一组数字正在戳破具身行业最体面的泡沫：实验室里跑出 89% 的任务成功率，换到真实产线上，直接跌到 12%。鹿明机器人创始人喻超的判断很直接——下半场的竞争，正在从「造机器人」转向「造技能」。他给出的产线验证答案是：99%。
过去一年，机器人公司最爱的开场白是：我们在实验室把任务成功率做到了 89%。
客户走进工厂，看到的现实是：同一类任务，真实产线上的成功率只剩 12%。
注：柱形为相对比例示意，反映行业公开讨论中实验室与产线成功率的典型落差，并非单一厂商的测试结果。
差别的根源不在机器人本身，而在环境。实验室里物料位置固定、光线稳定、抓取一次成功；产线上物料会歪、光线会变、前一道工序会延迟——每一次意外，都是一次失败。
喻超把这种现象看在眼里。从 2016 年入行，算法、四足、人形、整机、量产他都经历过，他越来越确定一件事：机器人真正难的，从来不是把它造出来，而是让它在真实环境中持续完成任务。
但行业正在往另一个方向卷。数据集规模、仿真时长、视频扒取量，成了各家比拼的硬指标——仿佛数据越多，机器人就越接近通用智能。
「实验室采集的数据、仿真生成的数据、视频数据，有用，但不足以让机器人在工厂里稳定干活。」喻超说，「数据的价值并不只取决于数量，更取决于它与真实产业任务的关联程度，以及能否真正转化为机器人的作业能力。」
数据竞赛解决的是规模问题，产线考核的是稳定问题。
面对这个落差，喻超给出的答案不是更多数据，而是一套体系——他称之为「产业具身」。
2024 年创业时，鹿明第一次正式提出「产业具身」。喻超的定义可以压缩成一句话：
以真实产业任务为起点，让机器人在真实环境中获得数据，通过模型形成技能，进入生产环境执行，再把任务结果反馈到系统中，以此往复，持续进化。
它的核心不是某一种机器人形态，而是一套围绕真实任务形成能力的体系，由六个要素拼成：
那么，产业具身和传统自动化是什么关系？喻超的回答很干脆：不是替代，是互补。
擅长确定性、重复性、结构化任务。已经形成成熟自动化体系的场景，没有必要为了智能重新做一遍。
解决变化更多、任务更复杂、人工依赖更高、或传统自动化改造成本较高的环节，还能实现一机多能。
以 MOS 这类轮臂式机器人为例，它不是简单替代一台机械臂，而是把移动、感知、双臂操作和任务执行结合起来，让机器人能跨区域移动，面对现场变化调整策略——而不是完全依赖固定轨迹。
判断一家公司是不是在做产业具身，不应该看它给机器人贴了什么标签，应该看它有没有让机器人真正获得在真实世界里持续完成任务、学习和进化的能力。
既然不为了智能而智能，筛选就变得重要。喻超反复强调一个观点：「机器人能做」不等于「应该部署」。真正值得部署，是机器人能力、任务价值和商业账同时成立。
注：五条标准需同时成立、缺一不可。它同时否决了两类伪需求——为了智能而智能的炫技，以及为了融资而想象的场景。
产业具身要成立，必须打通一条从数据到技能的管线。喻超的表述很直接：数据不是终点。数据要变成模型能力，模型能力要变成机器人可执行的技能，技能还要评测、部署，再回到真实环境中持续优化。从「采数据」到「造技能」，这条管线必须打通。
这正是鹿明最新发布 NexCore 进化引擎 要解决的事——它是一套让机器人持续学习和获得新技能的系统，把能力的产生、验证、部署、迭代做成了一条工业化流程。
注：评测是关键闸门——技能在不同工况下达标才允许部署；部署后的运行数据继续回流，推动技能持续进化。NexCore 的目标是规模化生产技能，不是批量生成 Demo。
它和传统机器人操作系统的区别，在于解决的层次不同：
关注怎么让机器人运行起来——设备管理、运动控制、传感器、通信、任务调度。
关注机器人怎么获得新任务能力——技能如何被持续生产、验证、部署和迭代。
喻超不否认仿真和视频数据的价值，他反对的是把数据当终点。在他的框架里，三种数据各有分工：
「真正难的从来不是采集多少小时，而是如何更高效地获得能够提升任务成功率的数据。」喻超说，「我们现在强调的不是『数据量』，而是『有效数据量』。」
管线跑通没有？喻超给出的不是演示视频，而是一个正在发生的客户案例。
一个诚实的注脚：99% 是特定任务、特定工况下的成绩，不是通用能力。
喻超没有回避这一点。他明确表示，短期 NexCore 最重要的验证场景是鹿明自己的机器人和项目；长期才希望把它做成面向更多机器人和更多行业的基础设施，降低制造业、文娱、科教、服务等行业开发和部署机器人技能的难度。
进入产业阶段后，客户的问题全变了。不会有人再问你的机器人有几个自由度。
他们真正会问的是：能不能稳定完成任务？生产节拍能不能达到要求？能不能连续工作？换一种物料还能不能做？出现异常能不能恢复？部署要多久？最终 ROI 怎么样？
喻超的判断很明确：具身智能的竞争，将从本体转向任务闭环。本体依旧重要，但它仅仅是整个产业系统的一部分。真正决定产业价值的，是四个核心要素共同作用的结果：
行业最需要被打破的「共识」是什么？喻超的答案很锋利：机器人越像人，就越接近通用具身智能——形态通用不等于任务通用，运动能力强也不等于产业价值高。
「如果一个机器人可以完成一个非常复杂、非常有价值的工业任务，即使它不是人形，它依然是具身智能领域非常有价值的产品。任务决定能力，任务决定形态——先找到值得解决的问题，再决定机器人应该长什么样。」
数据竞赛解决的是规模问题，产业缺的是稳定交付。实验室的 89% 与产线的 12% 之间，隔着的不是算力、不是参数量，而是任务闭环的工程能力。具身智能下半场的分水岭已经出现：能打通「任务—数据—技能—部署—回流」闭环的公司，会跑赢只堆数据和形态的公司——哪怕后者的机器人看起来更接近人。
NexCore 已随 MOS 2 在三菱电机国内工厂产线运行。搬运、质检、螺丝锁付之外，新场景订单已在路上。鹿明方面表示，短期以自有机器人作为核心验证场景，长期将开放为面向多行业的基础设施。
关注鹿明机器人官方渠道 · 了解 NexCore 与 MOS 系列动态