具身智能行业公认的「数据荒」背后，是令人咋舌的成本结构。据行业拆解，要构建1000小时高质量真机数据集，投入通常在8000万元以上，其中硬件设备占22%、人力成本占40%、场地运营占20%、标注质检占35%。全球可用具身数据仅约50万小时，而需求是千万小时级别，缺口超95%。京东计划用两年时间、60万人采集1000万小时真实数据，单台人形机器人成本数十万元——这种重资产模式正是苏度选择仿真路线的主要原因之一。

当苏度押注仿真时，特斯拉Optimus选择了完全相反的方向：以工厂真实视频为主、遥操为辅采集数据。Optimus依靠员工戴头戴式摄像头录制第一视角操作视频，作为模仿学习主力，结合Dojo超算将训练周期从48小时压缩至2.5小时。马斯克甚至宣布放弃昂贵的动捕服，转向「纯视频学习」。两种路线各有拥趸——真机路线数据真实但难规模化，仿真路线数据量大但存在Sim2Real鸿沟。谁能在成本、效率和泛化性之间找到最优解，尚无定论。

宁德时代同时与多家具身智能公司合作：苏度在现场复刻了四机协同电池模组产线；银河通用的Galbot S1重载机器人已进入产线，承担50公斤级物料搬运；千寻智能的「小墨」人形机器人在PACK产线负责高压插接。同一家电池厂，至少有三条不同技术路线在并行验证。焦点不在于谁的技术更炫，而在于谁能率先把产线单点成功率稳定在99.9%以上、换型时间压缩到1天之内。2026-2027年将是各路线在宁德时代产线上「交卷」的关键窗口。

韩铮在采访中主动回应了这个问题：自动驾驶的瓶颈在高速多智能体博弈，而机器人操作的核心在contact-rich的物理交互，两者面临的根本约束不同。但自动驾驶的仿真路线花了十年仍未达到L5，具身智能凭什么相信自己能走通？关键变量在于：机器人可以低速绕行、完全刹停，但自动驾驶必须在高速下处理不可预测的交通参与者。要验证这个判断，需要观察苏度在2027年能否将客户产线的「零样本迁移成功率」做到行业公认的98%以上，而非仅靠精心策划的Demo证明。