对话鹿明机器人创始人喻超：具身下半场，从造机器人转向造技能

来源：市场资讯

（来源：钛媒体APP）

一组数字，正在戳破机器人行业最体面的泡沫：实验室里跑出89%的任务成功率，换到真实产线上，直接跌到12%。

具身行业正在陷入一场数据竞赛，数据集规模、仿真时长、视频扒取量成了各家比拼的硬指标，仿佛数据越多，机器人就越接近通用智能。

“实验室采集的数据、仿真生成的数据、视频数据，有用，但不足以让机器人在工厂里稳定干活。””鹿明机器人创始人喻超向智客ZhiKer表示，“数据的价值并不只取决于数量，更取决于它与真实产业任务的关联程度，以及能否真正转化为机器人的作业能力。”

喻超从2016年开始做机器人，经历过算法、四足、人形、整机研发和产品量产。多年的经验，让他形成一个越来越清晰的判断，机器人真正难的，从来不是把它造出来，而是让它在真实环境中持续完成任务。

2024年创业时，便正式提出“产业具身”。他认为，数据不是终点，数据要变成模型能力，模型能力要变成机器人可执行的技能，技能还需要评测、部署，再回到真实环境中持续优化，所以，从"采数据"到"造技能"，这条管线必须打通。”

这正是鹿明机器人最新发布的NexCore进化引擎要解决的问题。喻超透露，三菱电机的工厂里，搭载NexCore的MOS 2在多个任务中成功率做到99%，作业节拍追平人工，并且客户追加了新场景订单。

在接下来的对话中，喻超将完整拆解了产业具身的定义与NexCore的运转逻辑。

以下为与喻超的对话全文，略有删减：

喻超：产业具身是基于我过去多年做机器人研发、产品化和量产之后逐渐形成的判断。这个过程让我越来越强烈地感受到，机器人真正难的，从来不是把它造出来，而是让它在真实环境中持续完成任务。

2024年创业的时候，我们重新思考具身智能的发展路径，提出了产业具身。其定义是以真实产业任务为起点，让机器人在真实环境中获得数据，通过模型形成技能，然后进入生产环境执行，再将任务结果重新反馈到系统中，以此往复，持续进化。其核心不是某一种机器人形态，而是一套围绕真实任务形成能力的体系。

所以，产业具身必须包含几个核心要素：真实产业场景、真实世界数据、具身智能模型、机器人本体、技能训练与部署，以及持续学习形成的闭环。

喻超：不是替代关系，是互补关系。

传统自动化擅长确定性、重复性、结构化的任务，目前已经形成成熟自动化体系的场景，没有必要为了追求智能重新做一遍。

产业具身适合解决变化更多、任务更复杂、人工依赖更高，或者传统自动化改造成本较高的环节。比如我们目前探索的料箱搬运、拆码垛、螺丝锁付等任务，机器人需要先理解环境和物料状态，再决定怎么接近、怎么抓取、怎么操作，而不是完全依赖固定轨迹。以MOS这类轮臂式机器人为例，它不是简单替代一台机械臂，而是把移动、感知、双臂操作和任务执行结合起来，让机器人能够在不同工作区域之间移动，面对一定程度的现场变化。

产业具身的目标不是把工厂里的自动化设备全部换掉，而是让机器人进入传统自动化覆盖不到或者柔性改造成本较高的任务环节，以及实现一机多能，胜任工厂场景下的多种任务。

喻超：我们通常会从五个方面看：第一，任务是不是有真实价值；第二，传统自动化为什么解决不了，或者解决成本是不是过高；第三，机器人今天的技术成熟度能不能满足任务要求；第四，任务是不是具备一定的复用和扩展空间；第五，最终ROI是不是成立。

我并不认为“机器人能做”就等于“应该部署”。真正值得部署是机器人能力、任务价值和商业账同时成立的时候。

喻超：我不会简单按照“用了AI”或者“进了工厂”来划分。产业具身的核心不是机器人有没有进入工厂，是它进入工厂之后以什么方式工作。

如果机器人是在高度确定的环境里执行预先编好的固定流程，它就属于传统自动化体系，即使里面用了AI。如果机器人能够理解真实环境、根据任务进行判断和操作，面对一定变化时能够调整策略，并且能够通过真实任务数据持续优化自己的能力，它就开始具备产业具身的特征。

最终判断一家公司是不是在做产业具身，不应该看它给机器人贴了什么标签，应该看它有没有让机器人真正获得在真实世界里持续完成任务、学习和进化的能力。

喻超：真正进入产业之后，客户不会只问你机器人有多少自由度，而会问，能不能稳定完成任务？生产节拍能不能达到要求？能不能连续工作？换一种物料还能不能做？出现异常能不能恢复？部署需要多久？最终ROI 怎么样？

具身智能的下半场，将从本体转向任务闭环竞争。本体固然依旧重要，但它仅仅是整个产业系统中的一部分。

真正决定产业价值的，是数据获取效率、模型泛化能力、通用硬件成本与产业交付效率这四个核心要素共同作用的结果。

喻超：不是。我认为未来真正高效的具身智能训练，一定是多源数据协同，而不是只依赖某一种数据。

真实世界数据最重要，是因为机器人最终面对的是物理世界。抓取、接触、施力、物体状态变化、失败和恢复，这些经验很难完全从数字世界获得。仿真数据的价值也非常明确，它可以低成本、大规模地产生数据，尤其适合覆盖真实世界中难以采集的长尾情况，帮助模型学习一些基础规律。视频数据同样有价值，它能提供大量人类行为和环境变化的信息，对理解任务、学习动作先验都有帮助。

我们不会把它们割裂开来。更合理的方式是，仿真数据提供规模，视频数据提供先验，真实世界数据提供物理真实性和任务反馈。

最终关还是要看这些数据能不能进入模型和技能体系，能不能真正提高机器人的任务成功率。真正难的从来不是采集多少小时，而是如何更高效地获得能够提升任务成功率的数据。所以我们现在强调的不是“数据量”，而是“有效数据量”。

喻超：NexCore 是一套让机器人持续学习和获得新技能的系统，之所以叫进化引擎，是因为它解决的不是一次性的机器人控制，而是机器人能力如何持续产生、验证、部署和迭代的问题。

从这个角度看，我认为两者解决的问题并不一样。传统机器人操作系统关注的是怎么让机器人运行起来，包括设备管理、运动控制、传感器、通信、任务调度等。

NexCore更往上一层，它关注的是机器人怎么获得新的任务能力，我们建立了一套可以重复生产、验证、部署和迭代机器人技能的工业化流程。机器人不是买回来之后能力就固定了，而是能够在真实任务中持续获得新的技能。

最终两者一定需要连接起来，因为一个技能只有真正部署到机器人上、进入真实任务，才有产业价值。

喻超：一个技能首先从任务定义开始。明确机器人要解决什么问题之后，可以接入真实数据、仿真数据、视频等多种数据来源；然后进入自动训练和参数优化，形成候选技能；之后通过多维评测，判断技能在不同工况下是否达到要求，合格之后才能部署。部署进入真实环境后，运行数据会继续回流，帮助技能进一步优化。如果涉及不同机器人本体，还需要解决本体适配、动作映射、控制接口等问题。

NexCore目标是规模化生产技能，不是批量生成一些Demo。

喻超：标准很简单，这些技能真正覆盖了多少真实任务、部署到多少机器人，以及最终创造了多少产业价值。

我们不应该单一追求技能数量，而是应该关注技能生产效率和技能的复用价值。

喻超：不是简单替代工程师，是希望让工程师从大量重复性的开发和调试工作中释放出来，把机器人技能开发逐步变成更加标准化、自动化的过程。

喻超：Ego Vue、Station Lite 等解决的是不同形式的数据和任务获取；数据管线负责把这些数据进行组织和流转；Prime R0 等模型负责把数据转化成具身智能能力；NexCore 则把任务、数据、模型、技能、评测和机器人部署连接起来。

NexCore 不是把这些产品简单装在一起，是把它们组织成一个技能生产和进化的闭环。

喻超：鹿明的第一个重要客户，正是看中了我们全链条交付能力。三菱电机的国内工厂，向鹿明开放了搬运、质检、螺丝锁付等生产场景，最终目标是整条流水线的具身智能化。

机器人进工厂并不是装上就能用，它需要一个训练的过程。最初产品交付时，任务成功率并不高；经过一段时间，团队把成功率做到了99%。之后客户对速度提出了进一步要求，希望机器人作业节拍提升到与人工基本相当的水平，也正是依托 NexCore 体系，才得以快速实现。最近，三菱电机也向鹿明追加了新场景的订单。

这个案例对我们最大的意义在于，它验证了闭环是真实运转的，从数据回流到技能优化，再到满足客户新的要求，整个进化的过程不是停留在演示里，而是在客户的产线上发生了。

喻超：短期来看，鹿明自己的机器人和项目会是NexCore 最重要的验证场景。

长期来看，我们希望它成为面向更多机器人和更多行业的基础设施，尽可能降低制造业、文娱、科教、服务等行业进行机器人技能开发和部署的难度。

喻超：我们不会把自己理解成一家单纯卖机器人的公司，也不会把自己理解成一家单纯卖软件的公司。

我们真正希望建立的是“机器人+ 智能 + 技能 + 产业场景”的完整产品体系。在一些需要完整交付的场景，我们可以提供AI Worker 和配套的智能系统；在其他场景，也可以通过 NexCore 帮助不同机器人获得技能。

商业化最终还是要回到客户价值，机器人能解决什么任务、创造多少价值，以及部署成本是否足够低。

喻超：我认为最需要被打破的一个共识是，机器人越像人就越接近通用具身智能。

形态通用不等于任务通用，运动能力强也不等于产业价值高。如果一个机器人可以完成一个非常复杂、非常有价值的工业任务，即使它不是人形，它依然是具身智能领域非常有价值的产品。

所以我们更强调，任务决定能力，任务决定形态。先找到值得解决的问题，再决定机器人应该长什么样。（本文首发钛媒体APP，文 | 智客Zhiker，作者｜郭虹妘，编辑｜杨琳）