苏度科技韩铮：Astra之后，具身模型「上下分层架构」渐成共识

明亮公司 2026-10-19 12:35

作者：MD

出品：明亮公司

10月16日，在2026 AI Cloud 100 China榜单发布暨CEO大会上，苏度科技联合创始人、CEO韩铮发表主题演讲，分享了公司对于Physical AI、机器人商业化、上下分层架构、工业应用和开发者生态的最新思考。

韩铮认为，机器人从科研走向商业，首先要解决的不是能够完成多少种任务，而是能否稳定、可靠地完成任务。商业社会不会因为一套系统使用了具身智能，就降低对成功率的要求。机器人只有先将成功率提升到99%以上，甚至接近100%，再实现跨物体、跨环境的泛化，才具备真正的商业价值。

围绕这一目标，苏度科技选择将机器人系统划分为上下两层——上层大模型负责环境理解、任务规划和流程编排，下层模型负责抓取、放置、插拔、精密组装和柔性操作等具体物理技能。目前，苏度已经将相关能力应用于电池模组装配等工业场景，并通过线下开发者中心，让外部开发者在未经提前适配的环境中直接测试机器人。

以下为「明亮公司」精编后的演讲内容（未经演讲人审阅）：

商业化需要高可靠性与泛化能力同时成立

对于真正的商业需求，我们需要的首先是一套稳定、可靠的机器人系统。与此同时，相较于传统自动化设备，它还要具备对物体和物理环境的泛化能力。苏度科技最初是从一支长期从事人工智能、Physical AI和3D深度学习研究的团队发展起来的。当我们开始构建商业化组织时，始终把高成功率、高可靠性、运行效率和系统稳定性，以及对物体和环境的泛化能力放在第一位。

今年4月，我们发布了第一个Demo，展示的是团队在去年年底取得的结果。面对不同物品和不同环境，机器人基本可以实现接近99%至100%的操作成功率。此后，我们又把能力进一步拆分为抓取、放置、精密组装和折叠等不同技能。我们为什么反复强调这一点？因为这正是我们的展示与很多机器人公司展示的主要区别：你可以把我们的模型和机器人带到一个随机环境里，不需要提前采集素材或者重新训练，只要指定一个物体，机器人仍然能够取得稳定、可靠的操作效果。

刚才榜单里也提到了一些机器人公司，大家都在尝试与不同场景里的客户合作。我们的做法通常是选择一些大家认为机器人做不了，或者因为成功率太低、客户无法接受的任务，自己先去解决。我们不会只选择传统自动化设备已经很容易完成的搬运和固定动作，而是更关注那些对物体操作、环境变化和系统可靠性要求更高的场景。

在今年的世界人工智能大会上，我们展示了与宁德时代合作的电池模组装配示例线。除了基础搬运和固定动作以外，我们更希望呈现一套相对完整的电池模组装配流程。面对多种不同型号的电池模组，系统可以在几个小时内完成快速适配，并执行抓取、放置、组装和插拔等操作。

我们也把同样的基础技能提供给其他行业的开发者和集成商，让他们根据自己的行业经验组合出不同应用。对于工厂、商超、仓库和其他生产环境里的自动化从业者来说，具身智能机器人可以和原有自动化设备配合，通过技能组合扩展过去不容易实现的场景。

上层模型负责理解任务，下层模块负责稳定操作

大家也谈到Astra出现（对具身智能领域的影响），新的大模型出现以后，整个机器人行业都会感受到压力。但我们展示的这套上下分层架构并不是最近才形成的。两年多以前，这张图就已经出现在我们的商业计划书中，今天可能只是字体和颜色发生了一些变化，基本逻辑一直没有改变。

在开放环境中，上层大模型当然需要参与。比如，我们要求机器人给今天房间里的每个人放一瓶矿泉水，它首先需要理解房间里有多少人、应该去哪里拿水、如何进行分配，以及按照什么顺序执行。这些属于环境理解、推理和任务规划问题，可以由上层模型负责。

但当机器人真正操作矿泉水瓶时，它面对的是具体物体，以及不断变化的光照、位置和人员走动。机器人能不能在这些条件下稳定、可靠地完成抓取和放置，是一个具体的物理操作问题。

所以，我们认为，上层模型和下层操作模块需要分开。上层模型负责理解要做什么，下层模块负责把具体动作稳定地完成。

随着Astra等模型和系统出现，我们看到，上下分层正在从过去的非共识逐渐走向共识。大模型会继续增强机器人对环境和任务的理解能力，但涉及具体物体的操作时，仍然需要底层模块提供稳定、可靠的执行能力。

让开发者在未经准备的环境里测试机器人

机器人与大模型相比，一个很大的难点，是如何让用户和开发者真正体验它。

大家今天看到的视频，表面上可能和其他机器人公司的展示没有太大区别。但我们在策略上的一个重要不同，是希望让普通爱好者、潜在开发者，以及开发者所服务的客户，都能够更快上手，直接测试机器人并进行应用开发。

我们已经在美国硅谷Mountain View建立了第一个海外线下开发中心。来到现场的开发者可以携带各种不同物体，让机器人直接进行抓取、放置等测试。这个空间临街，自然光线会发生大量变化，测试物体也不是我们提前准备的。大家可以使用个人随身携带的东西，也可以临时从附近商店购买商品，让机器人接受随机测试和挑战。我们认为，目前在全球范围内，能够以这种方式开放随机测试的机器人公司非常少。

我们也把同样的逻辑带到其他开发和测试活动中，让来自OpenAI等机构的开发者对机器人进行测试。在Astra发布以前，我们已经围绕上下分层架构进行了大量建设、测试和交流。只有让外部开发者真正接触和验证机器人，大家才有可能把这些能力带到更多行业应用中。

先看成功率，再看泛化能力

最后，我还是回到一开始的话题。如果我们要判断具身智能能不能实现，以及应该通过什么方式实现，首先要明确一个前提：如果要求机器人、具身AI或者Physical AI真正进入商业和实用阶段，它的实际效果必须接近人的水平，才有可能讨论商业应用。

其他技术方向都是有价值的探索，不同方法也可以进一步组合，但最终的检验标准仍然是任务成功率能不能接近100%。

因此，我们判断Physical AI能否商业化时，首先看它能不能实现接近100%的成功率，然后再看它的泛化能力。传统工业机器人可以实现接近100%的成功率，但几乎没有泛化能力。一旦更换物体或者操作方法，往往就需要重新调试；加入工业视觉以后，情况会有所改善，但泛化范围仍然有限。这一代具身机器人需要做到的是：更换物体或者更换环境后，只需要很少的补充训练，甚至完全不需要重新训练，仍然能够保持接近100%的成功率。只有这样，才能真正满足商业应用的要求。

我们把这个判断分享给大家，希望能为大家构建模型、选择技术方案、判断是否采用分层架构，以及制定合作策略提供一些参考。

谢谢大家。

| 发福利！添加下方明亮公司主编微信有惊喜！