的ChatGPT时刻正在到来”，同时直言“脱离真实世界的数据，具身智能终将沦为幻觉”。这一观点迅速引爆全球科学技术产业，释放明确信号：

  行业正告别单一任务编程、依赖真实场景数据却效率低下的旧阶段，全面迈入以物理AI为核心的通用化发展爆发期。事实上，国内资本早已敏锐捕捉到这场产业变革浪潮。2025年下半年，行业完成范式升级，竞争维度从单一本体，升级为“本体+数据”双核驱动，更迈向“数据×模型×本体”协同发力的新阶段。当前，具身智能领域在不同技术阶段与场景约束下，正并行推进四条核心数据路线，且每条路线均已形成清晰技术逻辑与产业落地方向：一是遥控真机路线，依托真实

  执行任务获取数据，场景贴合度与数据真实性无可替代，但研发部署成本居高不下；二是仿真数据路线，凭借算力与仿真引擎生成海量合成数据，拓展性极强，却受限于仿真与现实的域差难题，难以完全适配真实应用；三是人类视频路线，通过采集大规模人类行为视频提取数据，成本与落地门槛最低，却易因场景还原度不足陷入应用误区；四是UMI数据路线，构建无本体依赖的通用化数据协议，打破硬件壁垒实现数据复用，通用性与适配性优势突出。四条路线并行背后，国内具身智能赛道产业格局已初步清晰，

  其中，2024年9月成立的鹿明机器人，是国内布局UMI路线的先行者，率先推动通用化数据协议的场景落地。海量、高质量的真机交互数据，是训练高性能机器人模型的核心基石，而行业长期受困于数据采集成本高、效率低，以及不同机器人本体数据无法互通的“数据孤岛”难题。鹿明机器人精准捕捉这一核心瓶颈，将突破方向锚定数据采集基础设施，其自主研发的FastUMI Pro无本体模仿学习数据采集系统，成为破局关键。

  《科创板日报》记者近日对话鹿明机器人创始人、CEO喻超，及公司联席CTO丁琰。其中，喻超曾任追觅具身机器人(Magic Lab)业务负责人，并首创全球首个空翻电驱动人形机器人

  。而其创立的鹿明机器人，正通过提供从数据采集设备、高质量数据集、行业解决方案到联合模型训练的全栈服务，构建完善的UMI数据生态体系。

  喻超表示，相较传统遥操作采集方式，鹿明FastUMI Pro通过创新硬件架构与软件算法，将单条数据采集时长从50秒压缩至10秒，效率提升5倍，综合成本降至传统方法的五分之一；更关键的是，该系统实现了数据与机器人本体的解耦，可快速适配市面数十种不同机械臂、，有效打破了行业数据孤岛困境。

  《科创板日报》：几年前UMI项目在学术界、产业界都相对冷门，当时为什么选择坚持做这个项目？

  丁琰：2024年3月我们开始启动UMI项目时，全世界内从事该领域的团队寥寥无几，由于技术难度较高，很多团队都中途放弃了，在推进过程中，我们越来越坚信这一个项目的价值和前景，最终取得了一个又一个的阶段性成果。首先就是FastUMI，我们从2024年3月左右开始做这个工作，中了当年的CoRL 2025，将学术界工作带入了工业界。

  另外一个工作是FastUMI 100K。我们团队因此获得了大规模的数据治理经验。

  UMI领域的真正门槛并非设备本身，而在于能否采集到“可训练”的高质量数据。市面上许多UMI设备采集的数据存在视觉与位姿未对齐、

  不同步、轨迹不可复现（replay）等问题，实为无法用于有效训练模型的“废数据”。对此，鹿明首创了“为模型成功率负责”的系统工程范式，从硬件设计源头保障数据质量。

  《科创板日报》：UMI在成本降低方面有哪些表现？其市场定位和市场占有率变化趋势是怎样的？丁琰：UMI在成本控制上优势显著，若不考虑机器人本体成本，其采集效率相比传统数据采集方案提升5倍，成本降低1/5；若计入本体成本，成本降低幅度更大，可达1/100甚至1/200。

  从第一性原理来看，人手的采集效率最高，而UMI的采集效率已达90%，接近人手水平，因此被认为是数据采集的终极解决方案。

  市场占有率方面，过去几年遥操作的市场份额达95%以上；但从2025-2026年开始，UMI方案会迎来爆发式增长。《科创板日报》：遥操作与UMI设备在数据维度上有什么差异？两者的适配算法有何不同？目前公司的客户合作情况如何？

  丁琰：两者的数据维度差异不大，但适配的算法有所区别，遥操作的画面维度稍高，

  数量与现行UMI设备不一样，算法也从关节预测转向末端预测。UMI的适用场景范围较大，可大范围的应用于各类具身智能公司。

  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。

  目前全球具身智能行业内有超过三分之二的团队，正在使用FastUMI Pro，2026年这一比例还会促进提升。《科创板日报》：UMI数据采集工厂的环境设计有什么要求？不同任务的采集环境是不是真的存在差异？

  丁琰：高质量的UMI数据采集依然需要严密的物理空间设计，甚至有着极其严苛的规则限制。如果无限制、无规则地自由发挥，产生的数据一致性将极差，最后导致模型无法收敛。这些关于空间设计的约束和技巧，是我们最核心的竞争力之一。不同任务的数据采集环境存在很明显差异，例如桌面级任务和移动操作任务，会采用不一样的装置和采集规则。我们会制定一套复杂的空间引导规则，通过软硬件结合的方式，确保采集过程既具备现实世界的丰富度，又符合模型训练所需的逻辑一致性。

  《科创板日报》：UMI在产业内的角色定位是怎样的？对于不同规模的企业（中小企业、初创企业、大公司）分别有什么价值？

  喻超：对于中小企业和初创企业而言，UMI因成本较低、数据质量高，是很好的选择；对于大公司来说，随着模型规模扩大，对数据量的需求达到海量级别，遥操作数据的成本过高，此时UMI大概率会成为更高效的解决方案，推动产业分工的升级。

  丁琰：我就是做模型出身的，我们在做的时候就发现——要想训一个非常好的模型，必须要有一个很好的数据管线，包括数据生产、数据评估、数据筛选，建立的过程本身就需要一些时间。因此我们大家都认为，不能上来就训模型，而是要把数据做到最极致。因为模型拼到最后，拼的不是模型架构，而是模型数据的质量，这是一个行业的共识。

  《科创板日报》：公司在数据量累积上有什么目标？目前的产能能否支撑该目标实现？

  喻超：2026年头部模型公司训练数据的规模一定是去年十倍以上的量级，整个具身数据市场相比去年一定是十倍以上的增长。

  《科创板日报》：目前公司面临的数据质量评估标准有哪些？公司的数据质量处于什么水平？

  丁琰：我们将“可复现”作为数据治理的第一性原理，首创8道工业级数据质量评估体系，只交付100%可复现数据。我们陆续收到了很多不一样客户的数据质量评估标准，我们在给客户交付的时候，数据质量不仅符合这些标准，还远超要求。

  比如工信部规定画面分辨率需达到640×640以上、频率30赫兹，帧率稳定性2赫兹；而我们实际的指标分别为1280×1280、60赫兹，帧率稳定性更是达到1赫兹左右，在构建生态和市场推广过程中，这一优势为产品竞争提供了有力支持。

  《科创板日报》：数据与模型的适配、模型与本体的泛化都十分重要，能否具体解释你们是怎么样开展这两项工作的？

  丁琰：这其中的交互比想象中更复杂，核心可分为数据、模型、硬件（本体，非数采硬件）三大板块，同时数采硬件也起到关键作用。

  数采硬件直接决定数据质量，而数据质量又会影响模型的智能上限，若数据质量不佳，模型训练必然难以达到理想效果。当数据与模型完成适配后，还需部署到本体硬件上，若硬件本体性能不足，模型的实际效果也无法充分的发挥。三者之间是相互影响、相互促进的关系。

  这也是我们专门为UMI研发专属机械臂的原因。我们即将发布一款最适配UMI数据的轻量型机械臂，希望能够通过算法与硬件的深度耦合，

  《科创板日报》：之前了解到你们的技术路径在本体泛化性上表现突出，具体是怎么来实现的？

  丁琰：以夹爪采集设备为例，我们的采集设备分为手持设备和机载设备。像宣传片中展示的那样，手持设备的夹爪上配备了摄像头，会记录夹爪的外观画面，同时还可搭载其他

  在实际部署时，只要机器人夹爪的外观与摄像头参数和手持设备一致，无论所搭配的机械臂类型如何，采集到的数据都可以相互共用，这就实现了物理层面的本体泛化。