苏度科技昨日发布首篇技术 Blog，正式展示了其软硬件全栈自研的机器人系统 Sudo R1，并宣布，截至2025年底，已获得包括宁德、阿里、高瓴、国寿股权、绿洲、腾讯、蚂蚁、IDG、蓝驰、数字未来、孚腾、复旦科创、云晖等机构的投资，同时，公司已于近期完成新一轮融资，估值突破20亿美元，并进一步引入头部产业客户与全球一线投资机构，高鹄资本担任长期独家财务顾问。

Sudo R1采用3D世界模型与强化学习一体化设计，在不使用任何真机数据的前提下，实现关键任务接近100%的 Zero-shot 成功率。这是业内首次系统性验证：仅依赖仿真数据训练，即可支撑模型跨越现实世界复杂性。

面向通用操作的底层基础模型苏度所展示的并非单一任务优化模型，而是一个面向通用操作的底层基础模型。在 Zero-shot 条件下，该系统即可实现接近100%的成功率，并对未知环境与未见物体表现出稳定的泛化能力，同时保持较高的动作流畅性，具备“开箱即用”的能力体验。

以 Pi、Generalist 类模型为代表的技术路线，通常依赖 few-shot 方式进行适配，即需要针对具体场景进行示教，并在限定环境与物体条件下才能获得较高成功率。一旦环境或物体发生变化，往往需要重新进行数据采集与适配，本质上更接近“任务级优化”，而非“能力级泛化”。

如果类比大模型的发展路径，苏度更接近 ChatGPT 所代表的范式——通过通用底层能力解决任务，而非针对每个场景单独构建系统。

在一段60分钟不间断、未经剪辑的实测中，Sudo R1 在不同光照与背景条件下，对透明、反光、柔性、不规则形状等多类未见物体，均实现接近100%的抓取成功率，并展现出强大的闭环实时控制与空间避障能力。更值得关注的是，该操控模型在训练过程中完全基于仿真数据构建，未依赖任何真实世界采集数据。这一设定并非工程上的限制，而是一项刻意的技术验证——即在不借助真机数据对齐的前提下，检验仿真预训练是否能够独立支撑模型跨越现实世界的不确定性。

突破具身发展瓶颈，破解数据供给核心难题这一结果之所以重要，是因为其正面回应了当前行业的两个核心瓶颈：

其一，数据规模瓶颈。当前主流路径依赖真机数据采集（从遥操作、UMI、再到人类视角采集等），尽管成本与效率上持续优化，但规模化扩展仍面临经济性挑战，数据供给难以随算力线性增长，并持续限制模型能力上限。

其二，物理世界建模不足。真实数据虽包含视觉与动作信息，但对物理世界核心——dynamics（动力学）的刻画往往间接且不完备，导致模型难以学习稳定、可泛化的物理交互规律。这也是当前多数具身系统在真实环境中表现不稳定、难以规模化的根本原因之一，同时也是当前真机路线较少正面解决的问题。

在这一背景下，单纯讨论“真机数据与仿真数据孰优孰劣”并无实际意义，更关键在于构建一条可规模化的数据与模型协同路径：仿真数据由于天然包含完整的物理交互信息且具备显著的成本与规模优势，更适合承担“广度与物理常识”的构建；而真机数据则具备真实噪声、传感器误差及复杂环境扰动等特性，能够提供与现实分布对齐的关键信号，但其高成本决定了其更适合作为后期对齐与校正的稀缺资源。围绕具体场景动态确定两者的配比，才是真正的长期壁垒。

而这一配比能力的前提，是高保真仿真器和对数据协同机制的深度理解。

苏度的数据体系建立在高保真仿真器之上，天然包含对物理 dynamics 的直接表达，使模型能够学习到可泛化的物理规律。这使其成为目前少数在世界模型和强化学习一体化路径上验证最充分的团队。换言之，Sudo R1 所展示的，并非一次任务调参后的结果，而是其底层数据路线与模型架构共同作用的外在体现。

Sudo R1 打破了行业长期以来对 Sim2Real 路径的根本性质疑。它不仅证明了这一路径的可行性，更在泛化性、敏捷性、鲁棒性和空间智能四个维度上同时逼近生产级水准。