对话鹿明机器人创始团队：成立一年多融资数亿，如何靠真机数据促生具身智能ChatGPT时刻

来源：市场资讯

（来源：网易科技）

图片来自视觉中国

蓝鲸新闻1月13日讯（记者 武静静）具身智能的热潮仍在持续。正在拉斯维加斯举行的 CES 2026 上，具身智能已成为全球科技竞争与产业变革的核心焦点之一。开幕首日，英伟达 CEO 黄仁勋在主题演讲中直言："机器人领域已正式迎来属于自己的‘ChatGPT 时刻’。"

热度高涨的同时目前，国内具身领域公司一个关键的难题和布局在于，如何规模化的获得高质量的数据，促进具身智能模型的迭代，从而让机器人更智能。目前头部的创业公司比如智元机器人、银河通用、它石智航与鹿明机器人等在以不同的维度破解数据难题。

其中备受关注的鹿明机器人近期宣布连续完成 Pre-A1 与 Pre-A2 两轮融资，累计金额达数亿元。其中，Pre-A1 轮由鼎晖投资领投，南京创投、金景资本、金固股份跟投；Pre-A2 轮则由申能诚毅投资。

此外，商业化层面，成立仅一年多，鹿明机器人已与三菱电机、中远海运等产业巨头达成战略合作，围绕工业场景的智能化解决方案展开探索。

鹿明机器人如何解决具身智能普遍面临的数据难题，又如何思考自身的商业化节奏，蓝鲸科技近日与鹿明机器人核心团队：创始人兼CEO喻超、联席CTO丁琰及联合创始人赵广智进行了一次深度对话。

鹿明机器人创始人喻超毕业于清华大学，2016 年起开始从事机器人学习算法研究，曾负责搭建追觅的具身机器人业务，参与开发过包括机器狗"铁蛋"在内的多款机器人及消费电子产品。联席 CTO 丁琰则是纽约州立大学人工智能博士，曾任上海 AI Lab 明星研究员。公司目前 70% 以上人员为研发团队。

具身智能下半场的关键赛点：数据规模化

如果说整机能力决定了人形机器人的"上限"，那么数据则决定了它能否被有效训练出智能。数据量的量级跃升往往意味着智能的涌现。

然而在现实中，高质量、低成本、可规模化的数据采集，被公认为一个难以同时满足的"不可能三角"。围绕这一难题，行业逐渐分化出多条技术路径，不同企业选择的路线各有侧重：有的利用互联网数据或视频内容进行预训练，再通过强化学习和少量真机数据进行微调；有的以仿真为主，借助虚拟环境实现低成本、高效率的算法迭代；也有团队坚持真机采集，坚信只有真实数据才能训练出能应对复杂具身模型。

真机数据是目前很多机器人公司都在布局的方向，全球也在这个方向上不断创新，从2024年Pi0模型的1万小时真机数据，到2025年Gen-0模型使用的27万小时UMI数据，业内人士普遍预计，2026年的头部算法公司的训练数据规模必然会突破百万小时。随着需求的快速增长，具身智能数据市场也将迎来爆发。

目前国内机器人公司对获取真机数据的方法也不同，大部分的方式是通过遥操真机获取高保真交互数据，鹿明机器人选择了不同的路：通过UMI（无本体模仿学习）范式攻克真实数据扩展性瓶颈。

UMI 最早由学术界提出，其目标是用一套统一的数据表达与采集范式，覆盖不同形态、不同自由度的操作系统。通过将人类示教、视觉感知和操作轨迹映射到一个与具体机器人形态无关的中间空间，即当机器人"身体"不断变化时，操作能力是否可以被复用和迁移。相比为单一机械臂、单一场景定制数据集，UMI 更强调跨本体、跨任务的一致性，使同一份操作数据能够在不同硬件平台上被理解和学习。

"鹿明希望积累行业最多的真机数据，打造最多场景落地的硬件本体，进而与生态合作，共同推动具身智能的‘ChatGPT时刻’到来"，喻超向蓝鲸科技表示，鹿明通过提供从数据采集设备、高质量数据集、行业解决方案到联合模型训练的全栈服务，构建完善的UMI数据生态体系，正从一家机器人产品公司演进为一个以数据为纽带，连接硬件、算法、场景和合作伙伴的生态平台。

数据问题是个成本问题

丁琰直言，当前具身智能行业在数据层面面临的并非单一瓶颈，而是一整套结构性问题。首当其冲的是成本与效率失衡。"现在采集一小时可训练数据，在美国的成本大概是 100 到 200 美元。"若按 GPT-3的7.9亿小时数据规模推算，投入将达到"数百亿美元"。与此同时，传统遥操作方式效率较低，"像叠衣服这种任务，遥操作采集一次可能要 50 秒，但如果用FastUMI Pro，10 秒就能完成。"

其次是被长期低估的数据孤岛问题。现有方案多记录特定机械臂的运动轨迹与视角信息，数据与硬件本体深度绑定，"A 机器人的数据，几乎不可能直接给 B 机器人用。"更深层的挑战来自数据质量本身。"很多公司不是没有设备，而是‘有设备但没法训练’。"丁琰认为，时空对齐不准、多传感器难以做到毫秒级同步，以及硬件性能不足导致的掉帧、错频，都会破坏动作与视觉之间的因果关系。

正因如此，鹿明在推出多款机器人本体的同时，完成了 FastUMI Pro 数据采集软硬件系统的开发与量产，保证交付的数据"100%可用于模型训练"。

在其内部逻辑中，FastUMI Pro是支撑具身智能规模化的关键基础设施。在丁琰看来，硬件、数据与算法并不是独立关系，而是一个强耦合系统。"硬件决定数据质量，数据决定算法性能，而算法会反向约束硬件设计，任何单点不稳定，都会导致优秀模型无法出现，因此这是一个必须系统自洽的闭环。"

据他介绍，通过 FastUMI Pro，鹿明将真机数据采集效率提升至传统方式的 5 倍，成本降至原来的 1/5，同时还能适配异构机器人本体。加上每一条数据都需经过 8 道工业级评估流程，确保其具备高一致性、高密度和可复现性，将数据有效率从行业普遍的 70% 提升至 95% 以上。

"FastUMI Pro正朝着具身智能的‘USB接口’方向演进。"喻超进一步解释，"我们正在构建具身智能的基础设施。鹿明的目标很明确——通过真机在场景中运营积累数据，训练更优模型，为行业提供数据与硬件两大基础设施，推动行业共建通用本体与生态。"

同时，喻超还宣布了一项颇具野心的目标：在一年内形成超100万小时的具身真机数据产能，致力于建设全球规模最大的高质量真机数据集。

分层验证场景，优先切入工业

商业化层面，联合创始人赵广智告诉蓝鲸科技，"我们会优先从工业切入，但工业本身也不是一刀切的。"他将落地任务拆分为三种不同难度：最基础的是规则相对明确的pick&place类操作，其次是对力控和稳定性要求更高的任务，比如叠纸盒；再往上，则是对精度和一致性要求极高的场景，如 3C 电子产线中的插线与装配。这种分层旨在让系统在真实产线中逐级验证可靠性。

赵广智提到，在客户策略上，公司采取的是大客户优先路线，已经与三菱、中远海运等头部企业达成战略合作。"在三菱的一条产线项目中，团队用不到两个月的时间，将单个工序的生产节拍从 30 秒压缩到 12 秒"，赵广智介绍称，这个结果本身，比任何技术指标都更能说明问题——具身智能不是"能不能做"，而是"能不能快、能不能稳、能不能直接替换原有流程"。

与此同时，公司从一开始就将市场视野放在全球，而非局限于国内制造业生态。喻超在采访中透露，目前全球具身智能领域内，有超过三分之二的顶尖团队，正在使用鹿明FastUMI Pro。"2026年，鹿明预期营收规模在亿元级别。"

长期规划上，喻超表示："希望积累行业最多的真机数据，打造最多场景落地的硬件本体，进而与生态合作，共同塑造通用具身智能的未来。我们相信，数据将驱动智能，而智能将赋能千行百业，让机器人走进千家万户。"