scripod.com
E244｜机器人走错路了？与苏度韩铮聊聊具身智能的3D数据、路径分野与硅谷竞赛

Overview

Shownote

Highlights

Transcript

Chapters

Pins

E244｜机器人走错路了？与苏度韩铮聊聊具身智能的 3D 数据、路径分野与硅谷竞赛

硅谷101

Jul 16
硅谷101

硅谷101

Jul 16
OverviewShownoteHighlightsTranscriptChaptersPins

Shownote

机器人已经能在舞台上做到翻跟头、表演武术了，但要让它在开放环境里伸手帮你拧开一个瓶盖，难度陡然跃升 2 到 3 个量级 —— 因为那一刻，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。 这条路已经跑出了...

Highlights

本期播客探讨了机器人从运动控制到物体操作的巨大跨越，苏度科技 CEO 韩铮分享了其公司如何通过软硬件协同设计与 Sim-to-Real 技术，让机器人实现接近 100% 的零样本通用抓取成功率，并预测上下分层架构将重回主流。
00:01
无法仅凭 Demo 判断公司优劣
03:17
核心专注手部操作而非运动控制
09:06
3D 数据集建设者远少于 2D 和语言领域
12:59
早期数据集 ShapeNet 标注物体不足 3000 个
13:29
3D 数据集提供亚毫米级精度，互联网视频精度不足
16:33
先在虚拟世界训练机器人再迁移到现实是技术难点
20:13
大模型的出现是核心驱动力
21:41
仿真器基于经典物理法则和 3D 数据，通过强化学习实现零样本通用操作能力
26:19
数据质量比规模更重要
29:57
零样本通用抓取，单次成功率近 98%
32:12
无需预先收集数据，专注于基础操作的高成功率
34:22
短操作成功率是核心关键
35:45
灵巧手虽通用但成本高、稳定性不足
40:30
机器人商业模式更接近智能手机
41:23
开源方法过于简化，无法满足实际需求
44:04
观察人类操作可引导机器人更高效地学习
44:57
操作物体比运动控制难两到三个数量级
47:29
模型并非黑盒，而是可解释的
51:12
预训练融入物理常识，实现零样本通用操作
53:27
机器人缺乏海量真实数据，必须通过仿真环境进行数据冷启动
55:38
分层结构将重回主流并成为商业化最终方案
59:09
上层推理是硅谷优势，下层物体操作需软硬件强结合
1:02:32
泛化性不足是当前人形机器人的核心瓶颈
1:05:41
波士顿动力电动版 Atlas 与 DeepMind 的组合是机器人领域最具潜力的方向
1:09:01
亚马逊投入最多，但主要集中于仓储物流场景
1:10:02
硅谷更注重通用性和泛化性，而中国公司常因商业化压力退回到垂直场景
1:14:40
成为机器人时代的 iOS + 硬件

Chapters

机器人技术路径与行业分类
00:00
机器人 “动手” 的数据根基
为什么做全栈（大脑 + 本体）通用机器人？
03:17
苏昊早年经历：从图片标注 ImageNet，到 3D 数据集 ShapeNet
07:14
3D 数据收集，难在哪里？
11:08
仿真需要亚毫米级精度，视频训练无法达到
13:21
什么是 Sim-to-Real（从仿真到现实）？
16:33
创业时机的判断：DALL - E 带来的数据拐点
18:08
Sim2Real 技术验证与关键突破
仿真器的技术内核：经典物理法则 + 强化学习
21:40
数据集质量与规模的平衡：自建结构化 3D 数据集
24:17
实际效果如何？零样本通用抓取，一次性成功率 98%
28:05
回应 Demo 质疑：去学术会议现场随机环境中演示
32:11
基础 Zero-Shot 泛化能力比长程任务串联更为关键
34:22
灵巧手虽好，但不是当下的性价比最高的方法
35:45
技术路线之争
商业模式思考：硬件 + 底层模型 + API，类比智能手机生态
38:16
仿真器与机器人本体，必须软硬件协同设计强绑定
41:23
如何教会机器人拧瓶盖？加入真实世界数据更高效
44:04
难度对比：操作物体比运动控制难 2~3 个数量级
44:51
白盒与黑盒之争：分层模型，在预训练中融入物理理解
47:28
Sapien 仿真器，让机器人像幼童第一次拧瓶盖一样操作
51:11
数据冷启动困境：无法复刻特斯拉，必须靠仿真做冷启动
53:27
嘉宾预言：被硅谷抛弃的 “上下分层” 即将重回主流
55:38
全球机器人竞争格局
实现机器人动手，软硬件强结合的公司才能做到
59:08
硅谷明星公司点评：Skild、Figure、Optimus
1:00:34
为什么最看好 DeepMind + 波士顿动力 Atlas 的组合？
1:05:40
亚马逊机器人，场景多但整合困难
1:09:01
为什么多数公司退回垂类？因为不知道通用该怎么走
1:10:02
不做垂类押注，而是构建开发者生态，目标是成为机器人时代的 “iOS + 硬件”
1:12:43

Transcript

泓君: 哈喽大家好，欢迎收听硅谷 101, 我是泓君。之前我反复在播客里有跟机器人的公司讨论一个问题，就是说我们能不能通过一个 demo 就判断一家机器人公司技术上的好坏？那很多人告诉我的答案是不能。原因在于大家并不知道在这个 demo 之前，这些机器人公司有没有针对特定的环境去做适配。哪怕我们说只是在展出的前几天，他到现场去采集一下环境数据，可能都会对 demo 有很大的帮助，所以如果对环境做了更多的优化，机器人 demo 的效果就会更好。而今天我们要聊的这家公司叫做苏度科技，他就敢在一个完全没有训练的新...