具身智能规模化落地的解法，鹿明摸索出来了

鹿明发布NexCore，要把具身落地的全套系统打通。

作者丨向 欣

编辑丨董子博

今年具身智能行业的热度，用「烈火烹油」来形容毫不为过。融资一笔接一笔，模型榜单隔三差五刷新。但如果剥开这些热闹去看一个最朴素的指标：有多少机器人在产线上持续运行？答案屈指可数。

不少产业方透露，大量所谓的「落地」，还停留在友情合作的 POC 阶段，视频拍得漂亮，产线上是另一回事。机器人进得了厂，却站不住脚。

这是一个值得深思的悖论：技术进步的速度肉眼可见，但距离真实生产力输出的鸿沟似乎并没有缩短。今年各家本体的硬件参数越来越接近，同质化趋势已经显现。接下来真正的竞争，在于能否找到愿意买单的场景客户，而怎样的能力让客户买单，正是整个行业必须回答的核心命题。

要回答这个命题，需要拆解三个层次的问题：什么样的机器人才能进入产业？机器人如何持续获得适应产业变化的技能？这些技能如何被规模化复制？

这三个问题，恰好对应着具身智能落地的三重困境：进入场景难、技能进化难、规模化铺开难。鹿明摸索出的这套解法，落在一个叫 NexCore 的平台上。

01

机器人进场景，需要职业技能

行业热衷于发机器人跳舞、起身、搬运的视频，但产线上的任务和视频里的表演完全是两回事。

最典型的例子是 Figure AI。外界看到的是「参与生产 3 万辆 BMW X3」的战绩，一片叫好。但业内人士透露，实际情况是Figure 机器人在产线上的抓取-放置成功率非常低，还不到 50%。

视频中展现的工作场景也是为机器人量身定制的。工件被整齐挂在特制料架上，省去了在真实料框中随机抓取的复杂度。这谈不上真正的落地，是为机器人定制的舞台。

Figure 折射出具身行业的一个普遍现状：为了融资宣传，许多公司投入大量精力做 demo，技术实力不容否认，但真正用于产线落地的精力被稀释了。大量“落地”项目，做的还是相对单一且标准化的任务，高价值的柔性任务非常难完成。

demo 与落地之间的鸿沟，根源之一在于场景不够真实。而真实场景最大的难点，在于高度碎片化。不同产业需要的能力截然不同：

• 工业制造关注精准操作、稳定性和复杂任务适应；

• 科研教育关注快速训练和实验验证；

• 商业、文娱服务关注交互和场景适应。

即便在同一个产业内，也有多个场景、多道工序，需求各不相同。没有一家公司能靠一套通用本体和能力覆盖所有场景。

行业似乎过早把「通用」当成了目标。大家都希望一套方案适用于所有场景，但产业需求本身就是高度异构的。李飞飞曾指出，扎堆人形机器人未必是具身智能正确的落地路线，人类躯体结构只是适配人体环境，机器人并不需要复刻人的外形。

例如，在工业场景中，很多环境是为重型设备设计的，地面平坦、通道宽敞，带轮子的机器人可能比双足更合适。

在场景落地开发商陈鸿看来，目前行业大量的「通用本体」也造成了一种溢价，没有针对场景需求降本，本体价格就非常昂贵，经过算法调试、现场部署等环节，到了产业端价格已涨到八九十万，而工厂能接受的价格最多三四十万。

鹿明机器人创始人兼 CEO 喻超也认为，不要用机器人表演定义产业进步，先找到真实场景需求，再反向定义机器人能力。

同样，由于场景中各种工作任务的高度多样化，也不存在一套固定技能适用于所有机器人，最终仍需定向开发。类比人类到了新岗位也要学习、适应。

未来机器人需要的，是符合场景需求的本体，加上一套类似「职业技能」的能力体系。

因此，越来越多企业开始把关注点转向构建可复用的技能体系，提出「原子技能」概念。

鹿明则站在更大的视角上，提出「产业具身」的概念，指的是围绕真实产业需求，将场景、数据、模型和执行系统深度结合，形成一套让机器人持续获得和进化技能的基础设施。

在这套理念下，鹿明推出了NexCore。这是一个能将模型封装为机器人技能的平台，连接数据采集、数据治理、模型训练、技能生成、能力评测、机器人部署和运行反馈，构建从「数据」到「技能」的完整闭环。

鹿明与三菱电机的合作是一个佐证。双方起步于 PLC 质检，逐步拓展至推料箱、打螺丝、搬运等任务。三菱最初是鹿明的客户，后来成为投资人。一次性的 POC 展示走不到这一步，身份转变背后，是持续交付能力建立起来的信任。

机器人进入场景难的一大矛盾是：具身智能公司还在用造一个通用产品卖给所有人的思维做产业，但产业端的真实需求是高度分化的。能够把场景需求翻译成机器人技能的公司，会更快打开场景落地与商业闭环的大门。

02

机器人真正的成长，发生在真实任务里

进入场景只是第一关，机器人进厂之后，还面临一个更棘手的问题：学到的技能很多时候都是一次性的，很难持续进化，算不上真正的「技能」。

真正需要具身机器人的工厂，是产线变化频繁、自动化难以覆盖的场景。能标准化的产线早已被传统自动化吃掉，留给机器人的都是难啃的骨头，对适应、进化能力要求最高。

产线变动是常态，今天做 A 产品，明天切换 B 产品，工序、来料、节拍全在变。每次变动都需要工程师飞去现场重新调试，机器人不会自己适应变化，更不会从错误中学习。

背后的核心问题是数据。

首先是真实交互数据极度匮乏。加州伯克利教授 Sergey Levine 认为，真实世界数据成本过高，是从实验室走向商用的最大阻碍。

真实交互数据包含成功轨迹、失败尝试、异常恢复过程以及力觉、触觉、视觉等物理反馈，它提供了仿真数据和互联网数据无法提供的核心信息：真实的物理反馈和试错经验。

仿真数据再逼真，也无法完全还原真实世界的物理规律和随机扰动；互联网数据大多是「看」到的而非「做」出来的；遥操作数据虽然来自真实环境，但采集成本极高、难以规模化。

其次是数据孤岛与技能迭代的矛盾。工业场景机器人在真实产线上产生的交互数据、失败记录，恰恰是技能迭代最宝贵的燃料，却被锁在工厂内部，无法回流到模型训练环节。

结果是，机器人部署再多、运行再久，技能模型始终停留在出厂时初次部署的水平。没有新数据喂养，模型不会自我修正，遇到新的异常只能原地报错等待人工干预。

加州伯克利教授 Ken Goldberg 给出的方向值得借鉴：拒绝一步到位的通用人形机器人，优先打造可以上岗盈利的机器人，投放到工厂、仓储、门店，依靠真实工作场景持续采集闭环数据迭代模型。

具身智能真正有价值的入口，除了模型之外，还有场景、数据和渠道。机器人需要持续参与真实生产，才能获得别人复制不了的数据、任务经验和客户关系，这些同样是具身智能长期的竞争壁垒。

喻超的判断与这个方向高度一致。他认为，具身智能真正的 Scaling Law 发生在「任务经验」上，未来有价值的，是机器人完成数万个真实任务后积累的任务数据、技能模型和失败经验。

在数据理念上，喻超主张从「小时数」走向「有效数据量」：关键看是否覆盖任务分布、是否包含失败和恢复、是否可跨机器人迁移、是否真正提升模型成功率，单纯追求数据量没有意义。

对应到产品层面，NexCore 将来自真实场景的人机交互和机器人运行数据转化为结构化数据资产，并生成可复用技能，让每次真实执行都成为技能迭代的燃料。

同时，NexCore支持定向回流数据，推动技能持续进化。为了破解“进化孤岛”问题，鹿明选择了「授之以渔」，支持本地部署，兼容鹿明生态与非鹿明生态的机器人，把工具交给工厂，让工厂自己创造专属技能。

同时，评测体系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。

未来具身智能的竞争，模型只是一方面，真正的胜负手在于谁能更快积累真实任务经验，并把经验持续转化为技能。还在用「堆数据、训模型」的实验室思维做产业的公司终会发现，堆再多的数据，如果无法转化为可迭代的技能，产业落地就永远停留在实验室水平。

03

让机器人开发，

从少数人变成整个行业

即便机器人已经具备技能，也能持续进化，如果技能仍然只能由机器人公司自己开发，开发能力仍然掌握在极少数团队手里，产业规模依然起不来。

当下行业最普遍的交付模式是项目制：机器人公司派人去现场看需求、采集数据、开发算法、调试验收，项目结束走人。下一家工厂，即使需求类似，也可能从头来过。经验存在，但存在于工程师脑子里，沉淀成公司的工程经验，算不上行业可复用的能力资产。

这就像一个建筑公司每次盖房子都重新画图纸，缺少成熟模块可以快速组合。

数据孤岛也是这种低效重复的根本原因之一。A 厂的经验带不到 B 厂，B 厂的数据也流不进 A 厂，每家工厂都在重复采集、重复训练，机器人很难形成跨时间积累的「任务履历」，行业整体的学习速度被不断拉低。

行业真正缺的，是一套把成功经验规模化复制的机制，让更多参与者能开发技能，打破对单一公司项目交付的依赖。这正是目前最被低估的结构性问题。

生态层面同样受阻。具身公司的中腰部客户基本都通过 ISV 交付，但本体厂商普遍不愿意开放样机和 SDK，缺乏生态思维。开发者很难参与技能开发，生态自然难以形成。

系统集成商陈鸿发现，几乎所有具身公司都不愿外借或租赁样机，甚至暗示他购买几十万一台的人形机器人，而一个二开项目的报酬通常只有十万元。不提供样机支持、研发费用支持，合作伙伴很难活下去。

传统工具也遇到了天花板。ROS 是机器人端侧的软件框架，覆盖不了数据治理、模型训练、模型评测、机器人调度和运营的完整闭环。

具身行业的本体硬件呈现线性迭代趋势，上限已比较可见。喻超判断：具身智能的下半场，竞争焦点将转向任务闭环——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的全面竞争。

解法的方向已经相对清晰：行业扩张的速度，很大程度上取决于技能开发与部署的效率。提升效率的第一步，是把数据采集、训练、评测、调度运营串成一套标准工具链。

更重要的是开放，这套工具链需要人人可用，使得整个行业具备训练机器人的能力。无论是高校、开发者、企业工程团队，都可以基于自身需求创造专属技能。

NexCore充当的就是具身开发平台的角色。其背后是鹿明已经成型的全栈技术布局：

• Ego Vue、Station Lite等设备解决的是不同形式的技能采集和任务获取能力；

• 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。

喻超将 NexCore 的定位描述为「具身智能时代的云平台」。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，鹿明希望它成为面向更多机器人和更多行业的基础设施，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。

在喻超看来，产业具身最终要回答的仍然是价值问题。如果机器人能够持续创造收益，而不是一次性完成任务，那么其价值就不再来自硬件本身，而来自不断增长的软件能力和技能资产。

而要把这种价值兑现，终究要回到产业现场。NexCore 就是鹿明为这件事造的工具。

具身智能的行业叙事正在改写。机器人跳舞的姿态已经不再让人兴奋，真正有分量的是机器人能进厂、能留下、能变强。这或许不是一个更性感的故事，但可能是一个更踏实的故事。

未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！

公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。