「仿真派」落地真产线！苏度WAIC首秀，CEO韩铮：99%+成功率

一个月前的CVPR现场，一家中国具身智能公司的展台被围得水泄不通。

没有真机调试，没有遥操作采集，一台机器人直接从仿真里「毕业」，Zero-shot首次抓取成功率约98%。

如今，他们来到了WAIC。

苏度科技——成立一年估值破人民币200亿元，苏昊担任联合创始人、董事长兼CTO的具身新星——首次在国内大型展会亮相。

这一次，他们带来的不只是Picking。展台上同时跑着四组Demo：

• 精密装配：双手协作，以亚毫米级精度完成模具组装；
• 柔性打包：布料随形，双手协同；
• 移动操作：移动场景下的感知-决策-执行全链路闭环；
• 电池模组产线：四机协同，复刻与宁德时代联合开发的真实工业流程。

每一组Demo，都在尝试回应同一个行业终极之问：

仿真训练出来的模型，到底能不能在真实世界干活？

对此，苏度科技联合创始人兼CEO韩铮的回答是：

能，而且一旦放出来，就是99%+成功率。

高可靠性是具身走向商业化的前提。

我们内部的标准99%+成功率，在此基础上再谈泛化性。

这点在现场也得到了印证。

量子位发现，苏度是场馆内极少敢让观众自带物体「盲测」的展台——给啥抓啥，来者不拒。

甚至有让抓骰子的……

我跟工作人员小哥调侃：诶，能抓手机吗，抓坏了咋办？

小哥嘿嘿一笑：赔你（doge）。

也是对模型能力绝对自信的一种体现吧。

苏度WAIC首秀，四组Demo拉开能力光谱

一刚一柔，两场「极端考试」

自苏度亮相以来，外界一直在追问同一个问题——

Picking对精度要求不高，Sim2Real在抓取上能跑通。但contact-rich（接触密集型）操作呢？

WAIC现场的亚毫米精密装配与双手柔性打包，就是苏度对此的正面回应。

这两项任务，恰好代表了物理交互的两个极端。

精密装配，难在精度。

看似简单的玩具组装，背后是极小的容错率，稍有偏差便无法嵌入，对力控和位姿估计的要求近乎苛刻。

我在现场亲手试了一下，很难Zero-shot。纯靠视觉只能对准一个大概位置，真正咬合靠的是指尖的力觉反馈，在接触中实时微调。

柔性打包，则难在不确定性。

布料没有固定形状，每一次抓取、每一次受力，都会彻底改变下一步面对的状态。这类柔性物体在仿真中极难精确建模。

结果呢？

苏度用同一套基座模型，两场考试全部通关。

不仅做到了，还保持了与Picking同等级的闭环抗干扰能力。

关于这一点，不知道大家有没有发现一个细节——苏度在这些操作时用到了两只手。而展会上，绝大多数机器人展示时只用一只。

原因很简单，双手场景下，一只手的动作会立即改变另一只手的约束条件、可行空间和下一步选择，变量太复杂，模型必须依据真实反馈持续协同。

苏度选择双手协作来做Demo，是主动亮剑。

并且也是和Picking一样欢迎现场出题的。

我问现场工作人员：能不能伸手干扰一下？

小哥的回答只有两个字：

欢迎。

然后展台的两位小姐姐直接开始现场「捣乱」了（bushi）。

一刚一柔。前者考验精度，后者考验柔顺。两项极端任务，均做到了与抓取同等级别的泛化能力。

苏度用这两个场景正面回应了一件事：

「仿真搞不定contact-rich操作」——这个判断，该改了。

移动操作：边走边抓，彻底不做模块拼接

听上去理所当然，但现实是：绝大多数机器人至今仍做不到。

原因藏在数据里。

移动操作的遥操作数据极难采集，底盘式机器人尤其如此。用摇杆或脚踏控制底盘，再同时操控手臂，操作方式本身就反人类。

因此，目前主流的遥操作方案往往固定操作者下肢，许多系统甚至把上肢、躯干和头部也基本锁死，只允许一只手臂运动。

靠真机数据走通移动操作，几乎是一条死胡同。

苏度用仿真路线翻过了这座山——

端到端的全身控制策略。感知、底盘、躯干与手臂不再被拆成独立模块，策略根据实时变化的相对状态，统一生成全身动作。

看着好玩，像在遛机器人。但背后对应着大量真实应用场景：开柜门、上下料、搬运大件物体……几乎所有涉及大范围空间的操作任务，都需要移动操作能力来支撑。

解锁这项技能点，意味着机器人的作业边界被大幅拓宽。

四机协同跑产线：从技能到任务

最重磅的Demo，压轴登场。

苏度与宁德时代合作，现场复刻了一条电池模组产线，完整还原锂电产线从上料到下料的全流程：上料→电芯装配→扫码→下料。四台同型号机器人分守不同工位，协同作业。

流水线作业是人类工业最成熟的生产组织方式，但对机器人而言，这类多机协作任务对泛化能力的考验极为严苛。

关键在于状态传递：每一步的执行结果，就是下一步的起始条件。前一台机器人完成上料与装配后，任务状态和工件向后流转，下一台必须准确「接住」结果，再完成扫码与下料。

这类长程任务场景下，任何一环出错，整条链路都会中断。

苏度为何敢在线下实时展示？

秘诀在于一套「任务智能体」。

大部分公司的Demo往往为展示设计，需要为特殊场景专门采集多条真机数据，这样当然也能交付，但也将模型框死在了一个工位、一道工序、一个固定任务，靠这种方式打通一串长程任务，成本相当高。

苏度的选择是，预训练阶段不进入具体场景，优先将Picking这类可迁移的底层共性技能做到极致，同时保证泛化性。

这样到了交付阶段，只需少量真机数据后训练，任何工作流都能基于已有技能库的自主组合打通，像搭积木一样。

如果说四个月前的惊艳首秀只是单点突破，那这次WAIC则是一次通用泛化能力的全面亮剑。

一机多能、双手精细操作、多机协作、长程任务编排……当初的Picking王牌，已然裂变为10余项操作技能。

而这一切，究其本源，仍然指向团队自亮相之初便坚定的技术主线——

仿真之路。

仿真的底层逻辑

数据，至今仍是具身智能行业百家争鸣的开放问题。

真机数据自然是所有人求知若渴的，但无法Scaling。人力、设备、时间成本层层叠加，数据量级始终进展缓慢。

仿真数据量大管饱，却绕不开一个现实：Sim2Real的Gap。

今年4月的亮相中，苏度将抓取的Zero-shot成功率做到了约98%。但现实场景中，客户的验收标准是99%+。

这1%的鸿沟，仅靠仿真数据很难逾越，必须补上真机数据的微调。

这促使苏度打造了一套虚实融合的数据链路系统。

核心思路是各取所长：以大规模虚拟仿真数据为主体，有效融合少量真实采集数据，在数据效率与泛化精度之间找到最优平衡。

这也是目前业内较有共识的、真正可Scaling的落地路径。先在预训练阶段用仿真数据构建一个泛化性强的基座模型，再在交付阶段结合客户的少量示教数据微调，达到可实际部署的成功率。

基于这套虚实融合的数据基座，苏度设计了自己的世界模型。

李飞飞曾将世界模型分为三类：渲染、模拟与规划。但在苏度CEO韩铮看来，这三类并不能覆盖具身大脑的全部任务。

先说规划类世界模型，这是上层，当用户要做一道菜、它负责分析厨房空间和冰箱内容、判断是否需要下单买菜。

但要将这些高层推理落地，还得看底层的渲染和模拟能力是否扎实。

这也是苏度一直瞄准的生态位。

目前，纯2D视频生成主要解决渲染问题，3D生成主要解决模拟问题。它们可以服务于自动驾驶、室内导航、商用清洁等场景，但几何精度不足，无法直接用于精细操作任务。

在此背景下，苏度提出了第四类世界模型——

极致颗粒度的渲染与仿真，对环境与物体的高精度几何理解与预测。包括材质属性、表面摩擦系数、几何约束、动力学约束，以及接触后的状态变化。

具体而言，在苏度的仿真基础设施中，世界模型会参与指导环境构建、数据生成与任务定义，同时参与策略训练过程中的监督与评估。

这背后，是苏度在底层模型中系统性地实现了世界模型&强化学习一体化。模型不再只是拟合输入输出映射，而是在有几何结构、空间关系、接触力学的环境中真「干活」，通过实践学习可迁移的物理规律。

最终的结果，就是一个遵循真实物理定律的虚拟世界。机器人能在这里面无限轮回，最终完成属于它自己的进化。

写到这里，一个词突然从脑海中跳出来，也是我对苏度所有印象的最终浓缩：

反主流。

最直观的体现是对数据的思考。

虚实融合的方向虽已渐成共识，业内越来越多Omni方向的工作也在涌现，但真正把仿真当作基座而非辅助工具的，仍是少数派。大多第一梯队选手还是会重金搭建自己的真机数据壁垒。

在这一背景下，苏度始终坚持仿真，并围绕仿真搭建了自己的全栈技术体系，毫不FOMO。

这条明线不难察觉，但我觉得，在此之下还有一条更本质的暗线——

这是一家极为长期主义的公司。

他们不会为了做出一个fancy的Demo交付而牺牲底层架构的完整性。而是先解决范式问题：先把通用能力做大、做通，再面向具体场景做小、做稳、做可部署。

无论是泛化Picking，还是此次与宁德时代合作的电池模组方案交付，都是苏度在这条技术主线上行进过程中，顺手点亮的技能点。

这无疑与主流打法形成了鲜明差异。

如此「逆向运行」，却一次又一次惊艳交卷，持续获得投资人押注。成立仅14个月，估值即达人民币200亿元。

这究竟是一家怎样的公司？

量子位找到了苏度科技CEO韩铮，为我们揭开这家新兴具身智能独角兽的面纱。

对话苏度CEO韩铮

让机器人在仿真中进化

量子位：很多团队倾向于搭建「数据金字塔」，各类数据都采集一些，再用真机数据做消融实验。为什么苏度很早就选择了以仿真为主？

韩铮：尝试各种数据源并不断调整配比，符合直觉，也容易在短期内看到效果。但真正的框架突破背后需要大量Dirty work，一个团队可能三到五年都发不出一篇论文。这对多数高校研究组、大厂研究院和追求短期回报的创业公司来说，是很难接受的。

大模型的诞生背后有一个朴素的原理——尽可能完整地复现世界。语言模型要覆盖人类对话的全貌，视觉模型要覆盖图像与文字的各种形态，自动驾驶要覆盖千变万化的路况和Corner case，而机器人则要覆盖人在不同环境中对各种物体的操作方式。

构建这类模型，不可能靠在大量受限Case上过拟合的小模型拼接完成。而要从零开始完整地构建数据、框架和算法，需要长期的基础性投入。这类工作天然不适合承受强论文压力的研究组，也不适合从零起步、急于验证商业模式的创业公司。

国内许多具身智能团队进入这一领域不过三到五年，通常从自己擅长的单点切入。而苏昊瞄准这个方向已经超过十年，早期又参与过ImageNet这类大型基础性项目，因此有底气、也有耐心做长期投入。

量子位：自动驾驶的仿真和Scaling路线似乎遇到了瓶颈，并没有让模型真正达到L5。具身智能走仿真路线会重蹈覆辙吗？

韩铮：自动驾驶的难点在于高速场景下的多智能体博弈。机器人通常不在高速、多机协作的环境中运行，前方有人时可以完全刹停，等对方离开后再恢复动作，也可以低速绕行。

但它对contact-rich操作的要求远高于自动驾驶：

几何形状、摩擦力、密度分布、接触后的状态预测……每一项都需要极高的物理保真度。

冷启动的方式也不同。

如果每个人都能穿上一套符合人体工程学、成本足够低的「钢铁侠式」外骨骼盔甲，机器人也许能直接从海量真实操作中获取数据。但现实显然并非如此。

量子位：李飞飞将世界模型分为渲染、模拟和规划三类。苏度的世界模型在这个框架中承担什么角色？

韩铮：World Model这个词在Sora出现后重新进入大众视野，但在机器人领域，我们还需要第四类世界模型——它需要对环境和物体形成高精度的几何理解与预测能力，涵盖材质属性、表面摩擦系数、几何约束、动力学约束，以及接触后的状态变化。

具体来说：纯2D视频生成主要解决的是渲染问题；3D生成解决的是模拟问题，可以服务于自动驾驶、室内导航、扫地机器人或商用清洁机器人等场景。但这类表征的几何精度不够，它们只能生成视觉上相似、但物理上不可信的2D或3D结果，无法直接用于contact-rich的物体接触仿真与理解。

这也是为什么AIGC生成的视频与现实之间总有微妙的「违和感」。打个比方，它类似于手绘3D动画基于真实3D建模、材质贴图和物理渲染制作的动画之间的差距，即使画面精美，人眼依然能分辨出区别。

规划类世界模型则处于更上层。比如：理解用户要做一道菜，分析厨房空间和冰箱里的食材，判断是否需要从电商或本地生活平台下单补货。这些属于high-level planning（高层规划）。

我们更关注的，是下层的执行模型。面对不同款式的冰箱门把手，机器人如何决策上肢与下肢的协同动作？如何准确取出鸡蛋、碗和其他食材？如何在随机、复杂、布局各异的厨房环境中保持高成功率？——这需要的是另一类世界模型。

量子位：一个沙盒？

韩铮：从推理侧看，可以把它理解为一种隐空间表达（latent space representation）。但在预训练阶段，它是可以输出显性表达的；只是到了推理阶段，没有必要保留全部显性信息。

世界模型还承担着一项关键职能——训练数据的生成。我们在2021、2022年开展的model-based RL（基于模型的强化学习）、RPG和TD-MPC等研究工作，核心就已经涉及这些问题。

这里需要澄清一个常见误解：世界模型和仿真之间，并不存在泾渭分明的边界。仿真更像是机器人进化的基础设施（infra）或集成开发环境（IDE），而世界模型在其中负责指导环境搭建、数据生成和任务设计，同时也参与监督等多个环节。它们的关系类似于Transformer与Python，属于不同层次的技术栈，而非互相替代的关系。

而一个高效、实用的仿真器，是渲染、3D模拟、规划以及我们所说的第四类世界模型，都绕不开的底层基础设施。

量子位：苏度强调「预测下一个physical dynamics」。人类完成日常操作时，并不需要显式地掌握物理定律，模型为什么需要如此高颗粒度的物理信息？

韩铮：人类做物体操作不需要大学水平的物理和数学知识，是因为人类经历了漫长的生物进化，出生后再通过少量尝试就能完成感知与行动的对齐。但机器人无法跳过前面那段「进化」的历程。

我们在仿真器中构建物理规律、物理解算引擎和大规模可微仿真环境。为了实现大规模并行加速，还需要在精度与效率之间做大量的取舍和优化。

你可以把它理解为建造一个遵循物理定律的虚拟世界，让机器人以类似人类进化的方式，完成属于它自己的进化。

从工业到民用的技能复用

量子位：与宁德时代合作的电池模组场景，基于什么考虑设计？

韩铮：标准电芯的生产和组装，自动化程度已经很高了，大概率不需要具身机器人再介入。具身机器人真正适合的，是两类任务：

第一类，是自动化设备之间的「缝隙」。物料的上下料与流转。这些环节往往连接着不同的自动化设备，却缺少标准化的衔接方案。

第二类，是柔性生产任务。比如一条产线需要兼容多种型号，或者涉及接插、插线、安装电芯等传统工业自动化难以胜任的操作。这类任务的难点在于：物料的初始状态、插入对象的位置和姿态无法被严格标定，必须依赖闭环感知与实时策略调整。

此外，这类任务对工人本身也存在危险。操作高压电芯时，工人需要穿戴大量防护装备，即便如此，检测和擦拭过程中仍然有安全风险。具身机器人可以替代或协助工人完成这些环节，让一个工人同时管理多台机器人，既提升安全性，也提升效率。

完整的电池组装涉及多家集成商协同分工。我们专注于其他技术路线暂时难以完成的柔性、精密操作，不参与同质化竞争。过去工业机器人难以覆盖的危险、重复工位，可以用多种技能组合与机器人集群来系统性地解决。

量子位：苏度的仿真路线，在电池模组场景中有什么独特优势？

韩铮：一句话概括——极致的可靠性。

其他技术路线把模型部署到某条具体产线时，如果缺少大量针对性的后训练数据，成功率通常很低。团队不得不让产线停机来采集数据，再用真机做强化训练，消耗大量电芯或物料，才可能将成功率提升到99%+。

但这种方案依然非常脆弱。对电芯规格、产线环境甚至光照条件都有严格限制。

现实是，工厂很难长期停线来配合数据采集，大量潜在客户也无法提供可供开放测试的产线。有些合作可以依靠商务关系或投资纽带推动，但这种方式既不可扩展，也缺乏效率。

我们的目标，是让自动化团队和集成商完全不需要掌握真机数据采集、真机强化、模型训练和调参这些复杂流程。每次更换型号或切换产线，也不必从头再来。未来的使用体验应该接近大语言模型的prompt输入，或者协作机器人的拖拽示教。

量子位：如果更换电芯型号或电池组装型号，适配需要多长时间？

韩铮：内部调试通常在一天以内。主要工作是工艺逻辑的示教，例如一次抓取几组电芯、安装的先后顺序等。这些信息可以通过视频、动作捕捉、人工示教或编程等方式输入。

如果将与宁德时代合作的方案迁移到另一家电池厂，已经熟悉系统的集成商只需调用我们公开的技能库，大约一到两天就能完成部署。产线工艺也可以重新组合成新的workflow，不需要与原产线完全一致。

自研本体是被倒逼的

量子位：苏度会坚持自研本体吗？

韩铮：我们并没有在创立之初就认定必须自研本体。如果市面上的机器人本体足够好用，我们原本完全可以不造硬件。

但从2022年筹备公司开始，我们测试了机械臂之外的各类移动底盘和全身机器人，发现它们的底层架构、硬件选型和规格参数都无法满足我们的算法要求。

我们也尝试过让第三方公司做定制开发，但现实是：擅长某一部分硬件的公司，很难统筹完成整机设计、控制器开发和底层接口打通，开发周期也会被拉得很长。因此，公司成立后我们很快调整了策略，决定亲自下场自研本体。

从长期来看，我们会采用类似「iPhone+iOS」的软硬一体形态，同时开放SDK，让合作伙伴在我们的平台上开发应用。而对于大型工业机器人、特种异形机器人等与人形差异较大的平台，我们也可能通过输出预训练模型、核心芯片和执行器，去赋能第三方机器人本体。

量子位：所以追求SOTA具身模型，自研本体是必选项？

韩铮：对。行业现在越来越关注机器人的自研自产，以及模型、数据采集设备与本体之间的深度兼容。缺少这种兼容性，最终效果一定会打折扣。

这里有一个很残酷的「木桶效应」：如果「大脑」只有50%的泛化能力和成功率，那么无论搭配50分还是90分的硬件，整体表现依然只有50%。它或许能偶尔完成任务，但距离真正的商用落地还差得很远。

但客户对99%+这条商用底线的要求是很难改变的。在「大脑」突破有限的阶段，很多团队往往会退回到接近传统工业自动化的老路，不断增加对物体和环境的物理约束，或者在单一场景中用大量后训练数据去强行拟合。

量子位：苏度想打造具身行业的iOS，但「具身的iPhone是什么」这一点都尚未形成共识，您认为具身智能的「iPhone时刻」应该是什么？

韩铮：会是我们第一次系统性地向市场提供量产设备的时候。

按照很多同行的标准，现在的设备或许已经能拿出来卖了，但它还没有通过我们自己内部的严苛标准。这次WAIC展示的新构型，也依然不是最终的定型版本。

我们目前正在进行高强度的内部测试，同时也在建设开发者中心让合作伙伴上手体验。

首先要让大家确认一件事：硬件和底层基础模型能够高效协同，合作伙伴可以在这个底座上搭建自己的模型和新的具身agent。

在此之后，我们还要验证设备能否在安全、可靠的条件下实现长时间无故障运行，以及线下的售后支持体系是否已经铺设到位。

量子位：如何看待行业里的「自由度军备竞赛」？

韩铮：这正是仿真路线带给我们的巨大优势。我们可以在仿真器中低成本地测试成百上千种构型，让机器人去执行目标任务，然后横向比较不同方案对电机扭矩、自由度数量、成功率、工作空间以及散热性能的极限要求。

仿真最大的价值，在于它能帮我们跳出纯粹的仿生学思维。从A点移动到B点，轮子通常比四足更高效；动物受限于肌肉、血液供氧和供能结构，很难进化出轮式结构，但机器人不需要受这种生物学限制。

同样的道理，即使人类社会周边的物体都是为人类双手设计的，电机驱动的机器人是否一定需要「五指灵巧手」，目前在学术界和工业界都没有定论。

得益于仿真，我们的试错成本远低于同行。可以先在虚拟世界里测试上百种构型，最后只挑出两三种最优解来做实体试验。

99%+成功率是一切的前提

量子位：行业商业化仍处于早期，也没有出现类似GPT-3.5那样的「破圈时刻」。这个阶段，资本市场在期待什么？

韩铮：资本市场很清楚机器人是一个巨大的机会。大家担心错过窗口期，所以中国市场涌现了大量同质化的公司。

这在某种程度上很像高校里不同的机器人实验室或CV实验室各自孵化成商业公司，每家公司都在自己的单点上向前推进。

量子位：在研究突破与商业化场景之间，苏度如何分配精力？

韩铮：商业化方面，即使我们已经拥有不少产业方股东和海外工业客户，在选择合作对象时仍然非常克制。

我们的核心目标始终是打磨基础模型和上层开发工具。让技能和技能组合能够作为标准品，快速复用到多个行业，体验上就像搭建App一样直观。

合作方可以在我们的平台上参与应用层开发，既无需触碰基础模型，也无需重新造一套操作系统。

量子位：如果基础层持续Scaling，会不会挤压上层应用公司的生存空间？

韩铮：行业一定会走向模型分层与上下游分工。

工业领域有大量需要深厚行业经验的工作——MES系统、库存系统与传统自动化系统的整合，工装夹具的定制，认证安规与服务体系的建设——这类工作我们不会向上延伸，也不应该去做。

与此同时，基础模型之上还有非常广阔的空间。做多模态模型的、从CV转型VLM的团队，都可以与我们形成上下游合作。基于我们提供的skills，上层可以构建reasoning、planning和长程规划能力。

举一个具体的例子：用户给机器人一个抽象任务——「做一道菜」。

上层模型可以负责读取菜谱、参考视频、调用语言模型生成操作步骤，也可以理解厨房空间布局、厨具位置，甚至连接电商或本地生活平台完成食材下单。这些边界我们不会去碰。

苏度的工作，是让机器人可靠地打开冰箱、取出多种原材料、打开柜子拿锅、操作灶具或微波炉，在任意房间和厨房中，对不同物体实现99%+以上的操作成功率，并将多个技能串联成同样高可靠的长程任务。合作方可以通过我们的SDK、API和虚拟调试工具来调用这些能力。

量子位：紧贴应用场景能拿到数据飞轮，光做底层技能很容易陷入红海竞争。如果同行未来也达到了99%+的成功率，苏度的护城河是什么？

韩铮：从长期来看，任何技术都不会只有一家公司掌握。但我们搭建的Sim2Real技术栈和系统复杂度，远高于市面上大多数真机路线。

真机路线在某种意义上更像早期的大模型训练——有经验的人可以快速迁移，调整参数后就能做出一篇实验室paper或一个新demo。

但要真正达到99%+的可靠性，同时对物体和环境保持强泛化能力，背后需要极其复杂的系统工程。

团队中必须同时具备多种强背景：数据理解、仿真搭建、物理解算、渲染、机器人系统、硬件设计、操作系统……这些能力很难集中在一两个人身上，也不是简单招人就能补齐的。

我们很多团队成员是在美国大厂和领先创业公司工作或实习之后，才选择加入苏度的。因为能完整走通这条AI路线的团队，在全球范围内都屈指可数。

关于数据飞轮：大客户的核心数据通常不会回流——SaaS、CV模型和语言模型行业也都有类似情况，私有化部署的需求会长期存在。

但我们的数据飞轮转得更快。对于安全要求较低的数据，可以脱敏后回收继续使用；客户在仿真调试环境中的使用数据，也有助于数据分类和系统的持续改善。

量子位：苏度选择了一条相对少见的数据路线。这个过程中，有什么Takeaway可以和社区分享？

韩铮：对机器人来说，Research与商业化之间最大的分水岭，就是99%+的可靠性。达不到高可靠性，就很难真正超越传统工业自动化。

但具身智能也无需替代所有工业自动化。它应该解决的，是那些传统自动化成本过高、难以覆盖或根本无法完成的任务。

如果行业能在这个前提上形成共识，就能更清晰地判断什么样的具身方案是可行的、什么样的公司路线是靠谱的、什么样的商业化选择是理性的。

文章来自于"量子位"，作者 "Jay"。