在 Demo 中，我们能看到花样百出的机器人表演，但在工厂里，机械臂换了一个工件型号，工程师们却还要蹲在产线前重新编程三小时。
同一个行业，仿佛处于两个平行世界。过去两年，具身智能的叙事正在被本体性能推着走：自由度越来越多，运动越来越灵活，Demo 越来越惊艳。但在这些机器人真正走进工厂、服务空间和家庭的当口，一个更大的问题浮出水面：能动，不等于会干活。
8 月 19 日，就在 2026 世界机器人大会（WRC）开幕的当天，鹿明机器人发布具身智能进化引擎 Lumos NexCore。在具身智能走向产业落地的当下，它试图在数据、模型、技能与机器人之间建立一套完整的生产与运行链路，让机器人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」。
鹿明试图验证一个观点：要让机器人落地，其能力就要像云服务一样被调用、训练和验证。
具身智能的下半场，不是本体大战，而是任务闭环的竞争。
NexCore
面向产业具身的「技能基础设施」
如今，具身智能正在进入产业落地的下半场，理解不断变化的物理世界成为了最直接、最重要的挑战。
一个熟练工人的价值，在于他能够理解任务、根据环境调整方法，并把经验迁移到新的工作中。机器人要想真正进入工厂干活，也需要具备学习经验的能力。鹿明判断，机器人正在进入技能进化时代，未来机器人竞争的核心，是它能不能形成技能、积累技能，并将技能迁移到更多任务中，实现持续的自我进化。
这也意味着，下一阶段的竞争不再是模型参数、本体形态的较量，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。而后者需要能够支撑机器人持续学习与进化，具身智能才有可能从单点能力走向规模化应用。
基于上述判断，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，需要先看到具身智能规模化落地的瓶颈：今天机器人技能的生产方式，本质上还是「手工作坊式」的。每接一个新场景，团队就要完成一套数据采集、数据处理、模型训练、调参、真机部署、失败返工的全流程。这个过程高度依赖工程师个人经验，中间环节难以标准化、可追溯，模型在仿真里跑得好、上了真机就失灵是常态。
更关键的是，一个场景积累的数据和经验，很难迁移到下一个场景，每做一个项目都像从零开始。
在科技领域里，新技术的规模化落地往往伴随着体系的构建：云计算把服务器管理变成了可调用的服务，MLOps 把大模型训练变成了可管理的流程，而具身智能至今缺少这样一层基础设施。机器人能力的生产：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 想做的就是这一层。它把数据资产、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，核心定位是一句话：让机器人能力像云服务一样被调用、训练和验证。
这五块技能组成的技能生产线里，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，让每一条数据都可检索、可标注、可复用；模型训练平台把训练过程托管起来，任务编排、参数优化和过程追踪由平台承接，客户不必自建环境；评测解决的是「验收标准」问题，通过多维评测和能力诊断，让模型表现变成可量化、可复现的证据；技能管理把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，把过去散落在各个工程环节的能力串成了一个可观察、可追溯的闭环。用户甚至可以用自然语言描述任务目标，平台来编排后续流程。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就能参与技能开发。
可以看出，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，机器人能力才有可能像云服务一样实现规模化供给。这正是鹿明把 NexCore 定义为「进化引擎」的原因。
一副好身体
一套进化引擎
具身行业里，做模型平台的公司不少，NexCore 的差异点在哪里？一个值得关注的地方，是它并没有把模型训练视为终点，而是把重点放在了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，反复涉及到三个问题。
第一个问题：你希望机器人掌握更多技能吗？答案通常是肯定的，而且希望这些技能能够快速适配自己的业务。
第二个问题：是否希望把已有的模型和技能直接拿来用？答案通常也是肯定的，但真正进入具体场景后，又会发现不同工厂、不同工艺、不同流程之间存在大量差异，通用能力仍然需要针对实际任务进行适配。
第三个问题：当机器人完成一项任务之后，还希望它做什么？答案是继续学习。因为产业现场并不是静态的，任务会变化，环境会变化，生产要求也会变化。
这几个问题背后对应的，其实是具身智能落地过程中的一个核心矛盾：通用模型解决了「机器人能不能学」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，并把学到的能力持续积累下来」的问题。
工业制程形式多样，同一行业同一工序也会有差异点；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，而且较为频繁。因此，能够真正在产业场景中落地的机器人，需要的并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。机器人每完成一次真实任务，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，客户最关心的问题集中在五件事：能不能干别的活、能不能更快、部署要多久、好不好维护、能不能长时间作业。
MOS2.0 围绕这些反馈做了针对性设计：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，概括下来就是 —— 上手快、执行力强、能学习，还有吃苦耐劳的身体。
但这些硬件升级主要回答了「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，两者结合之后，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。
具身智能的「下半场」怎么打
NexCore 由鹿明机器人创始人喻超主导打造。这套系统的底层逻辑，来自他对具身智能行业发展阶段的判断，这是一条完整的论证链：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，把这四个变量串起来的，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落到连续工作时间、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」，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。
构建完整具身基础设施
NexCore 的发布，完成了鹿明开发者生态的最后一块拼图，当然意义还不止于此。
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 等解决的是不同形式的数据和任务获取；这些管线负责把数据进行组织和流转；在其之上，Prime R0 等模型负责把数据转化成具身智能能力；新发布的 NexCore 则把任务、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，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，如果这种模式跑通，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，这会是具身智能规模化落地的一个关键转折。
具身智能的「系统时刻」
在鹿明的叙事里，NexCore 要解决的终极问题，是让机器人具备持续进化的能力，鹿明希望真正把智能带进产业。
鹿明把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；每一次执行，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。
它能不能走通，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。
文章来自于"机器之心"，作者 "泽南"。
