Sudo AI

1.1 身份与商业模式

Shanghai Sudo Technology Co., Ltd.（以 Sudo AI 运营）于 2025 年 5 月 19 日注册成立，注册地址位于上海市杨浦区。其首款产品 Sudo R1 是一套围绕物体抓取和操控型基础模型打造的软硬件一体化机器人系统。公司将抓取视为拓展更广泛物理操控能力的入口，并称模型完全在仿真环境中训练。ICRA 演示报道还显示出一条近期市场路径：Sudo AI 主要向开发者开放软件能力，由合作伙伴针对具体场景开发应用。这些证据支持“平台加系统”的定位，但无法证明当前定价、确认收入、出货量，或软件、硬件与集成收入的构成。[CO001, CO002, CO003, CO004]

1.2 领导层与治理

公开领导层记录显示，公司同时拥有连续创业和学术、工业机器人专长。Han Zheng 被列为联合创始人兼 CEO，Hao Su 被列为首席技术顾问。独立资料介绍了 Han 过往创办公司及退出经历，以及 Su 在 3D 视觉、仿真和机器人基准领域的工作。对一家以仿真为先的机器人公司而言，这种组合与创始人—市场匹配度相关，但也让可见的战略叙事集中在两个人身上。现有资料没有披露完整高管名单、董事会构成、投票权、投资人同意权或继任安排。因此，无法对治理质量作出确定判断，关键人物依赖应被视为尽调问题，而不是量化结论。[CO005, CO006]

1.3 融资与利益相关方

Sudo AI 的融资记录规模可观，但分散在日期和范围各不相同的报道中。LeiPhone 报道称，公司于 2024 年完成种子轮融资，并在 2025 年完成多轮融资。2026 年 4 月的报道显示估值超过 US$2 billion 亿美元，并列出 Alibaba、Tencent、CATL、GL Ventures 和 IDG 等投资人。随后 10 月的一篇报道提到另一轮超过人民币 10 亿元的融资，由 Futeng Capital、上海国投先导基金和国泰海通领投，但明确表示未披露投后估值。因此，最新一轮金额不能视为累计融资额，4 月估值也不应被表述为已确认的 10 月估值。留存证据无法提供股权结构表、稀释情况、清算优先权、债务、老股转让和累计融资额。[CO007, CO008, CO009, CO010, CO011, CO016]

1.4 里程碑与证据边界

公司在约一年内从注册成立走到公开发布产品并完成国际演示。Sudo AI 称，在一项 60 分钟评估中，首次抓取成功率约为 98%，两次尝试内成功率接近 100%，训练未使用真实世界演示数据。进展速度值得关注，但证据边界同样重要：Korthos 将该测试界定为公司发布的结果，而非独立基准，并表示结果尚未在生产环境中验证。LeiPhone 对 ICRA 的报道确认了针对不同物体的公开现场演示，但并未弥合生产验证缺口。10 月融资报道称，资金部分将用于真实工业验证，这进一步说明规模化、经第三方验证的部署仍是未来尽调里程碑，而非已经确立的运营事实。[CO003, CO009, CO011, CO012, CO013, CO014]

1.5 展示

2.1 市场边界与替代方案

可投资边界并不是整个机器人市场。Sudo AI 自称的切入点是经过仿真训练、可直接迁移到硬件上的操控能力；投资人和行业报道则把工业分拣、拆垛、电池生产和物流列为候选工作流。这一边界包括操控软件、控制系统、开发者工具、集成服务，以及执行多变物体任务所需的硬件；不包括无关的移动机器人、不带操控系统单独销售的机器人组件，也不包括通用消费机器人。现状的主要替代方案是固定、专用的工业自动化。IFR 表示，这类系统在重复性高、要求毫米级精度的工作上仍更快、更可靠。因此，Sudo 首先要竞争的是那些任务变化和换线成本足以抵消现有自动化成熟度的场景，而不是理论上任何机器人都能使用的地方。[CM001, CM002, CM003, CM014, CM015]

2.2 用多个受限视角估算规模

公开证据支持的是边界指标，而不是公司可触达收入的估算。IFR 报告称，中国工业机器人保有量约 200 万台，占全球年安装量的 54%；本土供应商在国内安装量中的份额也从 2020 年的 30% 升至 2024 年的 57%。TrendForce 另行预测，中国人形机器人产量将在 2026 年增长最多 94%，Unitree 和 AgiBot 的出货集中度接近 80%。这些指标分别描述存量、年度安装份额、供应商份额、产量增速和出货集中度，不能与支出或 Sudo AI 收入混为一谈。The Robot Report 并列展示了超过 US$5 trillion 和约 US$4 billion 的 2030 年人形机器人市场预测；没有原始方法论和一致的分类定义，笼统的 TAM 标题会误导判断。[CM004, CM005, CM006, CM007, CM008, CM010, CM011]

2.3 买方、用户、付费方与采用路径

最清晰的近期路径由开发者和集成商牵引。LeiFeng 报道称，Sudo AI 正向开发者开放软件能力，同时由合作伙伴针对具体场景开发应用。QbitAI 报道了公司与 CATL 在电池生产和物流工作流上的联合开发，一篇投资人发布的文章则把工业分拣和仓库拆垛列为目标用途。这些报道确定了候选用户和工作流，但没有一篇说明采购决策权、合同金额、付费生产部署或持续预算归属。Unitree 可作为相邻参照：The Robot Report 称其系统起价 16,000 美元，并已在教育、研发和设施巡检领域获得采用。早期预算可能来自核心工厂自动化之外，但不能据此确定 Sudo AI 的定价或可触达需求。[CM012, CM013, CM014, CM015, CM016]

2.4 驱动因素、约束与估值意义

中国庞大的自动化基础、不断提升的本土供应商渗透率、对具身智能的政策支持，以及制造商对柔性操作的兴趣，都在支撑需求。如果能经受生产环境考验，Sudo AI 的纯仿真方案或可减少特定任务的数据采集和客户数据暴露。制约因素在于时间和证据：IFR 将当前人形机器人在真实世界的能力界定为演示或试点，预计传统工业机器人仍将是制造业主力，并认为人形机器人的广泛商业化要到中国 2026—2030 年规划后期才会出现。TrendForce 预计行业将在 2026 年下半年转向可量化的用户价值，这说明技术演示尚不等于规模化需求。因此，估值应锚定已验证部署、利用率、定价、集成成本和复购订单，而不是宽泛的市场预测或融资热度。[CM002, CM003, CM006, CM007, CM008, CM009]

2.5 展示

3.1 格局与定位

竞争对手不止操控模型初创公司。Unitree 正在打造覆盖人形机器人、四足机器人和零部件的广泛产品组合，同时寻求资本密集型的公开市场路径；Agility Robotics 的 Digit 已在 9 个客户地点运行；UBTECH 则披露了规模可观的 Walker 订单和初步工业交付。Kepler 和 Siasun 进一步增加了中国工业机器人替代方案，而制造商仍可依靠内部集成、固定自动化或人工工作流。Sudo 的定位更窄：主要通过开发者和合作伙伴提供双臂研究系统及软件能力。据报道，中国已有超过 150 家人形机器人公司；在当前政策持续关注智能制造的背景下，潜在进入者和相邻硬件供应商将持续施压，并非遥远情景。[CP005, CP006, CP007, CP008, CP009, CP010, CP011, CP012, CP015]

3.2 能力差异化与商业证明

报道中 Sudo 最突出的差异点，是其声称仅用仿真训练的模型在一次时间长、对象多变的抓取测试中取得约 98% 的首次成功率。ICRA 演示进一步表明，系统能够处理随机摆放的物体，硬件则将两条七自由度机械臂与夹爪内置摄像头集成在一起。这些观察有价值，但并不是与 Unitree、Agility、UBTECH、Kepler 或 Siasun 进行的受控正面对比基准。公开商业证据反而指向另一方向：Agility 披露了运行地点和订单，UBTECH 披露了订单和交付。因此，定位图将公开证明与声称的操控广度分开评分，也不把任一轴线当作工程基准。[CP002, CP006, CP007, CP008, CP009, CP010, CP011]

3.3 定价、分销与切换经济性

目前无法进行同口径的价格比较。Sudo 尚未公布产品配置、商业价格、客户供货政策或出货条款；留存的竞争对手来源同样提供的是融资、订单或产能数字，而非单价和合同结构。这些数字不能被当作价格、收入或装机量的替代指标。Sudo 据报道采用开发者优先、合作伙伴交付的模式，可能扩大触达范围，但也会让集成商影响应用质量、客户归属和切换。没有留存来源披露 SDK 条款、互操作性、服务水平承诺、数据可移植性、集成成本或实际折扣。因此，现有不确定性不足以支持对锁定效应、多平台并用，或 Sudo 能否低价击败垂直整合竞争者作出结论。[CP001, CP004, CP005, CP016]

3.4 护城河持久性与替代风险

Sudo 的仿真驱动方案可能减少对昂贵真实机器人数据的依赖，并加快适配，但证据没有证明其拥有独家数据、专有供应、受保护的分销渠道或持久的客户切换成本。行业层面的约束也很明显：留存行业报告提到运行续航短、系统成本高、灵巧性有限，以及必须找到可重复的使用场景。这些约束可能拖慢 Sudo，而拥有制造规模和客户部署的现有企业仍在进步。最不利的情景是商品化：如果硬件供应商或集成商能够复现足够的仿真到现实性能，Sudo 的模型优势可能只是更大平台中的一个功能。因此，只有拿到独立基准、付费部署、留存和集成证据后，才能把这项护城河纳入投资判断。[CP001, CP002, CP004, CP005, CP009, CP010, CP011, CP013, CP014]

3.5 展示

4.1 收入模式只有轮廓

公开报道指向一种企业模式：Sudo AI 提供软件能力、系统接口和开发者工具，由合作伙伴为特定工业场景开发应用。潜在收入来源包括软件或模型访问、机器人系统销售或租赁、集成服务以及持续支持。但这些来源都没有对应的挂牌价、收费表、合同期限、实际价格或收入确认政策。区别很重要，因为平台许可的毛利和营运资金特征可能与硬件加集成项目大不相同。现有证据支持交付架构，却不能证明变现结构；没有留存来源确认付费生产客户或披露合同金额。[CI003, CI004, CI005, CI006, CI007, CI016]

4.2 技术进展不等于财务进展

最强的公开信号来自技术演示和潜在部署效率，而不是订单或收入。与投资人相关的报道声称，避免使用客户敏感数据可以缩短实施周期并降低自动化改造成本；独立报道则介绍了开发者访问和合作伙伴开发的应用。如果这些主张在生产环境中成立，可能改善销售速度和实施经济性，但没有来源报告销售周期、转化率、渠道抽成率、获客成本、回收期、利用率、装机量、ARR、收入或 GMV。信息缺口使得无法评估可重复性或销售效率。成功演示不能视为已签约部署，平台可用也不能视为已确认的软件收入。[CI003, CI005, CI006, CI008, CI010, CI016]

4.3 仿真可能转移成本，而非消除成本

独立机器人研究支持 Sudo AI 方案背后的总体前提：大规模真实世界数据采集和模仿学习可能昂贵、耗费人力且难以扩展，而仿真到现实的强化学习是一种潜在替代方案。 这对训练数据经济性有利，但不能证明 Sudo AI 的毛利率。以仿真为先的模式可能把支出转向算力、模型开发、机器人硬件、验证、集成、现场支持和可靠性修复。公开资料没有量化任何一类成本。工作场所 AI 的法律分析还表明，客户可能面临合规和审查负担，从而延长部署时间或增加实施费用。因此，现有证据无法说明数据采集节省是否超过交付链其他环节新增的成本。[CI009, CI012, CI013, CI015]

4.4 融资可得性强，但资金充足性未知

近期独立报道和投资人相关报道都提到新融资及超过 20 亿美元的估值，显示投资人兴趣浓厚。轮次时间线应放在公司概览；对财务投资判断而言，关键是已募资金不等于可用现金。公开来源没有披露本轮到账额、当前现金、月度烧钱、现金跑道、债务、项目融资、受限现金、资金用途，或触发下一轮融资的运营里程碑。行业对比加重了这一担忧：据报道，1X 在仍只部署有限数量研发单位时寻求 10 亿美元融资。这不是对 Sudo AI 的预测，但说明前沿机器人在规模化收入出现前可能长期高度依赖资本。[CI001, CI002, CI011, CI014]

4.5 展示

5.1 产品定义与用户工作流

Sudo R1 被描述为一套一体化机器人系统，而非独立模型：公开产品边界包括机器人硬件、软件和专注操控的基础模型。其目标工作流是用仿真训练和对陌生物体及环境的零样本部署，替代反复采集特定现场演示数据。QbitAI 报道称，在公司一次 60 分钟、抓取次数超过 200 次的演示中，首次成功率约 98%，两次尝试内成功率接近 100%。这些数字描述的是阶段性测试，而非生产服务水平。2026 年 ICRA 上，Leiphone 另行报道了对不同材质和形状、随机摆放物体的成功抓取；这增加了现场事件证据，但仍不能证明持续工业吞吐量或失败率。[CE001, CE002, CE004, CE005, CE006]

5.2 架构与技术成熟度

报道中的架构从仿真环境和合成交互数据开始，再将世界模型方法与强化学习、感知和机器人闭环控制结合起来。Korthos 报道称，R1 会以 15—25 Hz 的频率根据观测更新动作，同时推理障碍物和放置空间。Leiphone 描述了一种双臂形态，每条手臂有七个自由度，夹爪内置摄像头。这些报道足以勾勒技术栈，但没有披露模型规模、仿真器保真度、训练算力、组件供应商、延迟分布、安全联锁或硬件耐久性。结果是一个可信的公开原型架构，但其实现边界和生产成熟度仍只能部分观察。[CE002, CE003, CE007, CE011]

5.3 部署模式与差异化

最清晰的差异化逻辑是，大量使用仿真训练可以减少对远程操控、人工标注和反复采集客户现场数据的依赖。Leiphone 报道称，Sudo 当前主要向开发者开放软件能力，由合作伙伴开发特定场景应用。一篇由投资人发布、经 Sina 转发的公告称，公司正在建设国内和国际开发者中心，开放模型与工具，并支持工业制造和物流客户进行二次开发。这是一条平台导向的市场路径，但审阅过的来源没有提供公开 API 文档、发布历史、软件包活动、集成规格、明确的生产在线率或支持承诺。Stanford 的一个项目独立证明仿真到现实的强化学习可以用于操控，同时也说明公开方法通常会披露任务级结果和失败率，而 Sudo 尚未发布这些信息。[CE008, CE009, CE010, CE012]

5.4 可靠性、信任与技术风险

核心技术风险在于成功的受控演示与可重复生产运营之间存在鸿沟。TechCrunch 报道称，由于机器人训练数据稀缺，合成数据被广泛使用，但真实世界数据采集仍不可或缺，机器人软件的可靠性也仍落后于硬件。该报道还指出，持久采用要靠稳定、可重复的价值，而不是一次性展示。TrendForce 同样预计，随着商业化加速，行业关注点将转向可量化的用户价值。因此，Sudo 仍需提供按任务分层的成功率、干预频率、周期时间、平均故障间隔、环境限制和独立客户验收测试。现有证据无法证明正式安全认证、网络安全控制、隐私治理、在线率目标、事故历史或质量管理体系；这些都应继续作为尽调缺口，不能从“不需要本地数据采集”的说法中推断。[CE013, CE014, CE015, CE016]

5.5 展示

6.1 客户细分与购买路径

Sudo AI 可见的客户面向工业制造商、仓储和物流运营商，以及将机器人软件适配到具体工作流的开发者或集成商。LeiPhone 报道称，公司向开发者开放软件能力，由合作伙伴开发场景应用，这指向生态协同的市场路径，而不是完全披露的直销模式。一篇投资人发布的 Hengdian Capital 文章将工业分拣和仓库拆垛描述为目标应用，并声称部署可以避免采集敏感的客户生产数据；这些是相关购买卖点，但不是独立的购买或生产使用证据。当前招聘提供了方向性支持：官方招聘页面列出了大客户、超市机器人孵化和数据场景生态岗位。不过，未留存任何公开的定价、合同或采购记录，买方、用户和付费方仍只能根据工作流推断。[CU003, CU004, CU006, CU008]

6.2 采用证据仍处于规模化之前

公司层面最强的商业证据是 QbitAI 报道 Sudo AI 与 CATL 正在电池制造和物流场景开展联合开发。文章没有说明这项工作是付费项目、试点、概念验证（PoC）还是生产部署，消息来源也只是匿名市场人士。LeiPhone 另行记录了公开的 2026 年 ICRA 演示，并称由人随机摆放物体，但展会演示衡量的是技术行为，而不是客户采用。官方招聘页面显示有 96 个职位，其中包括商业化相关岗位；但职位空缺是运营信号，不是客户或收入分母。没有留存来源提供 Sudo AI 的活跃账户数、已部署机器人数量、地点、利用率、复购或时间序列采用指标。[CU002, CU005, CU007, CU015, CU016]

6.3 具名证明、持久性与集中度

留存的公开记录只支持一项具名、与公司相关的工业验证关系：CATL。其他引用要么是未具名合作伙伴、投资人评论、目标应用场景，要么是更广泛的行业需求信号。区别很重要，因为一个品牌标志、投资关系、联合开发声明和付费生产合同对应的收入质量完全不同。没有留存来源报告 NRR、GRR、流失率、续约率、合同期限、客户满意度、头部客户占比或渠道经济性。因此，扩张和集中度无法量化。Gartner 2026 年 1 月的预测对该品类构成不利基准：预计到 2028 年，真正将人形机器人投入供应链和制造生产的公司少于 20 家，并将集成复杂度、高成本、较低吞吐量和较低在线率列为障碍。因此，在客户签署的证据弥合这些缺口之前，应把 Sudo AI 视为未经验证的“从试点到生产”转化故事。[CU009, CU010, CU014, CU015]

6.4 扩张路径与尽调含义

合理的扩张循环是开发者评估、应用集成、范围明确的联合开发或试点阶段、生产采购，随后复制到更多工作站或地点。Sudo AI 对前四步有公开信号，但没有任何证据证明最后两步。QbitAI 报道称，公司计划提供系统接口和开发者工具；官方招聘页面显示生态和大客户岗位。两者合在一起，说明公司希望用集成支持和合作伙伴赋能把技术评估桥接到商业部署。市场环境并不会消除公司自身的执行风险。TrendForce 预测中国人形机器人产量快速增长，且出货集中在两家成熟领导者手中；新华社则描述了一个规模庞大、寻求合作的机器人展会生态。因此，投资判断需要客户签署的阶段、经济性和可重复性证据，不能用品类热度替代 Sudo AI 的采用证据。[CU001, CU003, CU008, CU011, CU012, CU013]

6.5 展示

7.1 风险排序

最高的剩余风险是生产可靠性。独立活动报道观察到 Sudo 的机器人处理了多种随机摆放的物体，QbitAI 则报道约 98% 的首次成功率以及不使用真实机器人数据的训练。这些是有意义的技术信号，但不是现场在线率、安全性、吞吐量或可重复性证据。Bessemer 的行业分析将 99.9% 视为生产可靠性门槛，并称仿真到现实的操控仍是开放研究问题。竞争规模是下一项重大暴露：TrendForce 预计中国出货量快速增长，并且异常集中在两家领导者手中。资本密集度排名第三，因为最接近的公开可比公司披露了盈利前运营费用大幅上升和大量现金消耗。法律与安全保障的影响仍很高，但发生可能性未知，因为指定证据中没有 Sudo 特定的监管机构、法院、认证、召回或事故记录。[CR001, CR003, CR004, CR005, CR006, CR008, CR009, CR012, CR013]

7.2 运营、质量与技术暴露

Sudo 的公开证明集中在受控操控演示上。LeiFeng 报道称，ICRA 场景处理的是活动现场人员挑选并摆放的材料和形状，但同一报道也称 Sudo 主要向开发者开放软件能力，由合作伙伴开发场景应用。这种交付模式让核心模型依赖集成、支持和合作伙伴执行。纯仿真路径可能减少数据采集成本和客户数据暴露，但独立行业分析警告，对软物体、织物和液体的操控保真度尚未解决。因此，尽调标准应是客户环境中持续、独立观察的表现，包括干预率、周期时间、失败分类、安全事件、恢复行为和在线率，而不是又一次精心挑选的成功率演示。[CR001, CR002, CR003, CR004, CR005, CR006, CR007]

7.3 法律、监管与安全保障

留存资料无法确立 Sudo 特定的监管或法律状况。没有指定来源来自监管机构、法院、专利局、安全认证机构、制裁机构、隐私审计方或事故登记处，因此没有报道事件不能被视为不存在事件的证明。最接近的安全基准是据报道 Agility Robotics 采用 NVIDIA 的 Halos 安全系统，以支持无隔离栏的人机近距离作业；这只是可比参照，不是 Sudo 达到同一标准的证据。Sudo 关于不使用真实数据训练的说法，也不能证明其已部署隐私控制。投资前，法律和技术尽调应直接核验产品安全标准、工作场所集成义务、数据流、知识产权归属、出口管制、保险、诉讼和事故披露。[CR004, CR005, CR011]

7.4 财务、合作伙伴与执行依赖

公开证据没有披露 Sudo 的收入、毛利率、烧钱、现金跑道、营运资金、保修准备金或已签订单经济性。一份合作伙伴发布的公告反而强调估值超过 20 亿美元；QbitAI 报道与 CATL 联合开发，却没有公布合同范围、生产状态、经济性或集中度。可比证据说明这些区别为何重要：Agility 初步未经审计的 2025 年运营费用约为 1.11 亿美元，现金消耗约 1 亿美元，而超过 3 亿美元的承诺订单被明确排除在当期收入之外。应检验 Sudo 的合作伙伴主导应用模式和未披露的制造计划是否依赖集成商、少数工业合作伙伴、零部件供应商和持续外部资本。投资批准应要求经过核对的运营计划和具名部署证据，而不是从融资参与推断商业持久性。[CR002, CR010, CR012, CR013, CR014, CR015, CR016]

7.5 展示

8.1 建议与价格纪律

建议为跟踪，信心低至中等、风险高，且估值偏高。两篇近期报道将 Sudo AI 最新估值置于 20 亿美元以上，但留存的 Sudo 专题来源没有披露收入、ARR、付费客户数、烧钱、现金跑道或股权结构表。这种错配使决策对价格高度敏感：技术潜力和投资人支持足以支持继续尽调，但不能确立可投资的入场价。98% 的首次抓取结果是公司发起、由媒体报道的业绩主张，而非独立生产基准。因此，分阶段流程应把任何投资建立在商业、财务、治理和优先权证据之上，而不是从融资轮次标题推断价值。[CV001, CV002, CV003, CV005, CV006, CV016]

8.2 正方论点、反方论点与可比背景

正方论点是，Sudo AI 的仿真驱动方案可能降低真实世界数据采集成本，而合作伙伴主导的软件模式可以拓宽部署路径。市场背景也有利：TrendForce 预测中国人形机器人产量将在 2026 年增长 94%。反方论点是，商业化可能集中到已具规模的领导者手中，Unitree 和 AgiBot 预计将拿下接近 80% 的出货量。公开可比案例也说明，估值标题不能替代运营证据。Agility 待完成的 25 亿美元交易伴随大量现金需求和或有订单，这些订单被明确排除在当期收入之外；UBTech 尽管持续亏损、Walker 销量有限，仍达到更高的公开市场市值。这些只是参照点，而非直接估值基准，因为商业模式、成熟度、地域、披露质量和交易结构都不同。[CV004, CV007, CV008, CV009, CV010, CV011, CV012, CV013, CV014]

8.3 避免虚假精确的情景分析

指定的公开证据无法推导出可辩护的数值估值区间。乐观情景需要独立生产验证、具名付费部署、可重复的单位经济性，以及能留下可信持股和退出路径的融资条款；只有这样，才能用前瞻运营指标检验报道估值。基准情景是技术持续进步并与合作伙伴集成，但财务披露不足以为股权定价，因而支持继续跟踪，或在低于估值标题的水平按里程碑入场。悲观情景是演示表现无法转化为可重复的工业部署，规模化竞争者吸收需求，而融资继续资本密集。随着 AI 系统成为需要承担设计、警示和供应链义务的已部署产品，产品责任风险还会增加另一条下行通道。[CV001, CV003, CV006, CV007, CV008, CV011, CV012, CV014, CV015, CV016]

8.4 退出准备度与最终尽调

当前资料集没有证明退出准备度。Agility 拟议的 SPAC 说明公开市场可能接受纯机器人标的，但交易仍待完成，初始材料也没有披露收入。UBTech 的 IPO 展示了另一条路径，同时说明上市可以与重大亏损和低旗舰机销量并存。对 Sudo AI，尽调应取得经审计或管理层财务报表、逐客户部署桥接表、独立任务级可靠性结果、完整股权结构表、债务、清算优先权、反稀释权、董事会控制权和资金用途。论点被打破的触发条件包括：无法将合作伙伴开发转化为付费且可重复的生产、独立可靠性显著弱于公开演示、融资条款损害普通股回报，或下一轮融资时仍缺乏运营披露。[CV003, CV005, CV006, CV010, CV011, CV013, CV014, CV016]

8.5 展示