现阶段，具身智能行业还需要天才科学家吗？
喻超的回答只有四个字，“没什么用。”这位鹿明机器人创始人兼CEO对界面新闻说，现在“已经过了需要明星科学家的阶段”。
不久前，鹿明的人形机器人“鹿小明”还在世界人形机器人运动会中完成了托马斯全旋，拿下街舞、啦啦操两枚金牌。这自有其“吸引眼球”的价值；但对喻超来说，眼下当然还有比机器人跳舞或天才们的title更紧要的事——机器人们开始进厂打工了。
工厂对机器人的要求则显得没那么浪漫。鹿明正与三菱电机、中远海运等产业方合作，推进机器人进入质检、搬运、螺丝锁付等工序。在真实的工业场景里，喻超说，具身智能面对的难题是泛化能力，也就是在环境、任务和产品型号发生变化后，机器人能否把任务稳定、可靠地干下去。
这让鹿明的产品清单在几个月里迅速变长。年初，它向外界谈得更多的还是UMI的数据采集方式；此后，具身模型Prime R0、用于教学科研和技能验证的Station Lite，以及NexCore接连推出。
喻超不认为这是一次突如其来的转向。在他所称的“产业具身”中，这些工作原本就需要放在一起：数据影响模型的效果，模型的表现又决定下一步该补什么数据；机器人进厂后遇到的问题，则为下一轮训练提供线索、继续迭代。
NexCore是鹿明用来组织这套循环的开发平台。它试图把数据采集、模型训练、评测和部署的工作逐渐组织成一套可重复使用的流程，开放给产业方。“技能”是这套平台想要积累的东西。喻超说，可以把技能理解为一个模型；而放在工业场景里，它也可以是抓取工件、完成搬运的一项具体的操作能力；而随着技能积累，NexCore试图使教机器人干新活这件事更省时、省钱。
把研发推向量产，是喻超熟悉的事情。他曾在追觅负责人形及四足机器人的研发和量产，技术出身、讲话直接、语速奇快，以至于有时，他的思绪会被语速“绊倒”。总之，喻超有着典型的工程师气质，如今他也在为鹿明寻找在自动驾驶、扫地机器人、无人机等行业经历过大规模工程化和量产的人。“产业化人才其实识别很难，”他说，这不能通过看title和职务就轻松解决。
无论如何，对一家正在把机器人送进工厂的公司来说，前述种种或许指向的是同一个问题。数据、模型、Skill或者本体本身都不是终点，最后还是要证明，它们能不能变成一门更稳定、更便宜，也更容易复制的生意。
以下为界面新闻和喻超的对话实录（略有编辑）：
数据有没有用，模型说了算
界面新闻：这次人形机器人运动会上，鹿小明参加了街舞、啦啦操等表演项目。鹿明为什么会参与这类比赛？你怎么看机器人的运动能力和产业操作能力之间的关系？
喻超：首先，吸眼球、获取流量，对当前具身智能公司来说还是有一定价值的。另外，大家以前喜欢把机器人能力分成locomotion（运动）、manipulation（操控），但我一直觉得这种分法不完全对。这几块有很强的融合趋势，现在看到的每一块内容，本质上都是同一个问题从不同视角切出来的一部分。
我们内部来看，运动能力和产业操作能力本质上也是一样的，都是数据采集、数据处理，再到训练。短期内训练方式会有一些差别，但已经在逐步融合。比如以前做行走，可能是case by case去训练，现在也开始变成采whole body（全身）的参考数据集，再做模仿学习或者强化学习，往后还会把视觉加进去。对manipulation（操作）而言，技术路径也开始从单臂发展到双臂、Ego，再到mobile manipulation（移动操作），最后会逐渐变成同一个问题。
界面新闻：今年年初，你们曾经把发展路径分成几个阶段，前三年更强调数据和硬件，再逐步进入场景和模型。但半年里鹿明已经连续推出Prime R0、Station Lite和NexCore。哪些事情的发展速度超过了你原来的判断？
喻超：整体场景商业化的需求，加上模型能力的进步，都超过了我们的预期。一方面是国家在推动，另一方面是技术发展得比预期快。我们自己训练模型，也做了一些实际落地。从效果来看，模型尤其是解决问题的能力比原来预期强很多。
另外，从单从数据的角度来说，如果没有模型牵引，最终其实走不远。
界面新闻：什么让你意识到只做数据不够？
喻超：严格来说，我觉得“只做数据不够”并不需要额外认知。现在更准确的问题是，有价值的数据不够。之前大家喜欢纠结数据量和数据质量。数据量不能忽略，但从模型的角度来说，我觉得数据质量是可以忽略的。
界面新闻：为什么数据的质量可以忽略？
喻超：质量最终可以靠配比来解决，一部分好的、一部分差的数据，通过配比把效果拉上去。比如我们自己训练Prime R0，会用高质量的UMI数据、相对低质量的UMI数据，再加上一部分遥操作数据。
界面新闻：所以其实不仅仅只需要大量好的数据，坏的数据也可以发挥作用？
喻超：对，就看你解决什么样的问题。
界面新闻：这和你们年初强调“高质量数据”好像有点不同，什么时候开始修正这个判断？
喻超：是在我们做了Prime R0以后，对一部分判断做了修正。最终还是看你的模型做得有多好。模型做好了，说明你的数据经验和判断有说服力；没做好，其实就没有价值。我们在这个过程中尝试了多源数据，现在的策略也是多源数据。
界面新闻：今年1月鹿明还很强调UMI，但后来又加入了Ego。你现在怎么理解不同数据路线？
喻超：我们会用Ego，也就是第一视角数据打底，配不少UMI数据，再加少量遥操作数据。为什么用Ego打底？因为便宜。对哪类数据的需求量最大，就一定要考虑它的成本。底层逻辑就是信息量除以价格。
界面新闻：互联网视频和仿真数据也相对便宜，你怎么看它们的价值？
喻超：我觉得互联网视频和Ego数据，从本质上没有特别大的差别，主要区别是第一视角还是第三视角的问题。第一视角的transfer gap（迁移差距）会小一点。但如果第三视角非常便宜，也不构成本质问题。
仿真的核心是能不能带来额外信息。如果只是按固定的范式去采集数据，带不来额外信息，价值就很低。最终都可以回到信息熵和成本。成本既包括采集成本，也包括处理成本。
界面新闻：所以你现在强调的“有效数据量”，“有效”本质上也是信息熵？
喻超：有几个层面。从单条数据来说，可以用信息熵来评价，看它有没有提供额外信息。更高一层其实要看对模型的贡献，即这批数据到底有没有提升了模型。但模型贡献的评价会更重，评测成本也更高。
界面新闻：你们过去也提过百万小时的数据目标。现在再说“我有多少小时数据”，还有意义吗？
喻超：我觉得单纯的数据量已经基本没意义了。重点要看这些数据有没有转化成模型资产、技能资产，以及这些资产是不是能够再产生新的数据。
界面新闻：真正的数据采集，还由鹿明自己做吗？
喻超：硬件我们自己做，再往外发；数据处理我们自己做；采集部分现在反而不太自己做，会交给各个数采工厂和合作伙伴。采集本身就是一个纯劳动密集和管理的工作。我们也会自己采一部分，主要是为了保证部分数据的同源性。
界面新闻：既然真正采集是一门劳动密集型工作，未来是不是会越来越外包？
喻超：数采本身就是劳动密集的东西。比如京东这样的公司，本身就会是数采里的大玩家。京东现在也是我们数采硬件的大买家。
界面新闻：除了采集成本，数据处理成本也在下降吗？
喻超：肯定也在下降。以前很多处理方式都非常粗糙，更多还是学术原型，不是产业化方式。比如同样处理一批数据，计算栈设计方式的影响非常大。原来一些处理非常贵，你把任务从基于CPU的处理转到基于GPU的处理，再从单帧处理转成连续视频流处理，成本可能有几十倍差别。本质上就是从一个学术原型逐渐转成产业化、工程化的生产方式。
界面新闻：现在行业出现手环、手套、UMI等很多数采设备形态。你觉得设备形式本身重要吗？
喻超：我觉得没那么重要，还是信息量和成本的问题。你为了额外的信息增加成本，这部分额外信息到底是不是必要的？比如手环介于裸手和手套之间，但从我的角度来说，我甚至觉得手套本身也未必是必需。如果确实需要很高质量的数据，遥操作就可以。
界面新闻：触觉和力觉数据呢？鹿明之前也做过触觉传感器。
喻超：触觉硬件本身我们没有特别持续去迭代，最近更关注的是在模型里怎么使用触觉和力觉数据。它们本质上是属于同一类信号，只是形式上有差别。具体的触觉硬件方案，我觉得行业暂时还没有共识。如果外面有好的硬件，可以买，我们现在重点研究的是数据怎么用。
“能不能干、干得好不好、干得划不划算”
界面新闻：鹿明一直在讲“产业具身”，你们怎么定义这个概念？
喻超：想法很简单，我们希望和很多产业场景方合作，去构建产业具身的基础能力，服务这些场景方，而不是把它干掉。这个概念其实是在和三菱电机合作的过程中逐渐抽象出来的。三菱把真实产业场景向我们开放，我们在里面做数据采集、模型训练和解决方案落地。现在其他产业合作基本也沿着这个思路来做。
界面新闻：三菱目前具体开放了哪些场景？
喻超：现在比如柔性质检，还有一部分搬运工序，已经由Nexcore系统完成。还有像螺丝锁付这样的任务正在合作，但还没有完全替换人工。我们也是一个工序一个工序地做。
界面新闻：搬运听上去相对没有那么精细。现阶段，具身机器人在工厂还能做哪些更精细的操作？
喻超：我觉得“精不精细”不是具身的重点，而是上一代工业机器人的关注点。具身机器人真正需要的是面对环境、任务或者边界条件变化时，有一定泛化处理能力。
比如柔性质检，它面对的是PLC的不同SKU，包括不同体积、型号、颜色。柔性供应链的适应能力，正是当前具身机器人在攻克的方向。
界面新闻：机器人行业目前没有特别统一的评价体系。大家都会讲成功率、进厂或者量产。你觉得真正评价一台机器人能不能进入产业，最重要的标准是什么？
喻超：可以很简单地一层一层看。第一，能不能干活。第二，干得好不好。也就是能不能长期、稳定地干。第三，干得划不划算，这里就包括节拍、ROI、效率和成本。
界面新闻：你们的机器人真正进厂以后，看到最亟待解决的问题是什么？
喻超：主要是系统级可靠性。你能不能7×24小时运行，甚至几个月、一年完全稳定地运行，这是现在非常重要的问题。NexCore能解决其中一部分。
界面新闻：NexCore是你们最近很重要的新动作，为什么会把它定义成机器人的操作系统？
喻超：我倒不太会把它定义成一个操作系统。我们的定义更接近一个具身产业的自动化迭代平台。里面会有数据广场、模型广场。真正重要的是两件事：第一是数据到技能的转化，从数据采集、数据处理到技能转化；第二是和真实场景耦合之后的自动化迭代。如果抽象理解，它可以是一个数据和技能资产平台，再加上一个产业场景下的具身技能自动化生产平台。
界面新闻：它最想解决哪个问题？
喻超：系统级可靠性是一部分，另外一个重点是边际成本递减。机器人干完第一件事以后，干第二件、第三件事，需要的成本是不是越来越低，时间是不是越来越短。
界面新闻：数据、模型和真实场景之间，具体怎么形成循环？
喻超：我们现在有两个飞轮。第一个是数据和模型的飞轮，在NexCore上不断迭代。什么样的数据决定模型效果，模型又反过来决定你需要什么数据。第二个是整机和场景的飞轮，把真机铺出去，数据回来以后，再加速模型的迭代。