具身智能下半场：鹿明NexCore如何破解机器人产业落地难题
当前具身智能行业正处于一个关键的转折点。尽管在各种演示中，机器人展现出了令人惊叹的灵活性和多样性，但在真实的工厂环境中，当机械臂需要更换工件型号时，工程师们仍然需要花费数小时进行重新编程。这种现象揭示了一个深层次的问题：机器人能够运动，并不等同于它们真正具备了完成实际工作的能力。
这种反差反映了具身智能发展过程中的一种结构性矛盾。过去两年间，行业的发展主要集中在本体性能的提升上，包括自由度的增加、运动灵活性的改善以及演示效果的优化。然而，当这些机器人真正需要进入工厂、服务空间和家庭环境时，一个更加根本的问题浮现出来：如何让机器人真正理解和执行复杂的实际任务。
鹿明机器人敏锐地捕捉到了这一挑战，并在2026世界机器人大会开幕当天发布了具身智能进化引擎Lumos NexCore。这一创新产品试图在数据、模型、技能与机器人之间建立完整的生产与运行链路，使机器人的能力不再以一次性交付的项目形式存在，而是成为可以训练、评测、部署、复用和持续迭代的技能资产。
鹿明的核心观点是，要让机器人真正实现产业落地，其能力应该像云服务一样被调用、训练和验证。这一理念标志着具身智能发展思路的重要转变：从单纯的本体性能竞争转向任务闭环能力的竞争。
理解具身智能产业落地的挑战，需要深入分析当前行业面临的根本性问题。一个熟练工人之所以具有价值，是因为他们能够理解任务要求，根据环境变化调整工作方法，并将积累的经验迁移到新的工作任务中。机器人要想真正进入工厂承担实际工作，同样需要具备学习和积累经验的能力。
鹿明判断，机器人正在进入技能进化时代，未来竞争的核心在于机器人是否能够形成技能、积累技能，并将这些技能迁移到更多任务中，从而实现持续的自我进化。这意味着下一阶段的竞争不再是模型参数或本体形态的简单较量，而是围绕数据、模型、技能与设备形成完整闭环的基础设施能力。
为了支撑机器人持续学习与进化，具身智能需要从单点能力走向规模化应用。基于这一判断，鹿明打造了面向产业具身的机器人进化引擎Lumos NexCore。要理解NexCore的意义，需要先认识到具身智能规模化落地的根本瓶颈。
当前机器人技能的生产方式本质上仍然是手工作坊式的。每当面对一个新的应用场景时，团队都需要完成一套完整的流程：数据采集、数据处理、模型训练、参数调整、真机部署，以及可能的失败返工。这个过程高度依赖工程师的个人经验，中间环节难以实现标准化和可追溯性。模型在仿真环境中表现良好，但在真实设备上运行时失效的情况非常常见。
更关键的问题在于，一个场景中积累的数据和经验很难迁移到其他场景，每个项目的实施都像是从零开始。在科技领域，新技术的规模化落地往往伴随着相应体系的构建。云计算将服务器管理转变为可调用的服务，MLOps将大模型训练变为可管理的流程，而具身智能至今缺乏这样的基础设施。
机器人能力的生产过程——从数据到技能、从训练到部署、从验证到回流——还没有被系统化地承接。鹿明的NexCore正是要解决这一问题。它将数据资产、模型训练、评测验证、技能封装和设备运营整合为一套平台服务，核心定位是让机器人能力像云服务一样被调用、训练和验证。
NexCore的技能生产线由五个核心组件构成。数据资产平台解决原料问题，将真实数据、仿真数据和视频数据统一索引，确保每一条数据都可检索、可标注、可复用。模型训练平台将训练过程托管起来，任务编排、参数优化和过程追踪由平台承接，客户无需自建复杂环境。
评测环节解决验收标准问题，通过多维度评测和能力诊断，让模型表现变成可量化、可复现的证据。技能管理将训练好的模型连同代码、参数和执行策略打包成可发布、可复用的技能单元。机器人运营则连接真实设备，让运行中的状态、日志和高价值样本回流到平台，支撑下一轮迭代。
整条链路将过去散落在各个工程环节的能力串联成一个可观察、可追溯的闭环。用户甚至可以用自然语言描述任务目标，平台自动编排后续流程。机器人技能开发因此不再依赖一支懂算法、懂硬件、懂部署的完整团队，而是让真正理解业务的人也能参与技能开发。
NexCore正在解决具身智能技能生产的效率问题。当生产级的验证与复用不再依赖逐个项目的手工搭建时，机器人能力才有可能像云服务一样实现规模化供给。这正是鹿明将NexCore定义为进化引擎的原因。
在具身智能行业中，从事模型平台开发的公司并不少见，但NexCore的差异化优势在于其独特的价值取向。与其他公司不同，NexCore并没有将模型训练视为终点，而是将重点放在如何让通用能力进入具体场景，并持续沉淀为可复用的技能。
鹿明在与客户的沟通中反复涉及三个核心问题。第一个问题是：是否希望机器人掌握更多技能？答案通常是肯定的，客户希望这些技能能够快速适配自己的业务需求。第二个问题是：是否希望将已有的模型和技能直接拿来使用？答案同样是肯定的，但进入具体场景后，会发现不同工厂、不同工艺、不同流程之间存在大量差异，通用能力仍需针对实际任务进行适配。
第三个问题是：当机器人完成一项任务后，还希望它做什么？答案是继续学习。因为产业现场并非静态的，任务会变化，环境会变化，生产要求也会变化。这三个问题背后反映的是具身智能落地过程中的核心矛盾。
通用模型解决了机器人能否学习的问题，但真正进入产业现场后，还需要解决机器人如何快速学会具体任务，并将学到的能力持续积累下来的问题。工业制程形式多样，即使在同一行业同一工序中也会存在差异点，对模型与技能存在专属要求。产线场景、制程、业务会发生变化，而且变化较为频繁。
因此，能够在产业场景中真正落地的机器人，需要的不是一次性的模型适配，而是一套能够不断吸收新数据、训练新技能并持续迭代的能力体系。面对这种现实，鹿明希望通过构建平台打通多源数据输入，实现一键模型训练，支持基于鹿明生态与非鹿明生态的技能本地部署。
机器人每次完成真实任务，都有机会产生新的训练数据，用于后续训练和技能优化。这样一来，模型不再只是一次训练的结果，机器人也不再只是一次部署的设备。用户可以基于真实工业现场不断训练、验证和沉淀技能，让机器人在持续作业中获得新的能力。
上周，鹿明发布了第二代重载轮臂式具身智能机器人MOS2.0。这是继MOS1在三菱电机等一线产业现场完成实证后，面向商业落地的深度迭代。在三菱电机的工厂里，鹿明机器人从最初的PLC质检起步，逐渐拓展到推料箱、打螺丝、搬箱等任务，覆盖质检、物流、搬运等不同环节，目前已在部分工序进行小批量试用。这些真实产线的反馈构成了MOS2.0的升级依据。
具身智能落地时，客户最关心的问题集中在五个方面：能否承担其他工作、能否提高效率、部署需要多长时间、维护是否便利、能否长时间作业。MOS2.0围绕这些反馈进行了针对性设计：双臂负载50公斤，以适配重载上下料和搬运，双电池热插拔实现接近不间断续航，全向底盘和多传感器配置提升了在产线狭窄通道中的到达能力和感知可靠性。
简而言之，工业客户对机器人的期待可以概括为：上手快、执行力强、能学习，还有吃苦耐劳的身体。这些硬件升级主要解决了能干的问题。MOS2.0与NexCore的组合，从硬件到平台，解决了具身智能持续进化的问题。
本体提供强运动性能和真实任务的数据入口，平台承接技能训练、部署调度和持续优化。两者结合后，机器人不再只是一个完成特定任务的设备，而开始具备持续获得新技能的能力，逐步向能够在真实生产环境中持续创造价值的AI Worker演进。
鹿明机器人创始人喻超主导打造的NexCore系统，其底层逻辑来自于他对具身智能行业发展阶段的深刻判断。这套完整的论证链包括：先厘清行业竞争焦点，再拆解当前普遍存在的认知误区，最后指向解决问题的技术路线。
第一个判断关于竞争焦点的转移。喻超认为，具身智能下半场是任务闭环的竞争，本体只是基础，最终决定胜负的是四个变量的乘积：数据获取效率、模型泛化能力、通用硬件成本和产业交付效率，将这四个变量串联起来的正是任务闭环。
这个判断的行业背景是：过去两年各家公司在本体自由度、运动速度和演示效果上快速拉平，单靠硬件参数已经很难建立长期代差，竞争的主战场正在向能让机器人实际落地、持续优化的方向转移。
紧接着的两个判断是对行业主流叙事的修正。其一是不要用机器人表演定义产业进步：跳舞、起身、奔跑能证明机器人的运动能力，但产业价值最终需要体现在连续工作时间、任务成功率、生产节拍、部署周期和投资回报率这五组数字上。展会上的惊艳和产线上的可靠是两套完全不同的评价体系，而后者长期被前者的声量所掩盖。
其二是产业机器人不必首先追求像人：双足、人形、轮式双臂、重载机械臂都是不同任务约束下的硬件载体，正确的顺序是先找到高价值任务，再决定最适合完成任务的机器人形态。这也解释了鹿明为什么同时布局双足和轮臂：核心技术栈可迁移、可复用，形态只是任务的函数。
第三个层面的判断关于数据和Scaling Law，这也是最值得技术从业者关注的部分。行业当前大量以数据采集的小时数作为竞争力指标，但喻超认为，真实世界数据必须走向有效数据量，关键在于是否覆盖任务分布、是否包含失败和恢复的样本、能否跨机器人迁移、是否真正提升了模型成功率。
与此对应，具身智能真正的Scaling Law发生在任务经验上。未来有价值的不只是机器人完成了多少小时的数据采集，而是机器人完成数万个真实任务后，积累的任务数据、技能模型和失败经验。这实际上重新定义了具身智能的规模概念，不仅是模型参数和数据量，还有任务经验。
最后一个判断有关技术栈的可迁移性。喻超认为，这一代具身智能相较传统自动化最大的变化，是以数据驱动为核心底座、以通用硬件平台为载体，通过持续学习获得解决开放场景问题的能力。
关键词落在解决开放场景问题的能力上，这也是鹿明核心技术栈始终保持统一的原因：在工业场景中锤炼的操作能力，可以迁移到服务场景和家庭场景，载体形态会变，但底层数据驱动的技能体系可以保持连续。
NexCore的发布完成了鹿明开发者生态的最后一块拼图，其意义远不止于此。从产业链视角看，具身智能数据的闭环存在不同的链条：Ego Vue、Station Lite等解决不同形式的数据和任务获取；这些管线负责将数据进行组织和流转；在其之上，Prime R0等模型负责将数据转化为具身智能能力；新发布的NexCore则将任务、数据、模型、技能、评测和机器人部署连接起来。
这种垂直整合在行业中并不多见。大多数公司要么做本体，要么做模型，要么做工具链，各层之间的接口和数据格式并不互通。鹿明整合出来的体系，显著提升了具身智能能力构建和交付的效率。
Prime R0在MolmoSpaces榜单上的表现，可以作为这套体系有效性的一个旁证。今年6月，鹿明产业具身大脑Prime R0在这项零样本具身智能评测基准中拿下全任务谱系综合成功率全球第一，击败了英伟达Cosmos、MIT及普林斯顿大学等团队。
其中值得注意的是，Prime R0是NexCore体系的第一个旗舰大脑，其设计目标并非单纯追求参数规模，而是面向工业现场复杂工况，提升模型的泛化性、实时性和可靠性。这个成绩说明的是体系化能力的胜出：当行业围绕单模型能力竞争时，鹿明用数据、训练、评测、部署的完整链路跑出了更好的结果。
当然，NexCore并不是一个封闭式体系，它并不绑定某一个大脑。在商业化路径上，NexCore采用平台订阅加训练算力、真机验证和技能授权的组合收费模式。这种模式的本质是让客户为技能生产的效率付费。
目前平台已覆盖科研、工业制造、服务行业和文娱产业等多类场景，从研发实验到真实业务运营均有对应能力。对鹿明而言，客户用得越深、技能积累越多，平台的粘性和网络效应就越强；对行业而言，如果这种模式成功，就意味着机器人能力的供给方式将从项目制定制转向平台化调用，这将是具身智能规模化落地的一个关键转折。
在鹿明的叙事中，NexCore要解决的终极问题是让机器人具备持续进化的能力，鹿明希望真正将智能带进产业。鹿明将这种进化的产物称为AI Worker：一个不断成长的产业工作者，它能够进入新的环境，学习新的任务；完成新的工作，积累新的经验；每次执行都推动下一次能力提升。它不局限于形态，真正重要的是能够理解任务、适应变化，并持续创造价值。
NexCore的发布预示着具身智能正在从模型探索进入体系建设时代。当行业还在比拼谁的机器人更像人、更能跑时，鹿明选择构建让机器人持续进化的基础设施，这条路比做一次惊艳的Demo难得多，但它指向的是产业真正愿意付费的能力。
这种模式能否走通，还需要时间和真实场景的验证。现在，鹿明率先给出了一套完整答案，能持续进化的机器人将要经历工厂里的每一个真实任务的洗礼。这标志着具身智能行业正在从概念验证阶段迈向真正的产业化应用阶段，为整个行业的未来发展指明了方向。