清華92后，融資數億

一年五輪融資、金額數億元，具身智能跑出一只潛力獨角獸：鹿明機器人。

去年12 月，它連拿兩輪錢，融了幾個億；去年上半年，它連融了三輪，近2億元。

為啥資本瘋搶？核心之一是它研發的FastUMI Pro軟硬件系統。

簡單說就是“不用機器人本體，也能采數據”的方法，2025年下半年，海外的兩家明星具身智能公司，Generalist的新模型Gen 0，以及Sunday Robotics，都采用了UMI。

這種技術使得原來人控制機器遙操作采一條數據要50秒，現在10秒就搞定，成本直接砍了80%，鹿明還搞8道工業級檢查，以前行業里70%的數據能用，現在95%以上都是好數據。

它的核心本事是“泛化”：一套數據，幾十種機器人都能用，打破數據孤島，讓所有機器人都能 “互通有無”！鹿明機器人的崛起，其實在說一個簡單道理：具身智能要落地，先搞定數據。

鹿明機器人由前追覓科技人形機器人業務負責人喻超創立，喻超畢業于清華大學，自2016年起便深耕機器人學習算法領域。聯席CTO丁琰為紐約州立大學人工智能博士、前上海AI lab明星研究員。

從2024年 9月成立，到破解行業數據難題，2026 年他們的目標是百萬小時具身真機數據產能，建成全球最大的具身真機數據集。據稱，全球具身智能圈內，有超過三分之二的頂尖團隊，都在使用FastUMI Pro，這一系統已經成為行業內驗證和開發UMI能力的標配裝備。

也正因如此，鹿明機器人與智元機器人、銀河通用、它石智航一起，被并稱為“具身數據四小龍”。

最近，鉛筆道同多家媒體一起，與喻超、丁琰就機器人數據、商業機會等話題交流，以下是對話精華。

鉛筆道：是什么讓你下定決心出來創業？

喻超：2024年，我看到了大模型技術在NLP領域的突破，我相信Scaling Law在具身智能領域也是成立的，通用智能與機器人相結合的拐點已經到來。

而且我看到了行業存在很多待解的痛點，比如基礎設施不夠完善，無法支撐具身智能在場景里規模化落地，現在正是構建行業基礎設施、建立數據標準的最佳時機。

鉛筆道：創業以來都做了哪些事情？

喻超：基于我對于行業的認知，提出了“鹿明指數”。鹿明指數=場景價值 / (數據成本 × 硬件成本)。

在具身智能領域，真正拉開差距的，是落地成本。數據成本和硬件成本越低，場景價值越大。

基于這個判斷，我們也形成了一個更清晰的共識：基礎設施是否成熟，決定了場景能不能穩定落地；硬件本體是否可靠、貼合場景，決定了能不能長期使用；數據是否高質量、低成本、可規模復制，決定了模型能不能在不同場景中“舉一反三”。

這也是為什么，我們并不只盯著某一個環節做優化。鹿明指數真正想解決的，不是“單點領先”，而是整體效率。它指導我們系統性地搭建從硬件、數據到模型的完整能力。

一個具體的例子是，我們自主研發了 FastUMI Pro 數據采集系統。通過這套系統，真機數據的采集效率提升了 5 倍，成本降低了 80%。構建起從硬件、數據到模型的全棧能力閉環。

鉛筆道：怎么看待數據、模型、硬件之間的關系？

丁琰：數據質量首先取決于數據采集硬件。采集硬件好不好，決定了數據質量高低，而數據質量又決定了模型能力的上限。如果數據質量不好，模型不可能訓練好。

然后是硬件。當數據與模型完成適配后，最終要部署到硬件本體上，如果本體性能跟不上，模型的效果也很難完全發揮出來。

這三者是相互影響的關系。也正因為這樣，我們最近會發布一款“為 UMI量身打造”的輕量級機械臂，希望它能最大程度發揮數據和模型的能力，把整體性能推到一個比較極致的狀態。

鉛筆道：你們既賣設備，也圍繞數據。你們真正的核心競爭力是什么？為什么客戶會選擇你們，而不只是買一個“本體硬件”？

丁琰：在具身智能行業，如果模型訓不出來，那一切都沒有意義。

硬件不是一個孤立的東西。傳感器選型、數據處理方式、數據如何被模型使用，這些是一個有機整體。我們賣的并不是一個“夾爪”，而是一整套如何為模型提供高質量物理訓練數據的解決方案。

用 3D 打印也能做出一個外形類似的東西，但關鍵不在“像不像”，而在于——它采的數據，能不能真正訓練出模型。

我們從市場得到的反饋是，用我們的設備采集到的數據，是少有的能真正能把模型訓出來的。

鉛筆道：你們和同行的差異具體體現在哪？

丁琰：經過長時間的探索，我們反復驗證了一件事：數據采集硬件和模型訓練經驗是分不開的。

如果完全不做模型，對訓練沒有感知，就直接去做硬件，那這個硬件基本是“廢的”。

即便外觀、傳感器參數看起來一樣，但里面的東西完全不一樣。

舉一個具體的例子：鏡頭選型。我們用了高性能的運動級魚眼鏡頭，是因為在高速運動采集時，普通魚眼會糊、會失真。

而且還有一個細節——動態恢復能力。比如你把手擋住鏡頭，再松開，普通鏡頭可能要 3-4 秒才能恢復，我們的可以瞬間恢復。

對不做算法的人來說，這是小細節；但對做模型的人來說，這決定了任務是 0，還是 100，中間沒有“差不多”。

所以我們在硬件上投入了大量成本，因為不這么做，模型就訓不出來。我們的目標始終是提供能夠用于訓練模型的高質量數據，而FastUMI Pro是支持具身智能規模化的關鍵基礎設施。

此外，我們提供的不僅是數據采集設備、高質量數據集，更有行業解決方案以及聯合模型訓練的全棧服務，我們構建了一個完善的UMI數據生態體系。我們是一個以數據為紐帶，連接硬件、算法、場景和合作伙伴的生態平臺。

鉛筆道：你們的技術，為什么能做到“不挑機器人的身體”？

丁琰：我舉個比較直觀的例子。我們在數據采集時，會用到兩類設備：一種是手持設備，一種是機載設備。

手持設備本質上是一個夾爪，上面裝了攝像頭，用來記錄夾爪的外觀和操作過程。在部署的時候，只要機器人夾爪的外觀與攝像頭參數和手持設備一致，無論所搭配的機械臂類型如何，采集到的數據都可以相互共用，這就實現了物理層面的本體泛化。

泛化能力本質上是一個“見過多少世界”的問題。過去的問題在于，數據采集慢、成本高、質量不穩定，一個小時可能只能采三五條數據。但現在這種方式，數據規模可以快速做上去，而且質量是可控的。

鉛筆道：機器人在工廠的哪些環節，已經能比較明顯地提升效率？

丁琰：整體來看，工廠里的任務大概可以分成三大類，難度是逐級上升的。

第一類是最簡單的，比如規則相對明確的pick&place，不涉及力控。這一類場景是最好落地的。我們之前在合作中，大概有30%的場景屬于這一類。

第二類是對力控和穩定性要求更高的任務，比如疊紙盒、包裝，這類任務需要有力反饋，難度就上升了一檔，這一類也大概占30%。

第三類是既需要力控，又需要精度，比如插線束、做PCB相關操作，典型的 3C 場景。這類任務難度最高，對系統要求也最復雜。

這種分層的意義在于，讓系統在真實產線中逐級驗證可靠性。

鉛筆道：你們的UMI 數據采集方法，資金門檻相對較低，很多中小公司、初創公司都會優先選擇它。那對資金充裕的大廠來說，它會不會成為一種“操作數據”的平替方案？

丁琰：對中小公司來說，UMI 是一個非常好的起點，能夠以低成本獲得大規模的高質量真機數據；對大公司來說，隨著模型規模擴大，對數據量的需求達到海量級別，遙操作數據的成本過高，從產業角度看，它本質上是一個效率更高的數據解決方案，會推動整個產業分工發生變化。

鉛筆道：在數據采集過程中，最難的是哪一環？

丁琰：數據質量管理。數據必須做即時評估，才能保證數據質量可控。

這也是為什么我們在數據評估和管理體系上投入了這么多精力。我們將“可復現”作為數據治理的第一性原理，建立了8道工業級數據質量評估體系，只交付100%可復現的數據。

不同類型的客戶會給我們提出不同的標準，在給客戶交付數據的時候，我們的數據質量不僅全都符合這些標準，甚至還遠高于客戶的標準。