奔向百萬小時數據量，鹿明帶著“背包”走向工廠、餐館和商場

鹿明要為具身行業建一所“UMI數據超市”。

作者 |江宇

編輯 |漠影

過去一年，具身智能賽道在模型、硬件和應用層面不斷取得進展，一個共識正在業內逐漸形成：真正限制具身智能進一步Scale的，是真實、可復用的數據。

“目前機器人領域的發展，核心還是離不開訓練數據，”在近期的一次公開分享中，宇樹科技創始人王興興這樣概括他對具身行業的判斷。

也正因如此，數據問題正在成為具身智能進一步擴展能力邊界時，繞不開的核心約束。正是在這樣的背景下，鹿明機器人選擇了一條不一樣的路。

近日，鹿明機器人發布全球首款背包版UMI數采設備FastUMI Pro（背包版），并同步啟動真實場景數據采集計劃。

按照規劃，鹿明將在多個城市投放1萬臺背包版FastUMI Pro，進入工業、家庭、酒店、餐館、商場、辦公等六大真實場景，目標直指百萬小時級數據量，構建面向具身智能訓練的規?；瘮祿A設施。與此同時，鹿明“FastUMI Pro數據超市”也將上線。

這一動作，也讓鹿明首次以“數據基礎設施建設者”與“具身智能送水人”的身份，站到了具身智能行業的聚光燈下。

圍繞該數采計劃，機器人前瞻也與鹿明機器人聯席CTO丁琰進行了交流。

丁琰將這一選擇概括為一次“工程階段的推進”，要將采集推向更真實、更復雜的場景，讓數據真正覆蓋模型未來要面對的真實世界。

01.

當模型開始“卡在數據上”

具身智能不得不正視真實世界

在具身智能逐步走向真實應用的過程中，數據的局限往往比模型能力更早暴露出來。

丁琰把數據采集拆成了清晰的階段：第一階段在數采場的里做采集，光線、環境、背景、人員管理都可控。

他提到，鹿明機器人在這一階段持續完善采集SOP、采集軟件與硬件迭代，以及對數據質量的評估機制，“基本上在數采廠里可以實現自動運轉”。

但當任務難度抬升，模型開始被迫面對更復雜的物理約束與環境噪聲時，可控場景的數據分布很快會顯出邊界。

丁琰的一個判斷是：之所以行業里會出現仿真、視頻、強化學習等多種數據路線，很大程度上是因為不少任務在早期還相對簡單，多種方式“看起來都能做”?？梢坏┻M入更真實、更凌亂的作業場景，數據的真實性與一致性就會變成硬約束。

他舉了工廠質檢場景為例：這不是在實驗室里“干凈環境”的抓取，是在復雜工況里完成更強約束的操作與判斷，“如果只是做一些簡單的仿真，或者其他東西就已經很難去滿足這種客戶的要求了”。

在他看來，這也是為什么真實、可靠的真機數據最終不可回避：視頻數據可以訓練“看懂世界”，仿真可以擴展一定的組合空間，但當目標是“上手干活”，與物理世界交互的那部分能力，最終還是要靠真實交互數據來支撐。

換句話說，隨著任務復雜度上升，數據問題是決定模型能否繼續往前走的底層條件。

02.

為什么是背包形態？

讓數據從數采場走向真實場景

當“走進真實世界”成為下一階段的共識，新的問題隨之出現：真實場景數據如何穩定采到、如何在采集當下就判斷好壞、如何把采集與后續訓練推理打通？

丁琰解釋稱：背包是一種“很天然的形態”。對UMI這種多傳感器采集系統而言，如果把數據完全離線存下來，數據量與吞吐會很可怕，很難有一個很好的離線存儲的方式，因此需要把數據落到隨身的計算單元上。

更關鍵的是，背包里的“小電腦”不只是存儲節點，也是質量評估與任務管理節點。

丁琰強調，鹿明團隊非常看重數據質量，希望采完一條數據能即時做質量評估，告訴采集者好還是不好、為什么不好，否則采了一天的數據可能都是廢掉的，而且在較長時間里都不知道問題出在哪里。

背包形態使得這種“邊采邊評估”成為可能，同時也方便任務分配、打卡登記與人員管理。再疊加8小時續航，背包版FastUMI Pro在形態上更像一套可移動的標準數采工作站，讓采集真正能夠從可控場地走進工廠、酒店、餐館等開放環境。

03.

萬臺級真實場景采集

“大規?！北澈笫切袠I稀缺的工程能力

萬臺設備、六大場景、百萬小時真機數據量，本身就是一個足以引發行業關注的數字。

但更值得討論的，它隱含的門檻：當采集從少量樣本進入規?；A段，真正決定上限的往往是數據體系能否持續復用、持續擴展。

丁琰提到，鹿明之所以選擇在這個時間點把采集推向真實場景，是因為鹿明已經完成了數采第一階段——自建“數采場”采集體系的打磨。光線、環境、人員管理全部可控，采集SOP、軟件系統、硬件迭代、數據質量評估體系等條件全部具備。

同時，業務側也出現了明確的牽引：鹿明機器人在交付了100萬條數據后，客戶開始提出更進階的需求，希望獲得真實場景的數據，這推動團隊去探索更有價值、更有難度的采集方式。

放在具身智能行業，丁琰的判斷是：不同團隊在數據管線（數據生產、數據質量評估、數據治理以及訓練形態）上，差異可能比外界想象得更早出現。

他把這稱為“數據決定的東西很多”：一旦選擇了某種數據管道，后續很多算法研究與訓練方式都會隨之變化。

更重要的是，鹿明所選擇的“無本體”采集方式在速度、擴展性和一致性上更容易形成積累優勢：采集更快，數據積累速度更快；傳感器模態的擴展更順滑，數據處理管線也更容易復用；采（數據采集）、訓（策略訓練）、推（模型推理）在同一交互形態下保持一致，有利于把現場“不會的任務”更快轉化為可用策略。

這些點共同構成了鹿明這番“大規?！眲幼鞯挠靡猓喊颜鎸嵤澜绲膹碗s性變成一套可運行的工程系統，并且讓系統能夠長時間、跨場景地穩定產出。

04.

“采–訓–推”閉環

是數據基礎設施的核心能力

數據的價值，最終取決于它能否被快速轉化為模型能力。如果僅從產品層面看，FastUMI Pro是一套數采軟硬件系統，但從鹿明機器人的戰略路線看，它承擔的角色顯然不止于此。

丁琰在采訪中反復強調，鹿明已經把“采–訓–推”的基建打通，這也是團隊敢把真實場景采集推向規模化的底氣之一。

▲FastUMI Pro在工業及家庭場景的多個任務中，完成“數據采集-策略訓練-模型推理”閉環。

數據不是采完就結束，而是能被快速消化、快速反饋，進而反過來指導下一輪采集與任務擴展，也正是在這種閉環基礎上，鹿明機器人把“真實場景規?；杉倍x為下一階段的重點：用更多、更真實的場景數據，推高模型能力上限，突破模型能力的天花板。

與此同時，配套上線的“FastUMI Pro數據超市”，則把通用數據進一步產品化，嘗試以更標準的方式讓數據進入流通體系，用戶可直接通過其官網商城購買覆蓋多場景、多任務的標準化操作數據。

05.

結語：真實數據

是具身智能繞不開的底座

從背包版FastUMI Pro的推出，到萬臺級真實場景采集計劃的啟動，鹿明機器人所做的，并不只是一次新品發布或規模擴張。

丁琰在其小紅書帖子《2026具身數據基建戰》中寫道：“在模型之外，還有一個同樣關鍵、且在后期更難整體調整的因素：數據從哪里來，以及以什么形態進入系統?！?/p>

他提到，“從長期看，真正昂貴的并不是采集一次數據，而是反復重建整套數據體系?！痹谶@條邏輯下，UMI讓能力擴展盡量發生在同一入口之上，數據基建保持相對穩定，系統能力逐步疊加。

從行業角度看，當越來越多真實操作數據被系統性采集和利用，具身智能才真正具備走出實驗室和數采場、走向復雜現實世界的可能性。

而鹿明此次用萬臺背包版FastUMI Pro，把數據采集推向真實場景，本質上是在回答一個更底層的問題——當數據成為決定模型上限的關鍵變量，誰能夠穩定構建真實世界的數據基礎設施，誰就將在下一階段的競爭中占據結構性優勢。