具身智能的第四阶段：「造系统」？ | 雷峰网

 模型之后，具身智能正在寻找“系统答案”。

    作者丨李   希

    编辑丨董子博

进入2026年下半年，越来越多企业开始思考，具身智能如何才能更快落地？业内逐渐形成的共识在于，具身智能的竞争，不再是单一模型能力的比拼，而是进入系统工程能力与产业基础设施的核心角逐。

这一共识形成的背景在于，一方面，机器人硬件正在快速成熟。机械结构、关节模组、传感器、控制系统等核心硬件持续迭代。但另一方面，机器人拥有了越来越强的身体，却依然缺少真正工作的能力。

一台机器人可以识别物体，可以理解语言指令，也可以完成实验环境中的复杂动作，但当它进入真实产业场景，面对不断变化的环境和任务时，真正困难的问题变成了它是否知道如何完成任务？它是否能够根据环境变化调整策略？它是否能够将一次成功经验，转化为可复用、可迁移的技能和能力？答案依然是否定的。

虽然大模型解决了机器人“理解世界”的认知难题，但机器人要真正进入世界、更快融入场景，本质上还需要一套能够支撑技能生成、真实验证和高效部署的基础设施。这正在成为机器人产业下一阶段竞争的新焦点。

近期，鹿明机器人推出具身智能开发与验证平台Lumos Station Lite，并提出“产业具身”理念，试图让具身智能更容易从“理解任务”走向“完成任务”，打通模型能力到真机落地的关键链路，有望推动具身智能在产业场景规模化落地。

01

模型之后，

具身智能正在寻找“系统答案”

“产业具身”的提出背景，与人工智能的发展历程有着相似之处。人工智能发展的早期，人们逐渐意识到，一个强大的模型本身并不足以直接创造产业价值。从算法突破到商业落地，真正推动AI进入现实世界的，是围绕模型构建的数据体系、算力体系、工具链和应用生态。以GPT、DeepSeek等大模型为代表的新一轮AI浪潮，也进一步证明了这一点：模型能力只是起点，完整的产业基础设施才是推动智能规模化应用的关键。

具身智能正在场景需求的驱动下，正进入从“能力展示”走向“产业应用”的关键阶段。机器人真正进入现实世界后，面对的不再是实验室中定义好的任务，而是充满变化和不确定性的真实环境。

在仓库中，物料位置可能随时变化；在生产线上，工件状态和作业流程可能不断调整；在家庭环境中，用户需求也难以提前穷举。面对这些复杂场景，机器人不能只依赖预先编排的程序，而需要具备从真实环境中获取信息、学习经验，并持续进化的能力。

这意味着，具身智能天然是一项系统工程。它需要感知系统理解环境，需要模型系统完成任务推理，需要控制系统将决策转化为动作，需要机器人本体完成物理执行，还需要反馈机制不断优化能力。其中任何一个环节不足，都会限制整体智能水平。

强大的模型可以赋予机器人认知能力，而一套稳定、闭环的系统基础设施，能让智能真正落地、持续迭代、规模化复用。这也是鹿明提出“产业具身”理念的核心底层逻辑——跳出单点技术迭代，以全链路系统能力破解产业落地瓶颈。

AI科技评论发现，“产业具身”理念围绕真实产业需求，将技能能力、AI模型、机器人系统和产业场景真正连接了起来，并借由Lumos Station Lite这款面向教学与科研场景的桌面级平台，将重心落在了另一个维度：从模型部署、真实执行到量化评测的一体化技能验证能力。

02

技能正在成为连接模型

与产业落地的关键中间层

随着产业应用持续深化，机器人行业的需求已然发生根本性转变：市场不再单单追求“拥有一台机器人设备”，而是渴求“拥有可落地、可复用、可迭代技能的机器人”。在鹿明的产业布局中，可验证、可沉淀、可调用的机器人技能，正是连接AI模型与真实产业场景的核心关键。

因为现实世界中的任务，很少是简单动作。例如，一个机器人完成柔性物体整理，看似只是抓取和摆放，但背后涉及物体状态判断、动作规划、力度控制、空间关系理解以及异常处理。因此，整套综合能力的沉淀，才是具备产业价值的机器人技能。

鹿明认为，具身智能的发展不能只依靠模型规模提升，而需要围绕真实产业任务，将场景需求、技能能力、模型能力和机器人系统结合起来，让机器人具备面向产业应用的执行能力。这是具身智能区别于传统人工智能的重要地方。在数字世界中，模型输出答案即可完成任务。但机器人面对现实世界时，答案只是开始。

例如，一个模型能够理解“整理桌面”的含义，但真正执行时，机器人需要判断哪些物品需要移动，哪些物品需要避让，不同物体应该采用什么方式抓取，以及当环境变化时如何调整动作。

这个过程，本质上就是技能。技能并不是简单的一段动作程序，而是一种面向任务的综合能力。它包含对目标的理解，对环境的判断，对动作的规划，以及对异常情况的处理。换句话说，模型告诉机器人应该做什么，技能系统帮助机器人知道如何完成。这也是当前具身智能产业的重要缺口。

过去，机器人能力大量依赖工程师针对具体场景进行编程。但随着机器人进入开放环境，这种方式越来越难以支撑规模化应用。企业不可能针对每一个任务重新开发一套程序，也不可能让每一台机器人都从零开始学习。

围绕这一方向，鹿明试图构建覆盖技能理解、技能训练、真机验证和规模化部署的产业具身基础设施体系。其中，核心并不是简单积累大量操作记录，而是将机器人真机作业轨迹、任务执行经验，抽象为标准化、可复用、可迭代的通用技能资产，让机器人能力不再依赖单点编程，而是实现自主进化、持续升级。

这意味着，硬件决定机器人能够完成什么动作，模型决定机器人如何理解任务，而技能体系决定机器人能否真正进入产业。未来，机器人价值的重要衡量标准是这些机器人能够调用多少经过验证的能力。

03

从模型能力到产业能力，

需要一层系统基础设施

理解了技能在当前产业发展的意义，接下来仍需考虑机器人持续、稳定、大规模地完成任务。鹿明发现，这中间需要一层新的基础设施，使其顺利连接模型和机器人，也连接研发和产业。

一方面，机器人需要一个环境，让技能能够被开发、验证和优化。另一方面，机器人能力需要一个系统，让经过验证的技能能够被管理、调用和部署。

这正是鹿明布局Lumos Station Lite的核心逻辑。

过去，一个算法团队若想验证模型在真实机器人上的表现，需要同时协调机械臂、传感设备、控制系统和测试场地，硬件联调、接口适配、算法研发与真机执行之间存在一道高墙。Lumos Station Lite要解决的，正是这个“最后一公里”问题。

在硬件架构上，Lumos Station Lite采用双臂协同设计，搭载两台Lumos Touch R1六自由度机械臂，能够支持物品递送、精准摆放、柔性物体整理以及多步骤任务执行等复杂技能验证，更贴近产业场景中的实际操作需求。在感知系统方面，平台创新采用“2+2”多视角感知矩阵，由双腕部相机和双桌面固定相机构成，将近距离操作视角与整体环境视角结合，为模型训练提供更加丰富、真实的数据基础。

同时，Lumos Station Lite通过边缘控制单元打通机械臂控制、SDK调用与模型部署流程，支持云端及端侧推理，构建“视觉感知—模型推理—任务规划—机器人执行”的完整闭环，让算法真正进入真实物理世界完成验证。

更值得一提的是，作为鹿明产业具身智能基础设施的重要组成，Lumos Station Lite面向教学与科研场景，提供从模型部署、真实执行到量化评测的一体化技能验证能力。它打通了模型能力与机器人执行之间的关键链路，推动具身智能从实验验证走向真实应用。

图：Lumos Station Lite模型部署

从系统架构来看，平台的核心价值并不在于某几个硬件参数，而在于它构建了一套完整的技能开发与验证闭环，全方位覆盖“模型部署—真实执行—量化评测”的全流程。在技能验证环节，平台围绕任务完成率、连续成功率、执行效率、异常恢复能力等维度进行量化分析，让机器人能力的评价标准从“一次惊艳的演示”转向“可重复、可度量、可优化的稳定输出”。

连接这一闭环的，是鹿明面向产业具身构建的Lumos NexCore操作系统，覆盖数据管线、模型评测、场景工具链等产业规模化落地所需的完整基础设施。

此前，Lumos NexCore体系下的原生产业具身大脑Prime R0已登顶全球权威零样本具身智能评测基准MolmoSpaces，在单臂精细操作与双臂协同操作的全任务评测中综合成功率位列全球第一。目前，Prime R0已完成花艺精细操作、柔性织物规整、精密小件收纳、杂乱物料密闭空间作业等多项真实工况验证。

这些布局共同指向一个清晰的战略方向：构建从技能获取、模型训练到部署验证的完整系统能力，而非仅仅停留在单个产品层面。

04

产业拐点已至：

谁在铺设“系统基础设施”？

Lumos Station Lite选择在2026年7月这一节点发布，并非偶然。2026年，教育部已新增具身智能本科专业。鹿明选择教学与科研场景作为切入点，意在通过赋能人才培养和基础研究，构建从技术源头到产业应用的生态闭环。

与此同时，公司今年5月连续完成A1及A2轮融资，累计融资近10亿元，由三菱电机领投。产业资本的进入，往往意味着一个赛道从技术探索走向规模化落地的拐点已经到来。

场景落地层面，鹿明已与京东集团、中远海运、德马科技、广运集团等产业伙伴建立深度合作，围绕智能制造、物流等多个领域推进场景共创。从联合研发到项目落地，从产品验证到持续迭代，这一模式正在推动“真实需求驱动技术迭代、技术能力反哺产业升级”的正向循环。

这些信号共同指向一个结论：具身智能正在从分散的技术突破，转向全链条协同发展的产业阶段。而全链条协同的关键，正是那个连接模型、算法与机器人执行的“中间层”，即鹿明所定义的“技能基础设施”。

05

结语：以系统基础设施，

定义机器人产业下半场竞争

不可否认，具身智能正在进入从技术突破走向商业价值创造的关键阶段。未来，决定机器人产业价值的核心问题，不再只是机器人能完成多少任务，而是机器人能否持续学习，并将一次次实践经验沉淀为可复用、可复制的技能。

如果说模型是机器人的“大脑”，数据是持续进化的“养分”，那么支撑这一切运行的系统基础设施，才是真正决定产业竞争力的关键。

未来十年，机器人行业的分水岭，或许不再是谁拥有更多、更强的机器人硬件，而是谁能够构建一套连接数据获取、模型训练、技能生成与能力部署的完整智能基础设施体系。

因为当机器人开始真正理解任务、学习经验并不断进化，产业竞争的核心也将从单一产品制造，走向智能能力的持续创造。而这，也将打开具身智能更广阔的产业未来。