作者丨苏建勋

在具身智能领域，“搞数据”这个事儿，可能是为数不多的共识。

依靠训练巨量数据，大语言模型诞生了Chatgpt，“Scaling Law”也成了AI人的信仰，可在具身智能所属的物理世界，没有互联网上海量的数据参照。不论是人，还是机器人，在现实中的数据量，都不足以复现GPT时刻。

所以，数据怎么搞，能搞到多少，以及要让数据有质量，就成了具身智能从业者当下最重要的工作之一。

最近，就有一家机器人公司想在数据采集上“整点花活儿”。鹿明机器人发布了全球首款背包版UMI数采设备FastUMI Pro（背包版），并计划在2026年投放1万台设备，在工业、家庭、酒店、餐馆、商场、办公等六大真实场景开展系统性数据采集。

全球首款背包版UMI数采设备：鹿明FastUMI Pro（背包版）

简单解释一下“UMI（通用操作接口）”：UMI是斯坦福大学、哥伦比亚大学与丰田研究所联合提出的低成本数据收集与学习框架。区别于市场同行的遥操数采，UMI可以与机器人本体解耦，这就意味着训练出的数据，可以不仅适用于某一家/个机器人形态。

在2026年初的一次媒体交流会上，鹿明机器人创始人兼CEO喻超也聊到UMI和遥操的效率与成本对比：

“同样是像叠衣服这样的事情，遥操作数据采集，需要花 50 秒，成本是3-5元，如果是用FastUMI Pro的方式去采集，只要 10 秒，成本<0.6元，这样的话其实采集的效率能大大提升，成本更低。”

鹿明机器人成立于2024年9月，创始人喻超是前追觅具身机器人业务负责人，拥有近10年具身机器人研发经验，主导了小米CyberDog的研发和千台量产。联席CTO丁琰是大陆最早做UMI的人，首次将UMI从实验室带向工业界。

有量，也要有质

2025年，鹿明通过自建数采中心的方式，已实现10万小时的数据产能。喻超判断，2026年，头部具身模型的数据规模预计100万小时起。

而鹿明在2026年最重要的目标，就是建立年采集百万小时的UMI数据产能。这意味着，鹿明需要用更具规模化的手段，采集更多数据。

“机器人训练数据本不应该如此昂贵和稀缺。人类在物理世界作业过程中产生的数据无处不在，只是没有被很好地收集。”喻超表示。

背包版FastUMI正是为解决这一问题而生——它是一款便携的标准数采工作站，可将真实场景操作高效转化为高质量训练数据。

此前具身数据采集，大多依靠实验室或单一场景采集，这就会导致一个问题：机器人在采集时往往只在一个场景下重复几个动作，这样得到的数据就会缺乏多样性，也会影响模型的泛化能力。

因此，鹿明机器人希望采用更轻便的数据采集方式，将采集工具直接装进背包，让真实场景的数据采集门槛更低。

在具体场景上，鹿明机器人希望覆盖工业、家庭、酒店、餐馆、商场、办公六大核心场景，细分30个小类任务，构建结构化、多维度的操作数据体系。

“采–训–推”一体化闭环能力是鹿明数据基础设施的核心。此次规模化数据采集的启动，正依托于这一已全面打通的基建体系：依托FastUMI Pro，鹿明双臂具身机器人MOS在5小时内完成从“数据采集-策略训练-模型推理”的工厂质检全流程验证；FastUMI Pro在合肥实地部署后，仅用7小时便跑通真实场景下的采集、训练与部署推理。

FastUMI Pro在分拣零部件任务中，完成“数据采集-策略训练-模型推理”闭环

要训模型，数据先行

有了背包式的采集工具以外，鹿明还做了一件事，他们建了一个“数据超市”，把采集到的数据变成了可以流通的标准产品，让客户可以直接在官网上采购标准化操作数据。可以看出，作为一家具身智能公司，鹿明当下的公司战略重点，都围绕“数据”。

鹿明机器人的一系列动作背后，实际上反映了具身智能当下“最痛”的业务需求。

在年初的媒体沟通会上，鹿明机器人联席CTO丁琰就对《智能涌现》等媒体分享了他对于数据和模型的感悟。

“我就是做模型出身的，我之前一直在训模型，当时我们在做的时候就发现一个很大的问题。“丁琰说到，”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。“

在摸清行业真实发展现状后，丁琰和团队当时就决定，模型和数据二选一的话，肯定先选数据，不能上来就训模型。

”因为模型架构拼到最后，大家拼的不是模型架构，而是模型数据的质量，这是一个行业的共识。“丁琰说到。

具身智能的能力上限高度依赖真实操作数据的规模与质量，当通用数据可以像硬件一样在线下单，行业模型训练门槛被显著拉低，具身智能才能从定制化探索走向工程化生产。

从“万台设备同步开采”到“通用数据电商下单”，鹿明正将“无处不在却未被收集”的物理世界操作数据，变为可规模供给的标准化基础设施，并以此构建数据驱动的生态系统。当数据不再稀缺，机器人才真正走向通用。