文 | 硅谷101
2026世界人工智能大会（WAIC）上，成立不到一年的苏度科技首次在国内系统亮相，现场演示了10余项技能，覆盖双手操作、柔性体处理、精密组装、移动抓取，还有一个被视为具身智能下一阶段关键方向的"彩蛋"：边移动边操作。
让机器人在真实世界操作物体，与单纯的控制运动相比，难度陡然提升2到3个量级，因为"动手"之前，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，下层负责具体物体操作；Sim-to-Real作为核心训练范式，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。
这条路已经跑出成效：在今年4月发布的Demo中，机器人零样本通用抓取单次成功率达到98%。WAIC现场的10余项技能并非孤立开发，它们共享同一套Sim2Real技术范式，底层跑通后，新技能的边际成本会快速下降，最终形成一套可复用、可扩展、能够持续生成新能力的机器人系统。
本期《硅谷101》播客，我们邀请苏度科技联合创始人兼CEO韩铮，一起聊聊机器人的3D数据从哪里来？ Sim-to-Real这条路能不能走通？全球机器人竞赛，各大头部玩家的技术路径是什么，谁能真正的跑出来？韩铮预测，接下来会有更多的硅谷公司重新回到"上下分层"的方向上来。而在硅谷众多明星公司中，Deepmind+波士顿动力的组合，可能是这条路上最值得关注的对手。
以下是这次对话内容的精选：
韩铮：我们是大脑和本体都做，现在很多的机器人公司都在强调这一点，就是要全栈，要做整个的系统。我们团队10年前就开始用机器学习方法驱动机器人，当时主要以软件为主，做探索和尝试。直到2022年，团队开始以商业化的方式来做准备的时候，我们才开始正式地考虑自己来做硬件的本体。
因为多年积累下来的经验告诉我们，如果不碰本体，大脑的能力很难展现出来，也很难做迭代和验证。
泓君：如果我们要类比一家硅谷的、大家现在已经比较熟悉名字的这些机器人公司，你觉得你们做的这些环节跟哪一家机器人公司是更接近的？
韩铮：我觉得硅谷的机器人公司，不管是像Optimus，还是上一代的波士顿动力，还是Figure、1X，其实都是本体+模型。不过这几家公司在模型侧的能力，比起Physical Intelligence、Skild，要稍弱一些，没有那么专注。
泓君：我觉得我们要看每一家公司做机器人，它的思路有什么不一样，可能要从它的整个历史说起。我知道你的联合创始人苏昊，他是李飞飞的学生。李飞飞当年成名之战是ImageNet，她给上百万的图片做人工标注，然后让机器第一次看这个足够多的世界。苏昊他其实就是ImageNet的核心作者之一，后来他把这个思路搬到了3D。我觉得这个跟今天的苏度整个的历史也是一脉相承的。所以你可不可以简单跟大家介绍一下ImageNet，为什么它会成为整个AI爆发的一个导火索？
韩铮：苏昊求学生涯里边其实一共有两个PhD，其中大概有将近4年时间的话，他是在李飞飞老师当时在普林斯顿、后来在斯坦福的实验室里边，核心的项目就像您讲的，实际上是做ImageNet大的项目。他曾经跟我讲过，李飞飞对于整个ImageNet的推动和架构的话，实际上是非常有远见的。
ImageNet核心思想就是，用结构化的方法，把世界上典型物体的2D图片和对应的文字描述配对，进行系统化的整理和复现。比如桌子上的杯子，我们需要一系列的典型图片去描述世界上几乎所有的杯子，但是同样款式的杯子，我们一张或者两张图片可能就够了。
这个思想在2012年、2013年，苏昊跟随第二个PhD导师Leo Guibas，在斯坦福的实验室的时候，把这套思想带到了3D里边来。所以他那个时候开始组建3D的大数据集ShapeNet。它最大最大的挑战就在于，相比于ImageNet，你可以把互联网上面几乎所有的图片和它下面的文字描述和标题梳理清楚，并且以众包的方法做标注，但3D模型其实非常欠缺。
泓君：把这个思路搬到3D领域，就是我能想象，比如说你2D，要在图片里面去识别这个杯子，我只需要一个标签。3D的话，它的标注维度会大很多，你的文字标注它怎么去解决这种空间的物理关系，甚至是力的反馈？我觉得这个事情听起来要难很多。
韩铮：对，这里边的工作其实要复杂很多，所以愿意做3D大数据集的人相比于2D以及语言的大数据集的话，要少很多很多。在3D大数据集方面，我们有一系列的工作。第一个就是ShapeNet，是苏昊在斯坦福期间的核心工作，现在做到了几十万的3D数据。但实际上还远远没有达到像ImageNet能够覆盖世界上所有物体所有的模型。
这些3D模型，它只有基础的几何，和基础的表面贴图，我们大概能够预估到它的这些物体的材质。但再往下一步的话，同样一个物体的话它可能会分不一样的parts和组件，比如说一个饮料瓶子，会分成瓶身、瓶盖……有的时候你甚至需要标注哪个是它的瓶底。标到PartNet的时候，就只有几万的物体了。
但再进一步，比如说对于这个瓶子，它的瓶盖究竟是往左拧还是往右拧，它拧动之后能不能够把它给拧下来，这个就叫动力学约束的一些标注，这个数据集叫PartNet-Mobility。到目前为止，如果我没记错的话，它仍然是最大的带部件、带动力学约束的开源数据集，但这里边只有不到3000个物体带有标注的。这对像机器人合成数据的训练生成，像视频生成里边带有连续的空间和物理一致性，都有很大的约束。
泓君：3D数据的收集，可能标注是很费时间成本的事情。现在我们在考虑大模型跟机器人的训练方法时，比如说我让它现在用ShapeNet的这一套开源数据集去训练，跟直接对着视频网站成千上万的开放世界的视频去训练，它的核心区别点是什么呢？
韩铮：我觉得这个核心区别在我们看来，就是2D的图片和视频里边，三维的信息有，但是不太全，也不太准。如果你拿它用来做自动驾驶导航，它对精度的要求没有太高，有一个大概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。像我们面前的这个录音机，我们要把线缆插到对应的孔位里边去，它的要求必须是在亚毫米级以内。对于我们做仿真（Sim-to-Real）的这条路，我们是要求机器人对于物理环境里边的物体和环境、对于几何有比较精准的理解。它对几何精度的理解，就要达到毫米级，甚至亚毫米级才可以。
韩铮：走Sim-to-Real这条路，它有点像波音造飞机，它是一个比较复杂的系统工程。所以怎么能够把搭建这个复杂系统工程的团队建起来，我觉得这是我们团队最核心的积累。我们团队里边的小伙伴们在苏昊的实验室以及我们成立公司之后，核心的这几个大组的负责人其实都在一起工作过七八年的时间。人，还有过去做这些事情的经验跟方法论，这个是无可比拟的优势。
包括数据，比如说我们在做仿真器，其实大家能够想象到的市面上核心机器人的仿真器，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。
泓君：我先跟听众解释一下Sim-to-Real，它的意思直译就是"从仿真到现实"，它是让机器人先在电脑模拟的虚拟世界中训练，练成之后把学到的这件事情"搬"到真机上，让它在物理世界里面也能用。大家注意，重点不是说仿真这两个字，而是"搬"的这个动作，能不能直接把它搬到现实世界，还灵不灵？它是这条技术路径上最大的一个难题。英伟达的Isaac仿真平台就是这个路径最大的推手之一。与它相对的另一条路径，就是Real World Data这一派，直接用真实世界采集的数据来训练，比如说让人手把手地教，然后机器照着学。
我记得苏昊其实是非常早就在做跟机器人、跟3D数据集一系列的探索，那个是在什么时间？
韩铮：应该是2012年、2013年。因为在ImageNet出来之后，他有一个想法，是要做一个类似于神经网络的架构，但当时跟他配合的人没有那么多。在ImageNet的挑战赛AlexNet横空出世之后，对他的冲击我觉得是非常大的，他觉得自己可能是错过了非常重要的一个机会。所以他就思考，下一个大的领域会是什么？他想把大数据集加神经网络的方法带到物理世界里边来。在他拿到第一个PhD之后，在Leo Guibas教授组开始搭建新的3D学习的团队。
泓君：这个中间我觉得不管是机器人还是我们现在说的AI，它的技术已经经过了特别多轮的迭代了。在2012年、2013年那段时间，甚至更早的一段时间，大家觉得投资机器人都是不赚钱的，甚至是失败的投资项目。那个时候其实硅谷有非常多好的机器人项目，像什么Covariant。
韩铮：我们在创业初期，也受到了上一波大家对于这个问题的影响。从2012年、2013年开始，到2015年、2016年，当时应该是我们叫安卓之父Andy Rubin加入谷歌之后，他负责了谷歌的X这个项目，当时应该收购了非常多家机器人公司，最知名的可能就是波士顿动力，后来又转手过很多次。像您刚才提到的Vicarious、Intrinsic，现在还在谷歌里边，Everyday Robots它的硬件部门已经被关闭掉了。当时那波，可能大家还是想用机器学习的方法往前推进，但当时的要素我觉得可能还不是特别全。
在2022年，苏昊想做机器人的底层操作模型公司的时候，我们当时讨论最多的一点，是什么原因能够促使大家觉得现在的机遇跟大概七八年以前明显的不同。当时我们决策的核心原因之一，就是DALL·E（OpenAI的文生图模型）的出现，它让我们意识到，把2D升维到3D，实际上是有机会的。从一个朴素的想法来讲，就是如果仿真器要重建整个世界的物体和环境，理论上是可行的了。
泓君：我们刚一直在提，你们在走Sim-to-Real的路线，你的Sim-to-Real的底层应该是一个我理解现在可以说是世界模型，或者是3D的大模型。
韩铮：我觉得一定程度上是对的。其实仿真，在我们推动Sapien和ManiSkill的时候，大概是2018年、2019年开始，比如飞行器和汽车制造里边，我们要做流体力学仿真，机器人你要做机械包括力学的仿真，让它跟真实的飞行器也好、车也好、机器人也好的话，尽可能地接近。
但新的机器人仿真器的设计思路就不太一样，它并不需要我们在大型机器或大型集群里无限逼近真实环境；我们需要在一张GPU上面开出上万、甚至上百万个并行的环境，不需要让它看起来非常地真实，比如说它的分辨率其实非常非常低；它要求物理的一致性尽可能接近，但并不需要无限地接近——它一定是要在真实和效率之间做大量的取舍设计。
泓君：所以你们选择了在这个仿真器里面更多地遵循整个世界底层的物理法则，牺牲观赏性跟分辨率。
韩铮：对，我们把经典牛顿力学，包括物理仿真中人类总结的大量公式都代入到仿真器里边来，但同时我们又给它大量的开放世界3D的物体环境任务的数据，让机器人在里边做强化学习。
泓君：对，所以你们现在Sim-to-Real的这条路线，包括仿真器的设计，我理解它所有的环境搭建都是为机器人服务的。机器人对一件事情的理解，你们可能是不局限于我要拧一个矿泉水的瓶盖，而是说我想让机器人做所有的、它能看见的现实世界中的环境它都能操作。我的理解是对的吗？
韩铮：对，简单来讲，我们想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。
泓君：你觉得现在在机器人的训练中，是用极高质量的数据更关键，还是说我需要用更大规模的数据，但是这个数据的质量可能没有那么高。你怎么看这两者之间的权衡？
韩铮：我觉得这是一个特别好的问题。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。但规模是要达到一定程度的。
我就有一个朴素的判断，就是你要把世界上典型的物体、它们之间组合的环境和要去做的操作任务，都有一个结构化的描述。这几乎在机器学习的历史上，不管是2D视觉、自然语言，还是自动驾驶领域，都没有出现过。
在仿真器里边，我们要搭建的结构化数据集是非常关键的。但我们也清晰地知道，不太需要无限度地准。比如说单个饮料瓶子，它材质的具体描述，它的标签上的文字信息，需不需要100%地还原？其实是不需要的。但究竟怎么取得这样的一个平衡，实际上每家可能都有不一样的理解。
泓君：所以你们的数据集算是一个什么样的质量？
韩铮：我们对于结构化的理解，可能是在所有的团队里面做得最好的。但另外一点，我们也知道结构化的下面，我们还应该补哪些数据。比如说我们瓶子要怎么去拧，这些动力学约束数据，还是整个行业里边最欠缺的。
韩铮：真实世界数据采集的方法有很多种：比如机器人遥操作（Teleoperation），比如UMI这样的动捕设备——不管是用夹爪还是穿全身动捕服。第三种是Ego的方法，就是大家经常在讲的第一人称的数据。这些方法相较于Sim-to-Real，操作起来都会简单一些，但它很难保证某一类操作任务在开放世界的泛化性。
这个指的是什么呢？基础模型的一般定义是：给它一个在预训练和后训练中都没出现过的任意物体，它能不能以很高的成功率完成任务。
我们其实之前也稍微地提到了，就是这类的视频和图片，它对几何的理解和精度可能不太够。我们在仿真里边核心，就是要重建这些物体和环境的3D Ground Truth的信息。但是如果规模不够，其实是很难体现出Sim-to-Real的优势和能力的。
我们4月份放过一个结果，就是我们叫苏度R1，它是去年底内部的一个结果。在我们看来，这可能是整个机器人领域里，第一次用Sim-to-Real路线做到Zero-Shot、开放世界某一类任务，把仿真到现实的差距填平。
这个视频展示了连续一个小时的操作：我们试了100多个物体，操作了200多次。但这些物体其实都是在我们的训练数据里没有出现过的，即使抓取失败，我们也没有补充后训练数据。所以它是一个对于物体通用的抓取，第一次可以做到零样本高成功率的结果。我们会变换很多的光照、环境和物体。
到一个小时结束的时候，我们一共做了240次抓放的操作。单次抓放的成功率是将近98%。但是它第一次失败之后，还会用一个闭环控制的方法，迅速地调整它的策略，就可以做到100%。
在这个结果发布之后，整个的研究社区里边有一派的声音就质疑说："你们肯定精心控制了变量，这些物体和环境是不是在训练里见过？"但事实上，我们完全没有。
泓君：我跟大家先简单解释一下，因为大家可能看不到这个视频，你们第一次demo的画面是一个机器人站在一个操作台前，去抓不同的物体。这个物体包括像饮料的瓶子，还有小零食。这些物体，可能是椭圆形的，可能是锥形的，这就要求机器人的手要去抓不同的部位，它才能把它抓起来。这个视频的时长是60分钟，你们是连续拍摄，没有间断，上面显示一共是240次抓取。所以大家有质疑是说你们可能是看过这些数据，但其实是没有。
韩铮：是的，所以我们当时就决定要在公众的面前给大家做一次展示。在6月初的时候，我们首先在维也纳举行的ICRA（国际机器人与自动化会议）的大会上，我们把这台机器人第一次带到了研究者的面前，在几天的会议里边，可能有将近1000人来到我们的展台前面，用他们自己各种各样随机的物体去做测试，比如说参会的证件、比如像手机、耳机、小玩偶。昨天我们其实也刚刚从CVPR（计算机视觉领域的三大顶级会议之一）的会场回来，我们也是搭建了一个展台，大家在一个非常随机的环境之下去做测试。
在以前这种学术会议上，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。比如某家公司，它会在学术会议开始之前在旁边租一个Airbnb，把自己的机器人放在那边，去收集大量的数据，可能要提前一个月进场，做好处理之后重复去展示，比如做咖啡的任务。
泓君：所以它是有针对单个场景去做适配跟练习的，你们没有。
韩铮：我们是不需要的。只不过这两者的区别之一就在于，我们更关注对于物体的基础操作，比如说这种短的基础操作的高频动作，也就是Zero-Shot一次性抓取成功的单个动作。
泓君：我理解做咖啡的任务是一个连续动作。
韩铮：对，它相当于让人遥控这个机器人，把这个连续动作，至少要出现过很多次。如果它换一个咖啡机，或者是换一个环境的话，它的成功率肯定会要往下掉不少。这时候怎么办？绝大多数机器人模型公司还得补充数据去做拟合。
泓君：做单个一次性抓取的任务，跟做一个这种长程任务，就是复杂动作的拆解，每一步都需要连续。你觉得这两者之间哪个更难？
韩铮：我觉得如果是真正做机器人的、做操作的社区的话，肯定认为Zero-Shot更加核心和关键。如果是你的短技能足够的稳定可靠，它的泛化性足够高，你是可以把短技能拼成各种各样的长程操作的。这其实也就是ManiSkill整个核心框架大的思想。
泓君：所以我理解其实最难的部分是开放世界，而不在于它是短还是长。你只要在开放世界中短的能成功，那么连续长程任务只是时间问题。
韩铮：对，简单讲是这样。但里边其实还有很多的核心工作，比如说你要做短技能串联成长技能，其实也是一个类似于像思维链的方法。思维链提出来大概在2023年的时候，我们其实也有同期的一个工作叫Chain of Thought Predictive Control，就是CoTPC，它其实就是专门处理短任务如何串联成长程任务的，类似于思维链的一个框架。
韩铮：我们认为，各行各业会有成千上万种的机器人应用，我们一家公司做不完，应该是由每个垂类的应用最理解的这样的一个团队去做推动和参与。
我们的定位是做好基础操作技能（比如抓取），把排列组合的能力交给每一个开发者。他可能想要拿它做化妆品零食的分拣，也可以拿到工厂里边去做零件的上下料组装，也可以进到家里边收拾桌子做家务。
我们希望我们能够做到的是一个底层基础、短技能的稳定可靠的基础模型，提供好API，并且能够把这些基础技能拼成各种各样不一样的长程任务。但它的要求就在于，大家有这样的想法搭成类似大语言模型里边的Agent，我们有一个新的描述叫"Adapt"。
泓君：对，大家跟你买的是什么呢？买的是一个机器人的本体加上模型，加上API的调用次数吗？
韩铮：简单来讲，是本体加我们的软件支持。上层的应用实际上是开发者去做开发，我们也可以帮大家二次分发。我们认为机器人的商业模式更像是智能手机，会有公司去提供一个像iPhone或者Android，它有一个硬件加一个操作系统，它有完整的SDK，开发者就在上面去搭各种不一样的应用，可以贴牌，但更重要的是有人去做Uber，有人去做DoorDash，同时还有人会去做Instagram、小红书，各种各样的应用。
泓君：如果说你们是一个Android操作系统的话，还说小了，因为手机是可以自己制作的。但是我理解其实你们现在卖机器人整套的话，你是需要硬软件一起卖的，因为机器人的硬件跟软件是一个操作的整体，很难说它买一个软件放在一个新的机器人上它能适配。
韩铮：对，这其实可以回应一下您提的前面的一个问题，就是说，Sim-to-Real中间的gap怎么搞，核心就是你的硬件和软件要一起设计。包括我们仿真器里边去仿的这台机器人，有两个要求：
第一个是仿真器里边也不是万能的，我们可能有一些构型或者是某些组件和元件，现在还没有办法仿得特别特别好，或者是还没有来得及去做处理，这时候我们在做机器人硬件选型和构型时，要用仿真器支持比较好的方案去设计和搭建。
第二个就是硬件本身，它也有各种各样差异和噪音，即便是我们自己，在设计同一款机器人的时候，每台个体都有差异，同一台机器在每一次上电的时候，它的表现其实也都不太一样，这是不可能100%填平的。在仿真器里面要对这些噪音和差异做一定的仿真，但这个前提是不能差别太大。
泓君：所以我理解Sim-to-Real的这条路径，它一定要跟机器人的本体绑定在一起。
韩铮：对，我们觉得是强绑定。在我们成立公司之前，我们做开源的Sapien和ManiSkill，包括像Isaac，大家都在强调说我可以支持各种不一样的构型。但我们想讲，开源的这些方法，都是研究的方法，它极度地简化了。比如说机器人导入到仿真器里边，用的URDF的格式，对于它的几何动力学约束都是做了一定的简化，它不太会考虑到像电机的控制里边，它的噪声、它响应曲线的迟滞，包括每次上电的差别。在研究界大家还没有办法去考虑到这么多的细节。但要做一个能在开放世界里稳定可靠、能真正解决Sim-to-Real差距的机器人，就必须把它当成一个综合系统来考虑。
泓君：所以靠跟硬件的整合，它是一条解决差距的路径。还有其他的，比如说在软件层面调控的解决路径吗？
韩铮：我觉得所有方法都要有机地结合在一起。比如说像数据的规模和它结构化的规模，包括如何能够把它的仿真效率拉得更高，比如说用不用真实世界的数据去做训练——我们的确也有。在仿真里边，我们也会让机器人观察人做操作，看哪种方法更高效。
我还是拿这个瓶盖举例子，机器人的强化学习，假如说是你要让它把瓶盖拧开，你会发现机器人一开始它可能碰的都不是瓶盖，它可能会碰饮料瓶的标签或者是饮料瓶的底部，甚至往上稍微地推它一下。这些在早期强化学习探索里，是一些比较随机的探索。但是你如果让它看一段人的操作的话，它强化学习的效率会变高一些。这些其实都是在强化学习框架的设计，特别是Model-Based RL，最难的其实就是在于这部分你怎么能够给反馈，反馈设计得好，甚至是说怎么能够把它批量自动化。
泓君：而且我觉得，物理世界中机器人拧瓶盖的难度，跟在仿真器里面的这个难度，是完全不一样的，因为你那个手拧的不管是角度还是你控制的变量，它差几毫米，区别就非常大。
韩铮：这其实是非常核心的一点，仿真里的强化学习和Sim-to-Real，在波士顿动力和宇树这样的人形机器人和四足狗的locomotion控制中，已经得到了充分验证。英伟达的Isaac，里边有一部分的强化学习引擎也是我们团队成员在早期贡献的，大家都有些参与。但机器人对于物体去做操作，它这个难度要高两到三个数量级。
因为如果你只是需要关注自身动作的话，你其实不需要对世界有理解。你不需要知道这个物体的形状，不需要知道它的材质，你也不需要知道我怎么能够移动到这个物体附近，并且在接触到这个物体之后怎么去做适度的调整。
对于这个物体的操作而言，它的难度就在于，它首先要构建一个结构化的数据，这个在locomotion比如说做姿态控制，实际上是并没有这个问题，它只需要关注机器本身。第二，它其实对于环境的理解和所谓大家现在讲World Model，其中有非常重要的一支就指的是机器人对于物理世界的理解和推理、预测，这些其实它们也不太需要。
韩铮：我们的模型与另一派不同。比如Physical Intelligence主推的狭义VLA，是以模仿人类动作为主的端到端模型。而我们的模型对物理世界的物体、环境及未来变化，是有强理解和强预测的，它并不是一个黑盒的模型。
泓君：你刚刚提到了你们不是一个黑盒模型。但是我理解，现在硅谷最火的这些公司像Physical Intelligence、Skild，它们做大脑，就是纯做软件层、模型层的这些公司，我理解它们还是在尽可能地去搭一个黑盒的模型，因为它还是在遵循现在这一轮的生成式AI崛起的一个范式，就是说我堆的数据量越大，我的机器越智能，我未来赌的是一个通用跟开放场景智能的程度。
我之前也有跟一些做机器人的人聊，就是为什么白盒模型这么多年没有起来，就是因为人可以预测跟想到的情况是有穷尽的，同时你很难去解决很多场景的边缘案例的问题。所以到底搭白盒还是搭黑盒，你们是怎么想的？以及未来的评估是怎么样的？
韩铮：我们模型在预训练的过程中是有分层结构的。预训练是大脑跟软件的那一层。我们需要在预训练的时候让机器人对未来它所在的环境，对物体和做操作的时候的预测，是要有一定的推理和认知的。但是最终在端侧部署的时候，我们也是一个端到端的模型。
比如在仿真器里，机器人要知道物体的几何位置，预估材质和重量，分清瓶盖和瓶身，操作时往哪个方向转——这些都是有理解和推断的，可以用隐式表达来描述。
但像硅谷和国内绝大多数的机器人公司，在以模仿学习为主的这样的一套思路，它其实是不太需要知道物体究竟在环境里边它准确的位置，也不太需要知道物体的几何信息。它之所以这么接近和操作，只是因为那个环境下，有人遥控过机器人或穿过动捕服做过同样的动作——纯粹是机械模仿，并没有真正的理解。
泓君：所以你们在搭建理解的这一部分？
韩铮：我们是需要在预训练的过程中是有理解的。但人类操作瓶子时，脑子里并没有"我要逆时针转"的推理过程——这是常识，已刻在肌肉记忆里了。
但假如说是小朋友第一次去拧饮料瓶子，他会左拧试一下，再右拧试一下，他是随机的一个尝试。但同时，他又会去观测父母是怎么去做操作的。他可能会有一些理论依据。
有些运动能力其实已经刻在了人遗传的基因里边。比如小朋友出生之后长大的过程中，他对于所有的物体都会去抓抓、咬咬、拧一拧、掰一掰。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。
泓君：你们会把人类的进化过程在仿真器里面复现？这个太有意思了。
韩铮：当时苏昊给这个仿真器起名字叫"Sapien"，其实就是出自赫拉利《人类简史》，指的是智人从猿到人的进化过程。但为什么我们选择这个模型的进化策略，核心原因就在于，机器人数据的构建方式，跟自动驾驶、2D图片视频、自然语言最大的不同，就是它没有足够多的数据。特斯拉十几年以前就开始卖它的车，有几百万的司机买了它的车，在101的公路上面天天开。
泓君：所以它不一定要只遵循一个范式，我可以在数据不够的情况下用白盒加黑盒的模式搭，等数据量够了再去改变我的技术。
韩铮：对，但是机器人你是很难同一款机器在没有任何功能之前，卖500万台到各个办公室、家庭或者是工厂里边去，并且旁边还有一个工人在遥控它。尤其是在家里面，我们很难想象我买了一台机器人，我需要穿着一个动捕服才能够去做西红柿炒鸡蛋。
这就解释了为什么英伟达一定要推Sim-to-Real——这条路躲不过去。机器人的冷启动数据，需要百万甚至千万级别，而且要在所有开放环境里都收集全才行。
泓君：所以我理解这是你们用分层模型而不是硅谷主流的端到端的一个核心原因——在现有整个业界机器人数据都远远达不到的情况下，我们可以通过分层让机器人先跑起来，先提高它在开放场景Zero-Shot的操作能力。然后你们的商业模式，比如说你现在是卖给很多开发者，当大家都开始用这些机器人，其实后面你还要不要用一个新的方法去搭你的训练范式？是可以变的。
韩铮：对，稍微分享一些我们自己认为的一些小八卦。Physical Intelligence成立之前，核心团队其实都在Google Robotics，包括Generalist的成员，很多核心人员都参与过那里的工作。那个时候大家可能都是做端到端的模型。但再往前，当时大家有一个默契，有可能是底层的模型有一个稳定可靠的底层操作能力，再向上，去做环境理解，包括拆分成不一样的任务。
但在大家2023年、2024年先后开始搞公司的时候，大家就选择了自己擅长和熟悉的套路，所以他们可能就不再提分层。但我们有一个暴论：可能从今年的下半年开始，上下分层的这种结构会重新回到主流。而且可能在之后的商业化方案里，这可能是最终的一个方法。
泓君：你可不可以简单一句话总结一下，上下分层指的是哪个上下分层？
韩铮：比如说从冰箱里边拿一个瓶子，把瓶盖拧开，把我们俩面前的这两杯水倒满。
上层实际上是说，我们现在杯子里边没有水了，我要去重新倒水。机器人要对我们现在所在的环境有理解，哪边是冰箱，里边有没有水，我第一步应该去走到这个冰箱面前，打开冰箱门，拿到这个瓶子，移动到这边，把瓶盖拧开，并且朝两个杯子里边分别去注入一定的水，再把瓶盖给拧上。这些是属于我们叫拆分步骤、做推理的过程。
底层在我们的划分里边，就是操作的这一层，我如何走到冰箱面前，把门给打开，抓住这个瓶子，移动到这边，把瓶盖拧开，往杯子里边去倒水。这些底层的每一步具体对于物体的操作，我们叫底层操作。
泓君：所以你觉得今年所有的硅谷公司都开始会做这种分层操作？
韩铮：我觉得很难讲今年，但是这个会回到大家的视野里边来。我觉得在最近几周的时间里，我们在跟学术界、工业界大家做现场展示和交流之后，有些人已经意识到这可能是一个新的方向。
泓君：所以我理解现在硅谷的很多像我们说的Pi、Generalist这些公司，它还是在把操作的层面也是直接用大模型控制的？但是现在能做出这个判断，证明现在的控制并没有大家想象中那么好跟成功率那么高。
韩铮：我觉得是的，仅代表我自己个人，不一定是公司统一的想法。我觉得Physical Intelligence和Generalist、Google等等这些机器人公司，其实更擅长做上层的推理。但是对于物体操作的话，靠少量的人类真实操作数据——几十万小时可能已是极限——远远达不到开放环境、开放物体的稳定可靠操作。
泓君：我可不可以理解成，上层是硅谷公司的优势，下层涉及到操作层面，因为你就一定要跟硬件相结合，这就是中国公司的优势？
韩铮：或者讲硅谷的机器人公司也好、大厂也好，中国的模型大厂也好，大量的具身公司也好，做上层推理的机会更大一些。当然还有很多具身和机器人的公司，它们挑某一到两个垂直的应用场景，可能就类似于像大模型，它就做一种或两种的agent。
但是对于底层如何在随机的环境里边对于一个任意物体做某一类的操作，我们认为必须是一个软硬件强结合的公司才能够达到。但这家公司是不是只有中国公司能做到？我觉得未必。
韩铮：估值的规模在大范围地提升，我觉得首先Physical Intelligence如果我没有记错的话，它最新的估值也是在120亿到140亿美金之间，不一定完全对外公开，但他们也在做新的募资。我觉得这几家公司，包括Skild、Physical Intelligence、包括Generalist都比较接近，都做大脑。
Skild的话比较特殊一点，两位创始人Deepak和Abhinav其实跟苏昊也做过很多的讨论，他们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他们主要募资的方向，但实际上据我们了解，做的业务可能偏敏感一些。在美国做具身基础模型的第一梯队，我觉得还是Physical Intelligence、Generalist这样的团队，以及还有一些创业的团队，像华人的Sunday、像Dyna，都在做一些探索。
泓君：最近Figure AI好像又被看好了，之前它其实也是融资估值都很高。我觉得有一段时间整个硅谷的投资人，对Figure是有所质疑的，甚至质疑它放出来的demo是不是后期剪辑过。为什么最近大家又重新看好Figure了？
韩铮：最近大家对它关注是在大概几周以前，它开始做一个产线里边物体的分拣，直播了几天。但在我们看，的确是比以前有一些进步。但如果是按照我们要求的标准，第一，它的物体泛化性其实不高，因为一共只有两类物体，一个是盒子，一个是软性的包装，而且颜色和重量几乎是一样的。第二，它的机器人一直都在其公司内部搭建的那条测试线上，并没有走出去。
所以如果是拿遥操作做VLA这条方法的话，最大的约束和挑战就在于它对于光照和环境的变化都极其的敏感，一旦变化了之后，它的成功率会直线地下降。
泓君：我看见今年，有很多的机器人公司在进入部署阶段，比如说马斯克就要把Optimus放到弗里蒙特的工厂，让它在工厂里面去做一些工作。他说他现在放Optimus，主要也是为了训练数据，而不是真正地让它干活。从一个专业的同行业创业者的角度，你会怎么去看马斯克的部署？
韩铮：在我们2025年主力团队搬回到国内之前，其实我们跟特斯拉的自动化团队有一些合作。当时他们在自动化产线里边使用的自动化，肯定还没有满足让机器人在里边去做任务的条件。当时只是去做一些，比如说在一个固定的位置当中去拿电池这样的动作。
我觉得未来，Optimus肯定是美国的机器人行业里最大的推手，因为它硬件的核心和制造能力非常强。模型的话，我觉得按照Tesla和Elon Musk的风格，可以等到这个行业有较为好的方案出现之后再去补，可能也来得及。但同时我们当时也听到，Tesla里边可能有一派的声音是说，Elon他当时提过，先造一系列的机器人，让外界的人去做开发。
泓君：跟你们的思路有点像。
韩铮：我觉得有点像，但他的思路我觉得是跟现在很多做机器人硬件的团队更像——我不给你模型，我给你很好用的硬件，你自己去开发模型。但我们不仅给硬件，还提供大家不太好处理的底层能力。
泓君：然后我看今年波士顿动力电动版的Atlas也在开始出货了，这个是一个值得关注的点吗？
韩铮：我觉得这个特别值得关注。我们自己内部定义的最大、最有潜力跟我们一起去推这个方向的，可能就是波士顿动力的电动版Atlas，加上Google的DeepMind。如果大家去年看Demis Hassabis的一些采访，包括他的纪录片，以及一系列动作的话，我觉得Google可能是所有大厂里在物理世界AI上下注最坚决的一家。
去年有一个非常重要的信号：第一，他们已经把硬件的平台从原来的Apptronik和另外的一台机器，换成了电动版的Atlas；第二，DeepMind从波士顿动力的硬件部门，把核心的几个人都挖到了自己的团队里。所以未来机器人行业里边，假如说我们走的是硬件也是自己造，软件底层模型也是自己搞，那么Google会不会重走Android的路：用波士顿动力的硬件，加上现代集团的量产能力支持？同时，他们几年前就收购了MuJoCo仿真器团队，并在不断改进。
泓君：Google还有它自己的世界模型Genie 3这些。
韩铮：对，它有几乎无限的卡，世界上最好的人才聚集在一起，并且它是下了决心。相比于Anthropic、OpenAI、Meta、国内的这些大厂，它可能是唯一一个带团队的负责人在机器人上面如此用心的。我们感觉它是坚定地相信Sim-to-Real这条路的。
泓君：我知道苏昊的团队跟DeepMind也会有很多的交流，你们也是有合作。
韩铮：我们跟Google Robotics以前的交流合作非常多，甚至说那个团队里边有很多都是苏昊的师弟师妹，有一些核心人员是他曾经PhD的学生，包括PI创始团队里边的也有。但我觉得DeepMind的这波，它会把核心的人才聚集在英国伦敦，模型团队和硬件团队聚集在一起，这个事情我们觉得非常重要。就跟当年Steve Jobs说做Apple开发的时候，有人问能不能去另外一个办公室，能不能远程，他坚决不同意，我觉得是一样的。
泓君：所以在所有的机器人公司中，你们最看好的是DeepMind加波士顿动力？
韩铮：对，我觉得这可能跟大家想的都不太一样。我觉得可能在接下来的两到三年里边，从机器人的操作能力和综合能力上而言，我们认为的最大竞争对手可能是DeepMind+波士顿动力。
泓君：我们再说一下亚马逊。去年年底，我听All-In的播客，他们说其实有一家公司非常值得关注，就是亚马逊。理由是亚马逊马上今年它的机器人的部署，可能已经比它的员工还要多了。它们有仓库分拣，是一个天然的场景应用方，而且它也收购了Covariant。你会怎么看亚马逊在机器人上的布局？
韩铮：我觉得亚马逊一直是在机器人里边投入最多的一家大公司。它在数量上还是以仓储物流为主，像做AGV（自动导引运输车），像很早收购的Kiva（现名AmazonRobotics，以其移动机器人仓储系统闻名 ），包括各种机械臂的应用，以及各种机器人公司，比如做人形的Agility、做操作模型的Covariant。之前可能还有一些其他的公司，都在里面去做尝试。我觉得它会提供一定的场景，但亚马逊最终要不然就是要把这些公司收购，要不然就要自己去做。Covariant也是当时把亚马逊作为核心的客户之一。
韩铮：我的核心推断还是跟前几轮，比如说像做视觉大模型，比如像当时的"AI四小龙"，包括后来做语言模型的科大讯飞等等类似。如果是对于基础模型如何去构建，没有一个特别清晰的想法，只是想边做边试的话，我觉得其实很难，大家都会因为商业上的一些压力去做妥协。
我觉得是这个团队在过去七八年的合作里边，已经有了一些清晰的感觉和认知，大家合作比如说12到24个月，就能够看到第一阶段的效果，我觉得这个比较关键。而并不是说——"我们把数据先做一些小模型，先试一下，试着把数据堆到一定程度，说不定就做出来了"。"说不定"这三个字，在我们团队里边几乎不太会出现。但是对于其他的团队而言，大家都是在探索，会受到自己团队内部包括投资人和商业化的一些压力，就会选择一个垂类的场景。客户提出需求时，往往与训练基础模型的思路产生背离。
泓君：要做通用人工智能，它是一条更远更长的路。在这个中间，怎么让自己的公司活下来？你作为公司的CEO，你会有这个压力存在吗？
韩铮：肯定会有压力，但相对而言还好一些。我觉得机器人在这一波趋势里边，由于大模型的出现，包括infra的出现，我们感觉会把它推到下一个阶段。我们不会赌某一个垂类场景能够跑出来，而是希望通过提供一个硬件加底层的模型，让大家去试。
我们希望我们服务的1000个开发者里边，有100个能够找到小批量去做部署的应用场景。这100个人里边，可能会有5个、10个会做出超级应用，他们可能会需要部署1万台甚至更多的机器人到不一样的场景里去。
我们不会去赌某一个场景。因为我们团队的特质也并不是说到工厂里边去部署和集成测试。整个的开发者社区里边，集成商和自动化团队各有所长。我们希望做底层的新的工具链给大家。
泓君：把更多的钱投入到你们更有长远场景的研发上，还是说把一部分的精力也投入到比如说针对开发者的软硬件一体的平台分发上？你觉得哪一个是你现在在负责的重心？或者说你会怎么去做你的资源分配？
韩铮：我们的核心是在提供一个可靠稳定的硬件加底层模型，从一个抓的技能到三到五个比较常见的技能，并且把它组合开发的工具做好，让开发者能够在上面去做不一样的应用尝试。这是我们在现在和接下来几年的时间最核心的一个目标。
但是为了验证大家可以拿它去做行业里面的垂类应用，我们肯定也会挑一到两个场景，跟一到两个开发者紧密地配合，把我们的开发工具做好。
泓君：如果10年后回头来看，你是希望苏度科技被人记住的是说我们做出了一个通用机器人的产品，还是说我们证明了Sim-to-Real这条路是对的？
韩铮：我觉得验证Sim-to-Real这条路是对的，是一个副产物。我们希望10年以后，当大家回看今天这个时间节点的时候，会认为这可能是一个类似于iPhone加iOS操作系统，那个时候会有新的Uber、滴滴、美团长出来。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。
