清华92后，融资数亿

一年五轮融资、金额数亿元，具身智能跑出一只潜力独角兽：鹿明机器人。

去年12 月，它连拿两轮钱，融了几个亿；去年上半年，它连融了三轮，近2亿元。

为啥资本疯抢？核心之一是它研发的FastUMI Pro软硬件系统。

简单说就是“不用机器人本体，也能采数据”的方法，2025年下半年，海外的两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。

这种技术使得原来人控制机器遥操作采一条数据要50秒，现在10秒就搞定，成本直接砍了80%，鹿明还搞8道工业级检查，以前行业里70%的数据能用，现在95%以上都是好数据。

它的核心本事是“泛化”：一套数据，几十种机器人都能用，打破数据孤岛，让所有机器人都能 “互通有无”！鹿明机器人的崛起，其实在说一个简单道理：具身智能要落地，先搞定数据。

鹿明机器人由前追觅科技人形机器人业务负责人喻超创立，喻超毕业于清华大学，自2016年起便深耕机器人学习算法领域。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。

从2024年 9月成立，到破解行业数据难题，2026 年他们的目标是百万小时具身真机数据产能，建成全球最大的具身真机数据集。据称，全球具身智能圈内，有超过三分之二的顶尖团队，都在使用FastUMI Pro，这一系统已经成为行业内验证和开发UMI能力的标配装备。

也正因如此，鹿明机器人与智元机器人、银河通用、它石智航一起，被并称为“具身数据四小龙”。

最近，铅笔道同多家媒体一起，与喻超、丁琰就机器人数据、商业机会等话题交流，以下是对话精华。

铅笔道：是什么让你下定决心出来创业？

喻超：2024年，我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。

而且我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。

铅笔道：创业以来都做了哪些事情？

喻超：基于我对于行业的认知，提出了“鹿明指数”。鹿明指数=场景价值 / (数据成本 × 硬件成本)。

在具身智能领域，真正拉开差距的，是落地成本。数据成本和硬件成本越低，场景价值越大。

基于这个判断，我们也形成了一个更清晰的共识：基础设施是否成熟，决定了场景能不能稳定落地；硬件本体是否可靠、贴合场景，决定了能不能长期使用；数据是否高质量、低成本、可规模复制，决定了模型能不能在不同场景中“举一反三”。

这也是为什么，我们并不只盯着某一个环节做优化。鹿明指数真正想解决的，不是“单点领先”，而是整体效率。它指导我们系统性地搭建从硬件、数据到模型的完整能力。

一个具体的例子是，我们自主研发了 FastUMI Pro 数据采集系统。通过这套系统，真机数据的采集效率提升了 5 倍，成本降低了 80%。构建起从硬件、数据到模型的全栈能力闭环。

铅笔道：怎么看待数据、模型、硬件之间的关系？

丁琰：数据质量首先取决于数据采集硬件。采集硬件好不好，决定了数据质量高低，而数据质量又决定了模型能力的上限。如果数据质量不好，模型不可能训练好。

然后是硬件。当数据与模型完成适配后，最终要部署到硬件本体上，如果本体性能跟不上，模型的效果也很难完全发挥出来。

这三者是相互影响的关系。也正因为这样，我们最近会发布一款“为 UMI量身打造”的轻量级机械臂，希望它能最大程度发挥数据和模型的能力，把整体性能推到一个比较极致的状态。

铅笔道：你们既卖设备，也围绕数据。你们真正的核心竞争力是什么？为什么客户会选择你们，而不只是买一个“本体硬件”？

丁琰：在具身智能行业，如果模型训不出来，那一切都没有意义。

硬件不是一个孤立的东西。传感器选型、数据处理方式、数据如何被模型使用，这些是一个有机整体。我们卖的并不是一个“夹爪”，而是一整套如何为模型提供高质量物理训练数据的解决方案。

用 3D 打印也能做出一个外形类似的东西，但关键不在“像不像”，而在于——它采的数据，能不能真正训练出模型。

我们从市场得到的反馈是，用我们的设备采集到的数据，是少有的能真正能把模型训出来的。

铅笔道：你们和同行的差异具体体现在哪？

丁琰：经过长时间的探索，我们反复验证了一件事：数据采集硬件和模型训练经验是分不开的。

如果完全不做模型，对训练没有感知，就直接去做硬件，那这个硬件基本是“废的”。

即便外观、传感器参数看起来一样，但里面的东西完全不一样。

举一个具体的例子：镜头选型。我们用了高性能的运动级鱼眼镜头，是因为在高速运动采集时，普通鱼眼会糊、会失真。

而且还有一个细节——动态恢复能力。比如你把手挡住镜头，再松开，普通镜头可能要 3-4 秒才能恢复，我们的可以瞬间恢复。

对不做算法的人来说，这是小细节；但对做模型的人来说，这决定了任务是 0，还是 100，中间没有“差不多”。

所以我们在硬件上投入了大量成本，因为不这么做，模型就训不出来。我们的目标始终是提供能够用于训练模型的高质量数据，而FastUMI Pro是支持具身智能规模化的关键基础设施。

此外，我们提供的不仅是数据采集设备、高质量数据集，更有行业解决方案以及联合模型训练的全栈服务，我们构建了一个完善的UMI数据生态体系。我们是一个以数据为纽带，连接硬件、算法、场景和合作伙伴的生态平台。

铅笔道：你们的技术，为什么能做到“不挑机器人的身体”？

丁琰：我举个比较直观的例子。我们在数据采集时，会用到两类设备：一种是手持设备，一种是机载设备。

手持设备本质上是一个夹爪，上面装了摄像头，用来记录夹爪的外观和操作过程。在部署的时候，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。

泛化能力本质上是一个“见过多少世界”的问题。过去的问题在于，数据采集慢、成本高、质量不稳定，一个小时可能只能采三五条数据。但现在这种方式，数据规模可以快速做上去，而且质量是可控的。

铅笔道：机器人在工厂的哪些环节，已经能比较明显地提升效率？

丁琰：整体来看，工厂里的任务大概可以分成三大类，难度是逐级上升的。

第一类是最简单的，比如规则相对明确的pick&place，不涉及力控。这一类场景是最好落地的。我们之前在合作中，大概有30%的场景属于这一类。

第二类是对力控和稳定性要求更高的任务，比如叠纸盒、包装，这类任务需要有力反馈，难度就上升了一档，这一类也大概占30%。

第三类是既需要力控，又需要精度，比如插线束、做PCB相关操作，典型的 3C 场景。这类任务难度最高，对系统要求也最复杂。

这种分层的意义在于，让系统在真实产线中逐级验证可靠性。

铅笔道：你们的UMI 数据采集方法，资金门槛相对较低，很多中小公司、初创公司都会优先选择它。那对资金充裕的大厂来说，它会不会成为一种“操作数据”的平替方案？

丁琰：对中小公司来说，UMI 是一个非常好的起点，能够以低成本获得大规模的高质量真机数据；对大公司来说，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，从产业角度看，它本质上是一个效率更高的数据解决方案，会推动整个产业分工发生变化。

铅笔道：在数据采集过程中，最难的是哪一环？

丁琰：数据质量管理。数据必须做即时评估，才能保证数据质量可控。

这也是为什么我们在数据评估和管理体系上投入了这么多精力。我们将“可复现”作为数据治理的第一性原理，建立了8道工业级数据质量评估体系，只交付100%可复现的数据。

不同类型的客户会给我们提出不同的标准，在给客户交付数据的时候，我们的数据质量不仅全都符合这些标准，甚至还远高于客户的标准。