sudoAI 的目标是为通用机器人构建基础，使机器人技能能够在物理世界中被学习、迁移和部署。其推出的 sudo R1 是一套软硬件全部自研的集成机器人系统，由以操纵为中心、聚焦物体拾取的基础模型驱动。选择拾取作为切入点，是因为几乎每一项有用的操纵任务都从拾取开始，如果拾取无法在真实世界的长尾物体上可靠工作，许多下游任务就难以实现。
主要能力方面，sudo R1 具备以下特点。第一，零样本泛化：它能够成功拾取训练中从未见过的多样物体，涵盖刚性与可变形、不透明与透明、哑光与反光等类型，包括透明玻璃、柔软织物、反光金属以及形状不规则的物品。单一模型即可处理全部这些情况，无需微调，也无需针对单个物体进行适配。第二，稳健性：在受控的光照变化下，以及使用电视屏幕模拟多种动态背景的条件下，拾取成功率保持近乎一致，无需针对特定环境进行校准或微调。这种稳健性来自仿真训练中大规模视觉随机化，使策略依赖与抓取相关的几何和物理线索，而非过拟合特定视觉环境。第三，真正的闭环敏捷性：sudo R1 采用完全闭环策略，每个控制步骤都以机器人最新观测为条件，以 15–25 Hz 的自适应频率运行。相比采用动作分块、在两次观测之间执行固定动作序列的模型，这种设计能够在执行过程中持续反馈，从而支持跟踪移动目标、在抓取中途受到扰动后恢复，以及在场景变化时调整运动轨迹。这也是系统能够以接近生产相关速度运行的原因。第四，空间智能：当周围物体或结构限制可行路径时，sudo R1 能够调整轨迹，绕开障碍、避免碰撞并利用可用空间，且这是学习策略的集成能力，而非叠加的独立碰撞规避模块。
训练方式上，sudo R1 完全基于仿真数据训练，不使用真实世界演示、遥操作或人工标注。其能力提升来自于生成更多数据，而非单纯扩大人力规模，形成了一种不同的扩展曲线。该团队认为，仿真之所以是关键，是因为同时在泛化性、灵巧性、稳健性和高频控制四个维度上达到要求，受限于数据瓶颈：仅依赖真实世界采集太慢、太昂贵、覆盖面太窄，难以系统构造对抗条件和生成密集障碍场景；仿真则可以同时在所有维度上扩展。实现这一点需要在物理保真度、接触建模、域随机化、传感器仿真等仿真到现实的每一环节同时弥合差距，这些能力经过多年专门工程构建。
适用场景方面，官方文本提到物理 AI 在制造业、物流、农业和养老护理等领域具有经济潜力，但当前操纵能力仍然脆弱，sudo R1 面向的是拾取这一入口级动作，并计划扩展到更多技能。
限制方面，官方明确表示真正的生产级性能仍需时日：单独实现泛化性、敏捷性、稳健性或空间智能中的任何一项已经很难，而在单一策略中同时实现它们是一个根本不同的挑战，这正是 sudo R1 追求的目标，但目前尚未达到。拾取只是开始，其他技能仍在扩展中。
其他信息如具体价格、收费模式、平台支持、安装或使用命令、技术文档等，官方文本未提供。
