从模型能力到产业生产力：鹿明想用NexCore补上具身智能的「中间层」|具身|本体|机器人|真实场景|编程|鹿明

具身智能进入产业的「自进化」。

作者 /Oriana

在WRC 2026的现场，一个变化越来越明显：机器人展示正在从“表演动作”走向“完成工作”。零件会换，位置、光照、工位和生产节拍也会变化，甚至会出现训练时从未见过的异常。对于传统工业机器人而言，这些变化往往意味着重新编程、重新调试，甚至重新设计整套自动化方案。

具身智能想改变的，正是这套逻辑。

机器人不再只是执行工程师预先写好的程序，而会开始通过数据获得经验，通过模型理解任务，再通过真实执行不断学习。过去两年，本体、VLA、世界模型、仿真、数据采集和技能学习等方向快速发展，机器人正在变得越来越“聪明”。

但当这些能力真正进入工厂，一个更具体的挑战也浮现出来：一个模型有能力，不等于一个机器人真的会工作。

从真实数据获取，到新任务训练、能力评测，再到仿真与真机验证、跨本体部署，以及运行数据回流，这是一条远比训练一个更大模型复杂的链路。

8月19日，鹿明机器人发布面向产业具身的机器人进化引擎NexCore。与其说这是一个新的机器人软件产品，不如说，它试图回答一个更大的命题：机器人进入产业后，如何建立一套持续获得新能力的机制？

鹿明面向产业具身的机器人进化引擎NexCore，来源：鹿明

在鹿明机器人创始人兼CEO喻超看来，具身智能正在从“单点能力突破”走向“能力工程化”。未来真正的竞争，不只是某个模型或某台机器人有多强，而是谁能够让机器人以更低成本获得新任务，并在真实世界中持续创造价值。

01.

从更强的模型，到更完整的机器人系统

过去两年，具身智能最明显的变化之一，是行业讨论的重点正在从“机器人能不能完成一个动作”，逐渐转向“机器人能不能在更复杂的环境里持续完成任务”。

从海外头部公司的动作来看，这种变化已经非常明显。

Google DeepMind在推出Gemini Robotics之后，并没有把重点停留在让模型完成更多单一动作，而是继续探索视觉、语言与动作之间更紧密的结合，并尝试让同一套智能能力适配不同的机器人形态。其后推出的Gemini Robotics-ER，则进一步把重点延伸到机器人空间理解、状态估计、轨迹规划和工具调用等能力。机器人需要的不再只是“看到一个物体然后抓起来”，而是能够理解环境、判断下一步应该做什么，并把任务拆解成一系列可以执行的动作。

Skild AI则把重点放在更通用的机器人智能上。其核心思路之一，是让模型学习更加通用的机器人能力，而不是针对某一台机器人、某一个任务单独开发模型。这样一来，模型需要面对的就不只是“这个动作怎么做”，而是不同本体、不同任务和不同环境之间，哪些能力可以迁移，哪些经验能够复用。

这些路线并不完全相同，但背后有一个共同趋势：具身智能正在从单一能力的突破，走向感知、推理、规划、动作、数据和本体之间更复杂的协同。

世界模型的兴起也强化了这一趋势。如果VLA主要解决的是视觉、语言与动作之间如何建立连接，那么世界模型试图进一步解决机器人如何理解环境以及预测行动后果的问题。机器人不仅要知道“眼前是什么”，还需要逐渐形成对空间、物体和物理变化的内部表征，判断一个动作发生之后，环境可能如何变化。

与此同时，仿真和真实世界数据也正在成为具身智能基础设施的一部分。机器人无法像互联网模型一样，主要依靠文本和图像获得能力。一个零件究竟有多重、一个物体表面有多滑、抽屉卡住之后需要怎样重新施力，这些信息最终都需要通过真实交互或者足够逼真的模拟获得。

因此，本体、VLA、世界模型、仿真和数据并不是几条互相竞争的技术路线。它们正在共同把机器人从“能够完成一个动作”，推向“能够理解并完成一项任务”。

但当这些能力真正进入工厂等实际场景，问题也会进一步具体化。

实验室里一次成功的抓取，并不等于产线上的稳定工作。真实生产环境会不断变化：零件批次、位置、光照、生产节拍等会变，还会出现训练数据中没有覆盖的异常情况。客户真正关心的最终也不是机器人在Benchmark上有多高的分数，而是它能连续工作多久、任务成功率是多少、异常之后能不能恢复、换一个任务需要多少时间，以及整个部署成本能不能被生产价值覆盖。

“会做一次”，不等于“会工作”。

在喻超看来，本体、模型、数据和算法当然都重要，但当这些能力逐渐向前发展之后，产业真正需要解决的是如何把它们组织成一条完整的任务闭环。

这里的“闭环”并非简单地把几个软件模块放在一起，而是让机器人从真实任务开始获得数据，通过模型形成能力，再经过仿真和真机验证进入生产环境，并把执行过程中产生的新数据继续反馈给下一轮训练。

从这个角度看，鹿明所强调的“任务通用性”也并不意味着一台机器人必须什么都能做。工业现场本来就存在不同的任务约束：重载搬运可能更适合轮臂机器人，固定工位操作可能更适合机械臂，复杂的人类环境则可能需要人形机器人。真正值得追求的，是机器人获得新任务的成本越来越低。

这也是鹿明选择MOS2这样的轮臂式机器人，同时推出NexCore的原因。前者解决机器人如何进入真实产业环境，后者则进一步回答：机器人进入现场之后，如何获得新的能力，并让这些能力持续迭代。

如果说海外头部公司正在把机器人智能从单点能力推向更加完整的系统，那么鹿明试图向产业侧再走一步：把这套系统变成一套可以持续迭代机器人技能的系统工程。

02.

NexCore：把机器人技能进化成一条完整链路

NexCore并不是鹿明一开始就规划好的一个“机器人操作系统”。更准确地说，它是从机器人进入产业之后不断暴露出来的问题里演化出来的。

过去一段时间，鹿明同时推进机器人本体、数据采集、数据管线、模型训练和真实场景交付。真正进入客户现场后，一个问题反复出现：客户想让机器人学会一项新任务，往往意味着一整轮新的工程项目。

先采数据，再做治理；然后训练模型、调参数，再进行仿真和真机评测，最后部署到机器人上。上线之后效果不理想，还需要重新找数据、重新训练、重新测试。对于拥有完整研发团队的大型企业，这套流程已经足够复杂；对于大量本身并不具备具身研发能力的产业客户而言，门槛更高。

鹿明逐渐意识到，如果机器人要进入更多产业，仅仅提供一台机器人远远不够。真正需要被产品化的，是“机器人如何学会一项工作”本身。

NexCore因此被定义为面向产业具身的机器人进化引擎。喻超对它的一个核心描述是：“让机器人能力像云服务一样被调用、训练和验证。”

WRC2026现场，Lumos MOS2重载轮臂式具身智能机器人正在进行物流搬运的演示，来源：鹿明

这套系统并不是简单把几个工具放在一起，而是围绕机器人能力生产的不同环节展开，覆盖了数据资产、模型训练、评测验证、技能管理和机器人运营等能力。

整个过程从一个具体任务开始。客户首先需要明确机器人究竟要完成什么，输入和输出是什么，以及什么样的结果才算成功。随后，来自Ego Vue、Station Lite的操作数据、机器人运行数据、仿真数据以及其他来源的数据进入统一的数据体系，经过治理后成为模型训练和能力验证的基础。

训练完成后，技能并不能直接进入生产环境。

NexCore技能评测体系承担的是评测环节，通过仿真环境和真实机器人环境对技能进行验证。对于产业客户而言，这一步尤其重要：仿真里的成功只是第一道门，真正进入产线之前，还需要确认技能在真实物理环境中是否稳定，以及不同条件下的成功率究竟如何。

通过评测之后，技能才能部署到机器人上。机器人进入真实生产环境执行任务，又会产生新的运行数据。在客户授权的前提下，这些数据可以重新回流到系统，推动下一轮训练和优化。

这和传统机器人软件的区别在于，过去机器人能力更多依赖工程师手工编程：工程师把规则写下来，机器人按照规则执行。新的路径则是让数据产生经验，模型学习经验，技能封装能力，机器人执行能力，再通过真实反馈获得新的经验。机器人能力由一次性的工程开发，逐渐变成一个可以持续生产和优化的过程。

因此，NexCore也不只是一个传统意义上的“后训练平台”，它真正试图标准化并覆盖的是从任务定义、数据接入，到模型训练、技能管理、能力评测、机器人部署以及运行反馈的完整链路。

在模型层面，鹿明也没有把这套体系绑定在某一个“大脑”上。

Prime R0是鹿明自己的产业具身模型，也是NexCore当前的重要模型能力之一，但长期来看，NexCore更希望成为一个能力生产层。不同任务对于视觉理解、操作能力、泛化、实时性和成本的要求不同，最终应该由真实任务决定使用什么模型。

更重要的是，NexCore试图把“技能”放到模型与机器人之间，成为一个可以被管理和验证的中间能力层。抓取、搬运、插拔、按压、检测等能力，经过训练、评测和封装之后，不再只是某一个项目里的动作，而有机会成为可以组合、迁移和持续优化的技能单元。

复杂任务可以由多个技能组成，经过验证的技能也可以进一步适配新的任务和新的机器人。对于产业客户而言，这意味着以后面对新任务时，未必需要重新从零开发一套机器人系统，而是可以基于自己的数据和生产环境，重新训练和调整需要的技能。

机器人能力开始从一次性交付，变成持续生产。

03.

当技能成为新的机器人资产

复盘这两家公司的历史会发现，它们几乎在每一个关键的岔路口，都选了相反的方向。

如果NexCore解决的是“机器人如何获得能力”，那么落实到产业场景里，还需要进一步关注这些能力能不能被复用。

答案并不简单。

以工业场景为例，鹿明在和客户沟通时发现，工业数据很难像互联网数据一样被自由共享。一家工厂通常不会愿意把自己的生产数据、工艺经验，以及由此训练出来的模型和技能交给其他企业；但另一方面，企业也并不排斥使用外部能力，只是希望在通用能力之上，结合自己的数据和生产环境进行定向适配。

原因在于，工业世界本身就是由一个个差异化的“进化孤岛”组成的。同一个行业、同一道工序，在不同工厂可能有不同的设备、物料、工艺和生产节拍。一个机器人在A工厂学会的技能，到了B工厂未必能够直接复用。

因此，产业具身很难简单依赖一个“万能模型”解决所有问题。鹿明更倾向于另一条路径：授之以渔。与其把所有客户的数据集中起来，不如让每一个企业都拥有生产自己机器人技能的能力。客户的数据资产依然属于客户，平台提供的是从数据到技能的生产工具。

这也让“数据量”这个具身智能行业已经讨论很久的问题，需要换一种衡量方式。

喻超告诉「新物种Sinovum」，他们更关注的不是数据有多少小时，而是其中有多少“有效数据”。数据是否覆盖真实任务分布，是否包含不同物料、位置和环境，是否记录了失败与恢复，以及新增数据是否真正提升了模型成功率，才是更重要的指标，“如果1000小时的数据都来自高度重复的场景，价值未必高于100小时覆盖了大量异常情况的数据。”

所以，未来的数据生产不会只是无限堆积小时数，而会越来越走向主动采集、任务导向和问题导向：机器人缺什么数据，就去采什么数据。数据也不再只是训练模型之前一次性准备好的原材料，而会随着机器人进入真实生产不断增长，并直接对应具体的能力缺口。

鹿明自己的工厂就是一个现实中的验证场景。工人在组装关节模组、取放物料等过程中，可以通过Ego Vue沉淀真实操作经验；MOS则已经能够进入产线，完成组装、测试、质检和打包等工序。