Related articles
图片来源：网络
在具身智能的激进演进中，行业正迅速撞上一面无形的墙：数据荒。
如果说 2025 年是具身智能的 「硬件元年」，那么 2026 年则是彻底的 「数据决战」。从 OpenAI 支持的模型演进路径看，数据需求正呈指数级爆发。从 Pi0 的 1 万小时训练，到 Gen-0 的 27 万小时。业内普遍预判，2026 年头部具身大模型所需的真机训练数据将达到百万小时级别。
然而，现实是数据获取低效且昂贵 。传统的遥操作方式不仅每小时成本高达数百美金，且充斥着大量无法复现、传感器不同步的 「废数据」 。在 Scaling Law 的物理战场上，谁能率先规模化地开采出高纯度的 「物理石油」，谁就拥有了定义下一代通用机器人标准的话语权 。
鹿明机器人 （LUMOS） 占据了一个独特的生态位，不做单纯的整机商，要做具身智能时代的 「超级数据工厂」 。这家成立仅一年的公司，不仅要做 「卖水人」，还要「定义水的标准」。
这份自信源于团队的硬核背景。创始人喻超毕业于清华大学，自 2016 年起从事机器人学习算法领域研究，曾主导构建追觅科技具身机器人业务，并参与开发了小米 CyberDog 等多款消费级机器人产品。CTO 曹俊亮是上海交通大学机械工程博士，曾深度参与过多款性能优异的具身机器人产品的研发工作。联席 CTO 丁琰为纽约州立大学人工智能博士、前上海 AI lab 明星研究员，是一支拥有深厚产业经验和技术积累的团队。
2025 年 12 月，鹿明机器人宣布完成 Pre-A1、Pre-A2 两轮融资，金额数亿元，投资方包括鼎晖投资，南京创投、金景资本、金固股份、申能诚毅等知名投资机构。
「量产老兵」 基因，让喻超对 「不能落地的实验室技术」 有着天然警惕 。喻超提出了一个 「鹿明指数」：场景价值 / (数据成本 × 硬件成本)，试图用工业逻辑拆解 AI 的高昂成本 。
鹿明研发的 FastUMI Pro 系统，将单条数据采集从 50 秒缩短至 10 秒，效率提升 5 倍，综合成本砍掉 80% 。通过独创的 8 道工业级数据质量评估体系，鹿明将数据有效率从行业普遍的 70% 提升至 95% 以上。其野心在于 「去耦合」，让一套数据适配数十种机械臂，打破数据孤岛，让机器人说同一种 「语言」 。
这是一个从 「工具」 到 「平台」，再到 「生态」 的精密布局。
对于 2026 年，鹿明设定了一个惊人的目标：建立 100 万小时的 UMI 数据产能。在 AI 领域，数据量的量级跃升往往意味着智能的涌现。如果说 GPT-3 的出现是因为互联网文本数据达到了某个临界点，那么鹿明正在赌的，就是具身智能的 「ChatGPT 时刻」 将在这 100 万小时的数据堆叠中诞生。
以下为创投家与喻超、丁琰的完整对话，略有删减
创投家：为什么在这个节点选择创业？
喻超：我的技术信仰始于 2016 年看到的 Pieter Abbeel（现 OpenAI 首席科学家） 关于神经网络控制机器人的博士后论文。那是全球首次证明人形机器人的控制可以被神经网络范式 （而非复杂的数学建模） 替代。
于是在 2016 年毅然决然加入了一家创业公司，这应该是国内第一家用端到端方式控制人形机器人的公司，我在那边做算法负责人，我们开发出了人形机器人，并且用纯端到端的方式实现了 RL 的行走。2020 年，我加入追觅，从 0 到 1 搭建人形机器人相关业务，带领团队完成了追觅对于小米 cyberdog 项目的量产交付。
2024 年，我选择创业，是因为看到了大模型技术在 NLP 领域的突破，我相信 Scaling Law 在具身智能领域也是成立的，通用智能与机器人相结合的拐点已经到来。
而且看到了行业存在很多待解的痛点，比如基础设施不够完善，无法支撑具身智能在场景里规模化落地，现在正是构建行业基础设施、建立数据标准的最佳时机。
创投家：为什么提出"鹿明指数"来衡量公司价值，这个公式具体是什么?
喻超：场景价值比较好理解，是具身智能在场景里面能实现的规模化价值。为什么要除以数据成本和硬件成本呢？数据成本是通向更好智能性所需要的成本。硬件成本是最终在实际场景里面落地消耗的边际成本。数据成本和硬件成本越低，才能释放出更大的场景价值。
基于这样一个指数定义，我们还有一个观点，基础设施的完善是场景高质量落地的前提。可靠、符合场景要求的硬件本体是具身智能的落地保障，而高质量、低成本、可规模化的数据，是提升模型泛化能力的基础。
基于这个认知，我们一直围绕着本体、场景、数据这样一个飞轮来布局公司业务。「本体」 是场景落地的关键保证，我们在过去也推出了 4 款不同的 「本体」，适应不同场景。场景部分，我们跟三菱、中远海运、德马科技形成了比较深度的战略合作。在场景里面落地的过程中，数据规模化又能带来智能化的提升，这是最关键的点。
刚好 FastUMI Pro 的低成本、高效率数据采集能力，能够撬动这样的循环。这个指数体系指导我们不是单纯追求某一个维度的优化，而是系统性地构建从硬件、数据到模型的全栈能力，最终实现场景价值的最大化。
创投家：详细聊一下FastUMI Pro 系统。
丁琰：FastUMI Pro 是我们从学术界的 FastUMI 升级到工业级的无本体数据采集软硬件系统。我从 2024 年 3 月份就一直从事 UMI 相关研究，是大陆最早做 UMI 的人，没有之一。
我们做了大量工程化和标准化的独创工作。首先是硬件层面，FastUMI Pro 集成了为 UMI 场景定制的高性能传感器，能稳定实现了 60Hz 高频记录，并保障了多模态信息的毫秒级同步，能够满足未来一两年模型推理速度提升的需求。
软件层面，为了实现了数据与本体的完全解耦，能够快速适配市场上数十种不同的机械臂，这意味着鹿明在底层协议和适配算法上做了大量的独创开发，使得 「一套数据，全机通用」。
数据质量管理方面，独创了 8 道工业级数据质量评估体系。这套体系能够从源头过滤掉视觉与位姿未对齐、传感器不同步、轨迹不可复现的 「废数据」，将数据有效率从行业普遍的 70% 提升至 95% 以上。与传统遥操作采集方式相比，FastUMI Pro 通过创新的硬件架构与软件算法，将单条数据采集时间从 50 秒缩短至 10 秒，效率提升 5 倍，同时将综合成本降至传统方法的五分之一。
创投家：现在市面上做具身智能数据采集设备的很多，大家都声称 「低成本、即插即用」 你们和他们的区别是什么？
丁琰：现状非常残酷。设备很多，模型很少。 很多团队买了低成本 UMI 设备，但行业内几乎看不到公开、稳定、可复现的 UMI 模型案例。原因不在训练阶段，而在于大量的 UMI 数据从生成开始就不具备进入训练管线的条件，说白了就是数据不合格。
市面上有一些产品并非系统设计的，而是很多模块 「拼凑」 出来的，这样一来，产品的带宽架构非常脆弱，出现掉帧等一系列问题，导致无法稳定 Replay 交互记录。
创投家：「废数据」 和 「脏数据」 二者有什么区别？
丁琰：这是我们独创的观点。很多人直接找众包团队去采集，觉得 「天然去雕饰」 最好，但这其实是 「废数据」。 举个例子，叠衣服，人类自然的叠衣服动作对于机器人来说往往是无效的，因为机器人需要特定的 「技巧性动作」（比如特定的抖动、铺平轨迹） 才能理解物理特性。没有经过设计的、缺乏 「信息密度」 的自然行为数据，机器人看了也学不会，数据不仅要 「真」，还要 「有教学意义」。
「脏数据」 是指那些包含抖动、漂移、时间错位的数据。在单视角 （Single View） 的 UMI 采集下，这些噪声不会因为数据量的增加而被平滑掉，反而会被放大。 这就好比你给模型喂了大量 「手抖」 的示范，模型最终学出来的策略也是抖动的、不可用的。所以我们强调，数据质量的高低不只是清晰度，而是 「有效的信息密度」 和「物理交互的精确性」。
创投家：你们怎么保证交付的数据 「100% 可用于模型训练」？
丁琰：我们独创了 8 道工业级数据质量评估体系，从硬件设计源头保障数据质量，为模型成功率负责。我们解决了最难的毫秒级同步问题，确保视觉、触觉等多模态信息在 60Hz 的高频下严格对齐，这是物理世界能被 「Replay」（复现） 的物理基础。
创投家：既卖采集设备，又卖数据集，还做机器人本体。你们到底想成为谁？
喻超： 我们的使命是成为全球领先的具身智能定义者和实践者。我们为行业提供数据和硬件的基础设施，联合我们的生态伙伴一起，用数据驱动智能，同时让智能去赋能千行百业，让机器人走进千家万户。
创投家：对于 2026 年，你们设定的核心里程碑是什么？
喻超： 2026 年我们要建成 100 万小时的具身真机数据产能，目标是建成全球最大的具身真机数据集。这是具身智能 Scaling Law 生效的临界点，也是我们作为行业 「数据燃料」 供应商的护城河。
创投家：目前鹿明的目标市场主要在国内吗？海外市场有哪些规划？
喻超： 我们的客户不局限于国内。全球具身智能圈内，有超过三分之二的顶尖团队，正在使用 FastUMI Pro，FastUMI Pro 已经成为行业内验证和开发 UMI 能力的 「标配装备」，我们非常看重海外市场，会持续积极布局。
创投家：作为一家初创公司，进入竞争激烈的具身行业的，你们会感到压力吗？
喻超： 坦率说，压力一直都有。但是只要公司跑得足够快，所有的外部环境变动或竞争都不会成为致命问题。
我们的核心逻辑是抢占时间差。到 2026 年，我们要建立全球最大的 UMI 数据集。这种数据的先发优势和生态位占领，是很难在短时间内被追平的。（作者｜郭虹妘，编辑｜陶天宇）
更多对全球市场、跨国公司和中国经济的深度分析与独家洞察，欢迎访问 Barron's 巴伦中文网官方网站
