导语

在 WAIC 展台上，机器人最容易展示的是“做成一次”：抓起、放下、装配，一套流程顺利跑完。但工业客户真正购买的，并不是一次成功的演示，而是一套能在任务变化、设备异常和生产节拍约束下持续运行的系统。

因此，我们没有只按展台脚本看苏度机器人，而是沿着三层问题往下追：第一，多个工位如何丝滑接入同一条产线，并在节拍与异常约束下稳定运行；第二，已有技能能否被快速复用，组合成更多工位方案；第三，当物体位置、可抓区域或任务状态被临时改变，机器人是否还能继续完成任务。

这三层问题分别对应具身智能商业化最现实的三道门槛：系统集成、能力扩展和泛化边界。展台上的流畅度固然重要，但更值得观察的，是机器人离开“标准答案”之后如何感知、调整、恢复，并把失败重新纳入数据闭环。

WAIC 现场的苏度机器人展台

01 从展台 Demo 到真实部署，一条产线如何稳定运行？

在苏度与宁德时代场景方合作搭建的工业展区，首先运行起来的是一套具身柔性制造单元。

苏度为宁德时代部署的完整方案共有六个工位，其中贴膜等两个工位受展台空间限制未能安装，现场集中展示了四个工位的连续作业。在现场，我们看到了同一套机器人互相丝滑配合，沿着流水线连续运行。

• 第一个工位展示了移动抓取。机器人先移动到指定位置，再从流水线一侧抓取箱体，并将其转移到目标工位。移动底盘、机械臂和底层操作系统全部打通，当箱体被放置到流水线上后，系统能够自动识别其状态，并根据预设流程执行后续任务。这套能力并不局限于特定箱体，通过相应配置，机器人可以适配不同类型和尺寸的箱体。

• 第二个工位的基础任务仍然是抓取和放置，但加入了双机械臂协同操作和精密装配。机器人能够完成毫米级精度的电芯装配任务：执行时，一只手负责抓取和放置电芯，另一只手根据装配状态进行辅助调整。第一个电芯通常较容易放置，但放入箱体后不一定会完全贴合边缘。机器人需根据视觉反馈判断电芯的位置，并在必要时将其向内部拨动，使其到达正确位置；如果第一次放置已经足够准确，系统则会直接跳过调整步骤。第二个电芯的放置难度更高，因为箱体内部剩余空间更小，对位置精度和双手协同能力的要求也更高。机器人需要连续完成抓取、放置、判断和位置修正。在宁德时代的实际应用现场，这套系统已经可以完成四个、五个甚至六个电芯的连续装配。

• 在后续工位，机器人开始操控更多人类工具。部分工位采用新的末端执行器，另一些工位使用自研灵巧手，以完成更复杂、更精细的操作。例如，电芯完成清洁后，灵巧手继续操控扫码设备，对电芯扫码并完成入库。整个过程中，任务是否完成由视觉信息和设备通信信号共同判断。

• 流水线最后一个工位，系统重新调用通用抓放预训练模型。只需要根据具体生产任务进行简单配置，就可以完成最终的抓取和下料。

通过这些能力的组合，整条工业流水线得以完整运行，目前已经在宁德时代产线稳定部署。它的核心特点是“一机多能”：同一套机器人平台和基础能力，可以通过配置不同末端执行器与任务流程，承担多个工位的工作，完成移动、装配、工具操控、清洁、扫码、入库和产品下线等多项任务。

从“会做动作”到“能进现场”

展台现场的两组画面很有代表性：一边，央视新闻把镜头对准了完整的工业流程；另一边，中东皇室代表团在苏度机器人工业展区驻足，并与苏度科技商业副总裁张校珩交流。两组画面反映出，围绕具身机器人的关注已经不再只停留在单个动作展示，完整工业流程、实际部署能力和场景复制潜力正在成为交流中的高频问题。

央视探访苏度机器人工业流程（左） 中东皇室代表团在工业展区与苏度科技商业副总裁张校珩交流（右）

工业产线上，异常是否会传递给上下游？

当四台机器人共同协作完成一项任务时，如果其中一台出现异常，系统会及时将相关信息传递给上下游设备，并协调其他机器人调整执行节奏。整套产线采用中心化调度机制，每台机器人负责执行自己的任务，同时持续向中央调度系统上报当前状态。

机器人上报的信息不仅包括任务是否完成，还包括每一步执行到了什么阶段。任务执行中的结果、异常信息和完成情况也会一并上报，使调度系统能够掌握整条产线的运行状态。每台机器人会根据中央调度系统下发的指令，依次执行当前步骤和下一步任务。也就是说，机器人本地完成具体操作，中央系统负责统筹任务顺序、上下游关系和整体节拍，从而保证多个工位能够协同运行。

时延问题

苏度机器人给出的思路是：调度系统负责策略更新，端侧推理负责实时感知和动作执行，以兼顾能力扩展与低时延；移动底盘、机械臂、末端执行器、视觉系统和底层操作系统则被统一打通。

正式部署前，苏度会根据客户的生产要求，对机器人技能和整条产线的运行节拍进行约束。客户可以通过开发者工具录入生产节拍、PPM 等指标，模型和调度系统据此控制单个机器人的任务时间及整条产线的运行节奏。当某个工位出现轻微延迟、但任务仍可继续执行时，中央调度系统会根据既定节拍计算补偿时间。由于底层输送线系统与上层机器人系统已经打通，系统可以联合调整输送线速度和后续机器人的动作节奏，尽可能补回延迟。

如果前序工位出现延迟，后续工位可能受到影响。每台机器人会持续上报任务进度，调度系统据此预测物料到达时间、判断哪些工位需要等待，并动态调整后续动作。因此，时延处理依赖整条产线的统一调度，而不是机器人之间的简单信息传递。如果异常较为严重，导致任务失败、物料无法继续流转，调度系统会暂停相关上下游流程，并记录失败案例。对应的异常数据随后会重新进入模型训练和优化流程。

不过，一条产线能够在展台上跑通，并不自动等于它已经成为一门可复制的生意。真正决定复制效率的，是底层技能能否跨工位复用、多个工位能否被统一调度，以及异常能否被安全处理并进入数据闭环。

02 Scaling The Skills，机器人能力是如何扩展出来的？

苏度科技联合创始人、董事长兼 CTO 苏昊在今年 WAIC 主论坛的演讲提到，物理智能当前面临的一项核心问题，是物理知识散落在不同载体中。互联网视频拥有规模优势，却很少直接记录力、触觉和接触反馈；物理方程能够精确描述规律，却往往建立在理想条件下；真机数据最接近真实环境，同时伴随着较高的采集成本；大量人类操作经验则沉淀在实践中，很难被完整转写为文本。苏度提出的数据从“正三角”向“倒三角”转变，正可以沿着这条逻辑理解。训练初期，大量仿真数据帮助模型建立基础能力；进入客户现场后，真实数据、边界案例和失败案例逐渐增加，模型能够持续接受物理世界的校正。

从正三角数据结构向倒三角数据结构转变的数据管线

苏度的数据体系由仿真数据和真机数据共同组成，可以理解为一条贯穿训练、部署和迭代的数据链。在模型训练初期，苏度会使用大量仿真数据，并加入少量真机数据进行微调，使机器人先具备进入实际现场运行的基本能力。机器人部署到客户现场后，会持续产生大量真实运行数据，其中包括正常案例、边界案例和失败案例。这些数据不仅包含最终任务结果，还包括机器人每一步的执行状态、调度信息和异常发生前后的完整过程。真实数据会被回传到模型中，用于后续学习和迭代。

随着真机数据持续回流，真实数据的规模会不断扩大，模型也会逐步改善。这套逻辑与自动驾驶的数据闭环极为相似，同时还可以通过 shadow mode 持续验证新模型在真实产线中的表现。在确认模型达到要求后，再将更新后的能力推送部署到现场。

柔性操作和贴附技能将成为下一阶段的重要方向

目前，苏度机器人系统已经具备抓取、放置、移动、双手协作、旋转和插入等技能。对于新的工业场景，若业务所需能力已经包含在现有技能集合中，通常不需要重新进行大规模的数据采集和训练，只需要根据具体业务进行组合和配置。

当系统从一条产线迁移到另一条产线，或从一个工厂迁移到另一个工厂时，迁移成本也主要来自业务逻辑的变化。不同产线和工厂的工位设置、任务顺序、节拍要求和异常处理方式可能不同，但其使用的基础技能往往相通。展台展示的抓放技能，本身具有较强的通用性，不仅适用于工业产线，也可以延伸到零售等商业场景。相反，如果面对打螺丝等任务，而模型尚未掌握旋转和拧紧能力，系统就暂时无法覆盖这一场景。机器人能够进入哪些业务领域，最终仍然取决于技能集合的丰富程度。

在工业场景中，继抓取之后，贴附可能是下一项具有广泛商业价值的技能，如贴标签和贴膜。贴附能力同时涉及柔性物体的精细操作。在食品包装场景中，机器人需要处理柔软的包装袋，并完成宠物零食等产品的装袋、整理或包装。这类任务对应着较大的商业市场，也对机器人的感知、控制和精细操作能力提出了更高要求。

目前，柔性物体操作已经进入开发阶段。因此，柔性操作和贴附技能将成为苏度机器人下一阶段的重要方向。随着这些技能逐步成熟，中央调度系统可以进一步将其与抓取、移动、放置等已有能力组合，形成更多工位和完整产线，从而扩大系统能够覆盖的工业任务和商业场景。当一项技能具备足够的泛化能力和鲁棒性后，将其封装成面向具体工位的技术方案，速度也会越来越快。苏度希望表达的核心概念是 scaling the skills，即持续扩大技能的覆盖范围和复用能力，同时逐步降低新增场景所需的算力、数据规模和预训练投入。

03 泛化能力的边界在哪里？

苏昊将物理智能理解为一个不断接受现实校正的过程：模型作出预测、采取行动，再由真实世界反馈结果。由此来看，“题库外”意味着主动改变机器人面对的物体、位置和任务状态，让预设流程失效，并观察系统能否重新感知环境、调整动作和完成任务。

物理世界构成了最终的检验场。机器人能否识别状态变化、重新规划并继续执行，决定了它掌握的是一条固定轨迹，还是能够迁移到新状态中的物理能力。在展台上完成一次标准抓取并不难，真正能够区分专项自动化与通用能力的，是机器人遇到训练外物体、位置变化和中途干预时，能否重新判断当前状态，并继续完成任务。

任务一，移动抓取：控制范围从机械臂扩展到全身

相较于此前苏度机器人在 CVPR 展示的能力，这次新增的移动抓取能力把控制范围从机械臂扩展到了全身。传统机器人通常先完成底盘移动，再停止底盘并控制机械臂操作；苏度的系统则能够让机器人在移动过程中同步调整手臂，实现底盘、躯干、机械臂和各个关节的协同控制。

移动抓取的核心难点正在于全身协同。当机械臂当前的位置无法触及目标物体时，机器人需要判断仅靠伸展手臂已经无法完成任务，并主动移动底盘，同时继续调整手臂位置。对机器人而言，判断什么时候需要移动身体，以及如何在身体移动过程中保持稳定抓取，都是非常难的。苏度机器人实现这种协同，与整套系统的全栈自研息息相关：苏度机器人的本体、移动底座和相关控制系统均为自研，不同硬件模块因此可以进行更深入的联合设计和优化，减少底盘控制与机械臂控制之间的割裂。

数据上，移动抓取能力主要通过纯仿真数据训练，并直接迁移到真实机器人。训练阶段，模型在仿真环境中学习全身移动、接近目标和抓取等行为，不需要为真实机器人重新采集一套大规模移动抓取数据。执行时，机器人主要依靠胸前、头部和手部相机提供的多视角视觉信息，实时跟踪目标位置，并在移动过程中持续调整底盘和机械臂。数据上，模型的直接输入以二维视觉为主，并不把原生三维数据作为独立输入；但通过仿真中的空间关系和运动反馈，模型会在网络参数中形成对三维结构、距离和可达范围的理解。

任务二，长程装配：步骤长度和精度要求同时提高

展会现场最瞩目的地方，是长程装配任务：先把玩具拼装好，再放进包装盒，盖上盒盖，最后将包装盒返还使用者。它同时包含两个难点：一是步骤多、执行链条长；二是安装和放置的精度要求高，分别涉及亚毫米级和亚厘米级操作。

玩具之间的缝隙很小，模型需要处理相对位置变化。苏度表示，这一任务依靠 RGB 视觉完成，没有使用深度输入，并能很好的适应灯光和场景变化。数据上，精密插取对局部位置、接触关系和操作精度要求更高，因此需要大批量仿真数据学习基本动作和状态关系。

任务三，改变可抓区域

现场，我们也给苏度机器人出了一个抓取难题：把物体调整到桌面边缘，压缩它的可抓区域。对依赖固定抓取点和固定轨迹的系统而言，物体位置一变，原来的动作很可能失效；机器人需要灵活判断接近方向、末端姿态和桌面碰撞约束。

现场测试中，苏度机器人仍然完成了抓取。这道题验证的不只是夹爪能否“夹住”，而是视觉策略能否在几何条件变化后，重新选择可行的抓取方式。

任务四，打乱任务中间状态

柔性物体更难，因为它没有稳定、固定的几何结构，抓点、形态和受力状态都会随着动作不断变化。我们在机器人已经完成部分折叠后，重新打乱了柔性物体的中间状态。

机器人没有机械地复现原来的动作轨迹，而是重新识别当前形态，调整后续动作，并继续完成任务。这道题考查的是系统能否从新的中间状态恢复任务。

在 WAIC 主论坛上，苏昊将物理智能的到来类比为电气化：它会先进入工厂和仓库，再逐步走向商店、医院和家庭。物理智能的价值也会沿着这条路径持续释放。每一项能够稳定运行、低成本复制的能力，都可以开始解决真实问题。

这个判断，也给展台上的所有 Demo 加上了一条更严格的注脚。机器人完成一次任务，只能证明它已经具备某项能力；进入生产系统以后，它还要面对物体变化、流程延迟、设备异常和长时间连续运行。通用性决定机器人的能力边界，可靠性才决定它能否获得客户信任。

我们给苏度机器人出的几道题，依然无法替机器人提前回答所有问题。移动抓取、长程装配、边缘抓取和柔性抓叠，说明它已经能够在执行任务中动态识别变化、调整动作，并复用此前学到的技能，而跨产线迁移和长期稳定运行，还需要更多来自真实世界的验证。

“题库外”最终指向现实世界本身。机器人离开标准答案后，仍然能够感知变化、接受反馈、修正判断并继续完成任务，它才开始拥有面对现实的能力。

物理智能的价值，也不只体现在一条产线减少了多少人工。更长期的意义，是让机器逐步承担重复、危险和高负荷的工作，让人从机械执行中退出，回到异常判断、流程设计和更具创造性的工作中。苏昊将这一愿景概括为：“把人还给人。”