编者按：他们创办的公司或已是独角兽，或刚启动种子轮，或已家喻户晓，或长期身居幕后，或正起于微末，但他们都是中国新经济的微观脉搏，是这轮产业和技术升级的微观主导者和实践者，不同行业成千成万的他们的身影汇聚，投射变革的洪流。

由财联社和《科创板日报》联合发起的 " 连线创始人 /CEO" 栏目，主要关注创新创业型企业，以企业创始人 /CEO 的访谈为一手信源，让成长中的创业公司走入公众和市场视野，并发掘最新技术和产业趋势。

《科创板日报》1 月 13 日讯（记者 李明明） 具身智能的下半场，竞争焦点已聚焦具身数据。

2026 年 CES 展上，黄仁勋抛出重磅论断：" 机器人的 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技产业，释放明确信号：机器人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，依托真实机器人执行任务获取数据，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，智元机器人、银河通用、它石智航、鹿明机器人凭借各自主攻路线的深耕布局，成为业内公认的 " 具身数据四小龙 "。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。而其联合创立的鹿明机器人，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。

" 我相信 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。"

UMI 相比传统数据采集方案效率提升 5 倍，成本降至 1/5

《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，全球范围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、传感器不同步、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？其市场定位和市场份额变化趋势是怎样的？

丁琰：UMI 在成本控制上优势明显，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。

市场份额方面，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，传感器数量与现行 UMI 设备不同，算法也从关节预测转向末端预测。UMI 的适用场景范围较大，可广泛应用于各类具身智能公司。

我们跟三菱、中远海运、德马科技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 年这一比例还会进一步提升。

《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否存在差异？

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，最终导致模型无法收敛。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明显差异，例如桌面级任务和移动操作任务，会采用不同的装置和采集规则。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。

目前鹿明已有三个数据采集工厂，持续输出百万小时级的高质量具身数据。

《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。

计划在 2026 年实现 100 万小时的真机数据产能

《科创板日报》：公司在模型发展上有哪些策略？现阶段的模型规划是怎样的？

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时间。

因此我们认为，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。

目前我们的数据管线已搭建完成，可以源源不断地产生优质数据。

现阶段我们不会训练自有预训练模型，而是选择与产业方合作开发应用模型。

《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。

为了应对市场需求的爆发，我们正在通过与政府 / 产业方合作建设数采工厂等方式，加速建设数据采集产能，预计 2026 年实现超过 100 万小时的 UMI 数据采集产能，目标是建成全球最大的具身真机数据集。

《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同类型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如何开展这两项工作的？

丁琰：这其中的交互比想象中更为复杂，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，希望通过算法与硬件的深度耦合，

让数据、模型与硬件形成最佳配合，将整体性能与表现推向极致。

《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，具体是如何实现的？

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，同时还可搭载其他传感器。

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。