01 触发事件

2026 年 WAIC 上，苏度科技集中展示了移动操作、双手协作、柔性操作、精密组装等 10 余个技能。按晚点披露，这家公司 2025 年成立，一年内估值到 200 亿元；更关键的是，投资人口径称它从 1 个技能扩到 10 个，只用了 3 个月。

如果只把这看成又一家人形机器人公司的舞台秀，我觉得会漏掉重点。真正值得记住的数字不是 10 个技能，而是 3 个月这个扩展速度。

晚点文中还有两个细节更重要：其一，苏度在今年上半年的 CVPR 线下展示里，做的是开放环境随机抓取；其二，团队明确说首个机器人大模型预训练阶段几乎没用真机数据，后期只加了少量真机强化学习。我没在内部跑过它的系统，所以不敢断言这些 demo 已经穿透到商业可交付层，但这至少说明它想证明的不是单点 skill，而是 skill library 的复用能力。

这才是苏度在说的事：机器人公司不再只卖一个 demo，而是在卖一套把新任务快速编译出来的能力栈。

晚点里最有价值的一句，不是关于估值，而是关于可靠性。

机器人模型从学术界走向工业界，最终要在关键任务上逼近 99% + 的成功率

02 这事的真正含义

问题不在机器人能不能抓起一个杯子，而在它能不能在物体变了、光照变了、工位变了之后，仍然稳定完成任务。也因此，苏度押注的核心不是更像 LLM 的大模型叙事，而是更像 cloud infra 的数据供给叙事。

LLM 的起点是互联网现成语料。机器人没有这个起点。没有“物理世界互联网”，就没有低成本、持续、可回流的训练燃料。特斯拉可以靠卖车回收数据，机器人公司做不到，因为产品形态未收敛、部署密度不足、任务环境碎片化。苏度选择用大规模仿真为主、少量真机为辅，本质上是在自建一个 synthetic data refinery。

我可能低估了真机数据后期的重要性，但至少从这篇报道看，苏度的判断很清楚：具身智能的 moat，不先是模型权重，而是生成、筛选、验证、迁移物理经验的系统。换句话说，那个真正会被定价的不是某个 robot foundation model，而是持续产出可训练世界的 data factory。

这里有一层更深的结构变化。过去两年 AI 行业的主战场是 pretraining cluster、context window、KV cache、MoE 推理效率。苏度这类公司把竞争维度往前推了一步：从 token 经济学，转向 interaction 经济学。文本 token 可以批量抓取，物理交互不行；文本错误通常可容忍，机械臂碰撞错误会直接中断任务。于是，具身智能的 unit economics 不会先被参数规模定义，而会先被成功率、恢复能力和新技能迁移成本定义。

所以，苏度不是单纯在做机器人。它在尝试定义机器人时代的“数据云”。

03 历史类比 / 结构对照

我想到的类比不是 2022 年 ChatGPT，而是 2006 到 2010 年的 AWS。彼时很多公司也以为云只是“把服务器租出去”，但真正改变行业的不是虚拟机本身，而是把算力、存储、数据库、部署流程抽象成可复用服务，从而让新应用的启动成本急剧下降。

如果这个类比成立，苏度想做的不是“更会表演的机器人”，而是机器人领域的底层抽象层：世界重建、仿真、交互表征、策略迁移、真机校正。单个 demo 就像 EC2 的一台实例，本身不稀缺；稀缺的是背后那套能让下一个任务更快上线的通用栈。

这也是为什么文章里反复强调可交互 3D 表征，而不是视觉上更真的渲染器。对 builder 来说，rendering realism 不等于 operational realism。一个杯子“看起来像杯子”，和“可以稳定被抓取、放置、装配”之间，隔着材料、摩擦、碰撞、形变、时延这些根本不属于图像生成范式的问题。

我没法确认苏度会不会成为这个层级的赢家，因为 embodied AI 仍然早。但结构上，它显然在回避一个常见陷阱：把 world model 做成 content engine，而不是 action engine。前者容易出视频，后者才可能出现金流。

这和 2014 年后 cloud 市场的分化很像。便宜算力会商品化，真正有 moat 的是工作流嵌入、迁移成本和 distribution。机器人世界也一样：通用机械臂会越来越像 commodity，通用操作能力的训练与部署系统，才更可能形成 switching cost。

04 对 AI builder 意味着什么

如果我是 AI builder，接下来一两个月会调整三个判断。

第一，不要再把 embodied AI 当成“LLM 的一个应用分支”。它更像一套新的 infra 需求集合。你卖模型 API 的，应该开始关心 simulation、sensor fusion、policy execution、safety loop、human-in-the-loop 标注，而不只是 VLM benchmark。因为这些模块未来会形成新的 token gateway 机会：今天路由的是文本模型，明天可能路由的是 perception model、planner、controller、recovery policy 的组合。

第二，重新评估 open vs closed 的边界。LLM 时代，开源模型常在价格和可控性上追击闭源；机器人里，单开源权重未必构成足够竞争力。因为真正贵的是数据闭环、真机验证和任务迁移流水线。我可能判断得偏早，但具身智能可能比 LLM 更偏向“开放模型 + 封闭数据工厂 + 封闭部署网络”的混合格局。

第三，产品决策要从“模型最强”改成“任务成功率最高”。这意味着如果你在做 agent、industrial automation、warehouse orchestration、家居机器人中间层，不该先追求最宽的 capability graph，而该先抓最窄但高频、可验证、可恢复的工作流。99% 成功率比 10 个酷炫场景更值钱，尤其当下游客户是工厂、物流、零售而不是展会观众时。

对 opcx.ai 这类 model access 平台的同行来说，我觉得最值得观察的不是谁的 robot video 更火，而是谁先把“物理任务调用栈”标准化。今天 MCP 统一的是工具调用接口；明天如果机器人任务链条被 API 化，真正的机会在 routing、fallback、审计、成本归因，而不是单一模型代理费。

05 反方观点 / 风险

我前面的判断可能错在三个地方，而且都不是小误差。

第一，苏度的速度未必等于行业可复制性。3 个月从 1 到 10 个技能听上去非常强，但 skill count 本身很容易误导。10 个技能是不是共享同一套 latent action prior？是不是只在有限环境下成立？是不是靠高强度工程调参撑起来？我没看到原始评测 protocol，所以不能把这个数字直接外推成平台化能力。

第二，sim-to-real 的故事很容易在媒体里被高估。历史上很多机器人路线都证明了：仿真里省下来的成本，会在现实世界的 calibration、maintenance、edge case recovery 里重新付掉。换句话说，仿真不是免费午餐，它只是把成本曲线后移。如果真实部署密度上不来，这套 data factory 可能长期停留在资本市场友好、商业市场犹豫的区间。

第三，也是最重要的一点：机器人行业未必会像 cloud 一样出现明显的平台层。也可能最终赢家是少数拥有场景 distribution 的整机厂、车厂、家电厂、物流集成商，而不是底层世界模型公司。因为在具身智能里，distribution 不只是销售渠道，它本身就是数据采集网络。谁先拿到持续运行中的机器，谁就先拿到真实世界梯度。

所以，我愿意给苏度这件事高分，但不会给满分。

如果它成立，拐点不在“机器人终于更像人”，而在“机器人开始拥有自己的数据工业体系”。

如果它不成立，问题也不在模型不够大，而在现实世界没有给它足够便宜、足够密集、足够持续的反馈回路。