一组数据对比正在揭示具身智能行业从实验室走向产业化的落差：实验室环境下89％的任务成功率，在真实产线中降至12％。鹿明机器人创始人喻超近日在接受采访时指出，行业陷入的数据竞赛——数据集规模、仿真时长、视频扒取量——并不足以解决机器人在工厂稳定作业的核心问题。这家成立于2024年的公司提出“产业具身”路径，并发布NexCore进化引擎，试图打通从数据采集到技能部署的完整闭环。
喻超从2016年开始从事机器人研发，经历过算法、四足、人形、整机研发和产品量产等阶段。他认为，机器人真正的难点不在于制造本体，而在于让其在真实环境中持续完成任务。“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。”喻超表示，“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。”
鹿明机器人将“产业具身”定义为以真实产业任务为起点，让机器人在真实环境中获取数据，通过模型形成技能，进入生产环境执行，再将任务结果反馈至系统，形成持续进化的闭环。其核心要素包括真实产业场景、真实世界数据、具身智能模型、机器人本体、技能训练与部署，以及持续学习机制。喻超强调，产业具身不是对传统自动化的替代，而是互补关系。传统自动化适合确定性、重复性、结构化任务，产业具身则面向变化更多、任务更复杂、人工依赖更高的环节，如料箱搬运、拆码垛、螺丝锁付等。
据鹿明机器人披露，在三菱电机的工厂中，搭载NexCore的MOS 2轮臂式机器人在多个任务中实现99％的成功率，作业节拍达到人工水平，客户已追加新场景订单。NexCore被定位为一套让机器人持续学习和获得新技能的系统，区别于传统机器人操作系统。传统操作系统解决的是设备管理、运动控制、传感器、通信、任务调度等基础运行问题，NexCore则关注机器人如何获得新的任务能力，建立可重复生产、验证、部署和迭代技能的工业化流程。
喻超认为，行业竞争正从本体制造转向任务闭环。客户关注的不再是机器人自由度等参数，而是能否稳定完成任务、生产节拍是否达标、能否连续工作、更换物料后是否仍可运行、异常能否恢复、部署周期以及投资回报率。他提出，产业价值的决定因素包括数据获取效率、模型泛化能力、通用硬件成本与产业交付效率四个核心要素。
在数据策略上，鹿明机器人主张多源数据协同，而非依赖单一数据源。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。喻超强调，行业应关注“有效数据量”而非单纯的数据采集时长，关键在于数据能否进入模型和技能体系，并真正提高任务成功率。对于任务是否值得部署机器人，鹿明机器人从五个维度评估：任务真实价值、传统自动化无法解决或成本过高的原因、当前技术成熟度、任务复用与扩展空间、最终ROI是否成立。
产业具身概念下，机器人的判断标准并非是否进入工厂或是否使用AI，而是其在工厂中的工作方式。在高度确定环境中执行预编固定流程的机器人仍属于传统自动化体系；能够理解环境、根据任务判断操作、面对变化调整策略，并通过真实任务数据持续优化能力的机器人，才具备产业具身特征。鹿明机器人的NexCore进化引擎正是围绕这一逻辑构建，其技能训练流程涵盖任务定义、数据采集、模型训练、技能验证、部署执行和持续优化等环节，旨在让机器人在真实任务中持续获得新能力。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
