WRC的机器人开始比进化速度，鹿明NexCore登场

机器人前瞻（公众号：robot_pro）
作者 许丽思
编辑 漠影

走进WRC展馆，机器人像是在参加一场集体技能考试。

抓取、分拣、交互等任务轮番上演，不同形态的机器人围着各自的工作台忙碌。与过去相比，一段预设动作已经很难让人长时间驻足，公众也开始用一把更现实的尺子衡量机器人，关注机器人究竟能完成哪些任务？能否长期稳定运行？能不能应对突发状况？投入之后多久可以回本？

这种变化背后，也藏着产业一线对机器人的核心诉求。

早期，工业机器人主要按照预设程序重复作业，产线、物料和动作都相对固定。如今产业加速转向多品种、小批量和高柔性生产，任务也会频繁切换，机器人也开始进入技能持续进化的新阶段。

鹿明机器人CEO喻超觉得，具身智能下半场，是任务闭环竞争，最终竞争的是数据获取效率、模型泛化能力、通用硬件成本和产业交付效率。

沿着这一判断，鹿明机器人长期以产业任务为牵引，希望把场景经验、数据资源、模型能力与机器人执行系统连接起来，缩短机器人学习技能、应用技能的路径。目前，鹿明已形成覆盖机器人本体、具身大模型、机器人技能训练及部署系统的完整技术体系，推动机器人从“执行任务”向“学习技能、持续进化”演进，加速具身智能在产业场景中规模化落地。

今天，鹿明机器人在WRC现场首发机器人技能进化引擎NexCore，将数据接入、治理、训练、评测、技能管理、设备运行与数据回流等串成完整链路，为机器人持续进化搭起一套基础设施。

简单来说，NexCore向能力层延伸，关注一项技能怎样被训练、验证、部署并持续优化，让机器人能够在干活的过程中越干越聪明，不断获得新的技能。

一、从数字智能到物理智能，机器人干活还缺什么？

过去几年，大模型在数字世界中的进步速度有目共睹。但是，这些能力没法自动转化为机器人能够掌握的技能。

前几天，李飞飞在一场公开访谈里讨论到，机器人学不能只靠语言模型，语言模型预测下一个Token，机器人需要预测下一个物理状态，而这必须理解重力、摩擦、形变、光照及其大量组合关系。

喻超也举过一个直观的例子：一个大模型可以理解“拿起一个杯子”这句话，但它并不知道真实环境中的杯子在哪里。机器人要如何抓取？如何避免碰撞？当情况发生变化时又该如何调整？

这种复杂性，就暴露出现在机器人基础设施的短缺。

行业需要覆盖不同任务、环境变化以及失败恢复过程的有效数据，也需要工具对真机采集、遥操作、仿真和第三方数据进行统一接入与管理。现实情况是，这些数据往往分散在不同设备和工程环境中，格式、质量和任务语义各不相同，也缺少统一接入、清洗、标注和管理多源数据的工具，采集回来后很难直接用于训练。

到了模型训练这一步，任务编排、参数优化、训练追踪和版本管理仍分散在不同工程环境中，开发团队往往需要反复搭建工具链，过去采集的数据和训练出来的模型，也可能因为格式、设备或环境变化而无法顺利复用。

能力验证的门槛更高。

语言模型在云端生成输出后，人类可以阅读、修改，再决定是否采用。但是机器人干活，在物理空间移动，动作发生的那一刻就要应对重力、碰撞和物体变化，必须当场就做出正确的动作。

因此，模型训练完成后，还需要一套贯通仿真与真机的系统化评测体系。展台上的一次成功演示，只能说明机器人在特定条件下完成过任务；产业客户更关心成功率、连续运行稳定性、节拍、泛化能力，以及发生意外后能否恢复。

除此之外，技能封装、跨本体适配、设备监测和运行数据回流长期彼此割裂，也使机器人难以根据真实执行结果持续迭代。

鹿明在客户现场就发现，一个客户想让机器人学会一项新任务，可能需要采数据、清洗数据、训练模型、调参数、做评测，再部署到机器人上。过去这些事情往往由专业机器人团队完成，客户自己很难参与。

所以，鹿明团队逐渐意识到，如果希望机器人真正进入更多产业，仅仅提供一台机器人是不够的，需要把“机器人如何学会一项工作”本身做成一套更标准、更低门槛的能力生产工具。

机器人想要跨越数字世界与物理世界之间的鸿沟，需要的不仅是一代更强大的模型，而是一整套涉及数据、训练、评测、管理、运营全链路的基础设施。

二、真实场景中沉淀机器人可调用的技能

鹿明提到，随着机器人任务越来越复杂，依靠单一模型包揽所有任务会显著增加工程实现和评测难度，所以，就需要将复杂任务拆解为抓取、搬运、开门、插拔、按压等可理解、可评测、可复用的技能单元。

在鹿明看来，技能块将长期作为机器人能力体系的基本单元长期存在，真正重要的是其能够被组合、迁移、验证和持续优化，最终成为连接任务、模型与机器人执行的中间能力层。

那技能到底应该如何才能被快速生产出来呢？

NexCore做的第一件事，是建立一条将多源数据持续转化为技能的标准化管线，让真实经验能够快速进入模型的训练中。

在数据入口端，NexCore通过数据资产平台接入鹿明自研UMI、Ego和遥操作硬件产生的数据，同时兼容仿真及第三方数据。不同设备、不同环境中积累的任务经验，由此可以汇入同一套平台。

数据从采集到用于模型训练，中间还隔着质检清洗、隐私脱敏、空间建模、模态对齐等一系列繁琐的加工环节。依托Lumos数据管线，NexCore能够进行数据清洗、切片、标注、质量筛选和任务语义对齐，建立统一的数据集。

进入到技能训练环节，NexCore面向真实产业任务，支持模型后训练、策略优化、任务参数配置与技能封装，并持续记录训练过程、版本变化和关键指标。

走到这一步，真实场景中的人机交互和机器人运行记录，就已经被整理为结构化资产，并进一步沉淀为机器人可以调用和管理的技能。

对产业落地而言，这条管线的价值还体现在复用上：同类任务再次出现时，企业可以站在已有数据和技能版本上继续迭代，减少重复采集、训练和编程带来的时间消耗。

三、让技能在真实任务中持续进化

技能完成训练和封装后，真正严苛的考题才刚刚开始。

产业环境千变万化，实验室训出来的模型还得先经过一系列真机验证的环节，确认它在真实物理条件下依然能够稳定执行，才有机会进入生产现场。

NexCore能够通过仿真验证模块、LumosStation Lite真机验证、评测体系，对VLA等模型进行任务级评测与协作效果验证。

其中，Lumos Station Lite是一套桌面级双臂视觉操作与具身智能开发平台，搭载两台Lumos Touch R1六自由度机械臂，采用双腕部相机和双桌面固定相机构成的多视角感知矩阵，可承载抓取、递送、精准摆放、柔性物体整理和多步骤操作等任务验证。

NexCore里的评测体系，则能够将机器人在仿真环境和真实环境中的表现进行量化验证，让具身智能能力具备工业交付标准。

通过评测的技能，可以部署至鹿明MOS2轮臂式机器人及其他智能作业体，让机器人技能在真实生产条件的环境中接受任务检验。

鹿明表示，跨本体是产业具身必须解决的问题，但不能把目标简单定义为“一个模型适配所有机器人”，真正需要建立的是技能和本体之间的解耦能力。

NexCore由此构建“任务 → 技能 → 本体适配 → 执行”的链路，让不同本体承担不同的物理执行方式。而轮臂式机器人MOS2将作为重要的产业载体，承载重载、移动操作、上下料等任务。NexCore也不会局限于MOS2的专属系统，长期目标是推动技能跨本体复用，并根据具体任务选择更合适的机器人形态。

技能部署到了机器人上之后，运行过程中产生的任务结构、异常样本和执行数据，也会重新回到系统中，为下一轮治理、训练和评测提供依据，形成一个不断迭代进化的飞轮。

总而言之，通过数据管理、模型训练、技能封装和部署工具链，NexCore 让机器人能力像云服务一样被调用，企业无需深度理解算法和模型，也能快速开发、调用和管理机器人能力。不用重新训练模型，也不用重新编程，只需调用技能。

结语：具身智能竞争核心，是机器人的持续进化能力

喻超提到，未来机器人竞争的核心，不是谁拥有更多机器人，而是谁拥有让机器人持续进化的能力。这也是鹿明一直探索产业具身的原因。

这也是鹿明所践行的技术路线的核心逻辑：从真实产业场景中获得数据，通过模型将真实世界经验转化为可复用技能，再由机器人进入实际生产环境执行，并将执行结果和失败经验重新反馈到系统中，实现持续进化。

NexCore的出现，便是为了让机器人不再依赖一次性的编程，而是具备持续进化的能力。

在喻超的设想中，未来机器人就像一个不断成长的产业工作者：进入新的环境，学习新的任务；完成新的工作，积累新的经验；每一次执行，都推动下一次能力提升。

这样看来，一套能够支撑机器人越干越聪明的基础设施，也将成为具身智能迈入下一阶段的重要分水岭。