖锐的判断：硅谷公司更擅长上层推理，“靠几十万小时——我觉得可能已经是现在操作的极限——人类真实操作数据，远远没有办法达到开放环境、开放物体稳定可靠的操作能力”；底层操作必须软硬件强结合，但这家公司"是不是只有中国公司能做到，我觉得未必"。

12. 软硬强绑定，以及"高两到三个数量级"的操作难题

Sim2Real差距怎么解？硬件和软件必须一起设计：仿真器不万能，硬件选型要用仿真支持好的构型；每台机器每次上电表现都不一样，仿真里要对这些噪音做仿真。开源方法（URDF格式导入）“极度地简化了”，不考虑电机噪声、响应曲线迟滞——所以底层操作模型与本体是强绑定，很难买软件装到别的机器人上。
本期最硬核的量化判断：仿真强化学习在宇树、波士顿动力的locomotion上已充分验证，“但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”——姿态控制只需关注机器本身，操作则要求结构化数据、环境理解与预测，这正是World Model里最重要的一支。泓君的呼应：她此前问英伟达科学家"控制灵巧手是不是还没解决"，“我今天跟你的这个聊天，好像正在找到这个问题的答案”。

13. 商业模式：不是安卓，是iPhone+iOS

硬件形态像汽车（电池、电机、计算单元），但商业模式像智能手机：卖本体+底层模型+SDK，开发者在上面搭应用——“有人去做Uber，有人去做DoorDash……有人做美团，有人做滴滴”。泓君的修正被采纳：这比安卓"还说小了"，因为机器人硬软件是操作整体，无法只卖软件适配他人本体——所以更像iPhone+iOS。
开发者漏斗的具体数字：“我们服务的1000个开发者里边，有100个能够找到小批量部署的应用场景……这100个人里边可能会有5个、10个，会做一个超级应用，可能会需要部署1万台甚至更多。“苏度自己不赌任何单一垂类场景，只做底层短技能基础模型、API和组合工具；上层应用的通用逻辑，内部称为Adapt。

14. 竞赛点评：Skild、PI、Figure、Optimus、宇树

Skild以140-150亿美元投后估值融资14亿（7个月前才45亿），但韩铮的爆料：创始人Deepak和Abhinav"以前是坚决不信仿真的，但是在一开始募资的时候，他们是拿机器人仿真作为主要募资的方向”，实际业务"可能偏敏感一些”。PI最新估值据他所知也在120-140亿美金之间、在做新募资；美国第一梯队还有Generalist及华人创业的Sunday、Dyna。
Figure的翻红要打折：产线分拣demo"的确是比以前有一些进步"，但只有盒子和软包装两类物体、颜色重量几乎一样，且始终在自建测试线里——遥操作VLA"对于光照和环境的变化都极其的敏感"；洗碗机demo据泓君听说花了很长时间才拍出一条。
Optimus与宇树：2025年前苏度曾与特斯拉自动化团队合作，当时Optimus还满足不了产线条件，应该只在自己团队里做固定位置拿电池的动作；但"Optimus肯定是未来美国机器人行业里边最大的推手"——硬件制造力强，模型按马斯克风格"等行业有较为好的方案出现之后再去补，可能也来得及"。宇树则是"率先给市场交出硬件量产最好答卷的公司"——2025年出货5000多台（对比特斯拉、Figure约150台）且真实发到用户手里，但物体操作才刚刚开始。

15. 最大对手是DeepMind+电动版Atlas；十年后想被记住的是iOS，不是路线正确

反共识的竞对判断：“接下来两到三年，从机器人的操作能力和综合能力上，我们认为的最大竞争对手可能是DeepMind加波士顿动力。“论据链：韩铮认为Demis对物理世界AI的下注"在所有的大厂里边最坚决”；他提到把波士顿动力硬件核心人才挖到DeepMind；泓君补充DeepMind几年前收购MuJoCo团队、持续改进仿真器并有Genie 3世界模型，韩铮称其有"几乎无限的卡”——且现代应该是波士顿动力控股股东（如果韩铮没记错，软银留10%-20%），谷歌可能"重复Android的方法再做一次"。亚马逊是投入最多的公司之一（Kiva、Agility、Covariant），提供场景但"最终要不然收购、要不然自己做"。
为什么中国公司总退回垂直赛道？韩铮的诊断与自我要求：像AI四小龙一样"对于基础模型如何构建没有特别清晰的想法，只是想边做边试的话……都会因为商业上的压力去做妥协"；苏度的信心来自12-24个月可验证的判断——"‘说不定’这三个字，在我们团队里边几乎不太会出现"。他也承认垂类现在"账是算不过来的"：部署一台机器人替代人工，“实际上你也可能要花三到五个PhD的成本去维护”。
收尾的十年之问，韩铮的选择：“Sim2Real这条路是对的，是副产物”——他希望十年后回看，这是一个类似iPhone加iOS的时间节点，“会有新的Uber、有滴滴、有美团、有新的DoorDash长出来，我们希望大家用的硬件加底层的系统和软件，至少有一部分是我们提供的”。

146. 对Physical Intelligence柯丽一鸣4小时访谈：Pi的开源模型研究，机器人的江湖、族谱与主角用2,048块 Blackwell GPU、2,000万美元训练400B模型｜GTC研究者对谈