数据采集，向来是具身智能行业的一大难题。成本、精度、泛化能力，似乎构成一个不可能三角，能找到一个可以落地的平衡点已十分不易。

在此背景下，2025 年 11 月中旬 Sunday Robotics 横空出世，向全世界的具身智能公司证明了 UMI 方案的可行性。一时之间，UMI 的行业关注度空前高涨。

而在国内，丁琰博士的数采方案「FastUMI」同样惊艳四座，凭借低成本、高数据质量、快速部署等特点深受行业青睐，被视为具身智能数据采集的新范式。

实际上，丁琰博士是国内最早将 UMI 落地实践的从业者。从上海 AI Lab 到一星机器人，再到如今的鹿明机器人，他始终专注于 UMI 的研究与推动，即便在早期这一方向并不被大部分人看好，他也依然坚持投入。时至今日，终于迎来"守得云开见月明"的时刻。

对于 UMI，丁琰博士有着独特的理解。他将 UMI 视为一套完整体系，而非单纯的数采工具；他的目标清晰，希望把 UMI 打造成像 AK47 一样"简单、可靠、低成本、好用"的工业级基础设施；同时，他深知数采背后真正的难点，除技术之外，更考验流程组织、人员管理与执行体系的复杂性。

今年由 GAIR 研究院与雷峰网联合主办的「第八届 GAIR 全球人工智能与机器人大会」上，我们有幸邀请到了丁琰博士参与圆桌会谈，分享他关于数据与 UMI 的深刻洞见。

在大会之前，雷峰网与丁琰博士展开了一场深入对话，以便与会者探讨交流。

UMI不只是一种数采方式，而是一整套体系

AI科技评论：你之前说在一星有"没做完的事情"，这个事情是指什么？FastUMI 算是其中之一吗？

丁琰：可以说，我是中国大陆最早投入 UMI 的人，从 2024 年 3 月开始，我就坚定地押注这条路线，在当时，UMI在国内还是极其小众的方向，整个中国具身智能圈几乎没有人公开选择 UMI 这条路线。

大家对 UMI 理解往往偏于表面，会把它看成一种数据采集方式，但在我看来，UMI 是一整套完整的方法论和体系。数据会反过来决定模型、系统架构、采集流程、算法设计，甚至影响硬件形态——整个链条都会因此发生变化。正因如此，我始终坚信 UMI 的前景，也非常希望把这件事真正做成。但当一件自己倾注心力的事业突然中断时，打击是难免的。没来得及做完的事太多：我们规划的产品路线、硬件怎么走、数据怎么建体系、模型怎么迭代、场景如何落地、生态如何构建、又如何与全球顶尖公司竞争……这些都还在路上，都属于"未竟之业"。

另一层"没做完的事"，是关于我个人的。我决定离开学术界进入工业界，是下了很大决心的。我希望能在工业界扎下根，做出一些真正的成绩，也让自己学到新的东西。相比学术圈，工业界的环境要复杂得多，人是最重要也是最难的部分——你需要与各种角色打交道：技术、采购、销售、财务、供应商、投资人……沟通和协作的成本远超想象。这些虽然与技术本身无关，却是我必须面对的一种成长与考验。而对我来说，这些考验似乎才刚刚开始，却被迫按下了暂停键。所以，我希望能在鹿明继续把这件事情做下去，把它真正做完。

AI科技评论：从一星到鹿明的过程是怎样的？

丁琰：一星这事在业内比较少见。很多人是在今年 6 月份加入一星，而我从 4 月份就开始组建一星的技术团队，到 10 月份公司关闭，总共经历了 6 个月。这半年里，整个技术团队都是由我从零搭建的，技术路线也是我在确定；数据体系、模型方案、产品规划等核心内容也都由我主导。整个技术版图其实非常宏大，按正常节奏至少需要两年才能完整落地，我们已经规划了多条产品线与技术路线。但一切都在没有预兆的情况下戛然而止。

9 月 30 日凌晨，我还在韩国参加展会，突然接到通知说一星即将被注销。我马上从韩国赶回苏州，落地之后公司就启动了注销流程，根本来不及反应。到 10 月 13 日，全员都已经签完了离职协议。那段时间，各种公司和投资人几乎每天都在联系我，每一家都有自己的吸引点和优势，也让我必须尽快做出判断。

AI科技评论：鹿明有哪些吸引你的地方？

丁琰：鹿明是很有特色的一个公司，CEO 本身是技术背景，清华本硕出身，对 UMI 方向始终抱有强烈的愿景与坚持。我是 11 月 2 号加入的鹿明，当时 UMI 在行业内还没有真正火起来——直到11月中旬，Generalist 和 Sunday Robotics 展示了他们基于 UMI 的成果，才让整个具身智能领域为之震撼。也正因为如此，在10月底的时候，国内几乎没有人愿意在 UMI 上 all in。

但鹿明与众不同，创始团队从一开始就坚定地要在 UMI 上重注发力，这种判断力与决心正是吸引我加入的关键原因。

AI科技评论：同为鹿明CTO，你和曹俊亮博士的分工合作是怎样的？

丁琰：我们之间的交流非常密切。我本身并非做硬件出身，因此在产品设计上非常依赖曹博的支持。比如我们计划推出力控版本、平动版本、非平动版本以及便携版本等多条产品线，曹博凭借丰富的量产经验，能帮助我补齐在硬件方面的短板。同时，曹博在做产品时也需要算法团队的支撑。例如，他希望小型人形机器人能够执行某些操作，就会来咨询我，让我们从算法需求的角度参与定义硬件，而不是仅凭物理结构去做设计。我们就是通过这样软硬件的深度协同，才能共同打磨出真正极致的产品。

优秀的数采方案，应该像「AK47」一样

AI科技评论：你从什么时候开始做UMI的？

丁琰：我在 2024 年 3 月正式启动了与 UMI 类似的新项目，4 月回国后便在上海 AI Lab 全力投入相关研究，一直持续到 2025 年 6 月底离职。在这一年多的时间里，我几乎把全部精力都放在这件事上，期间发表的三四篇论文也都围绕 FastUMI 展开。因为有足够长时间的技术积累，我们在实验室阶段把所有关键路线、可行性和核心机制都验证完了，看到了真正的曙光，我才敢把这项技术带到一星继续推进。可以说，FastUMI 最初诞生于学术界，而我后来在工业界做的，就是把它从一个实验室原型，真正打磨成一个可以规模化、可量产的工业级产品。

AI科技评论：相较于UMI，传统的遥操作方案有哪些不足？

丁琰：我最初在 AI Lab 时，其实是以数据采集顾问的身份为一家行业独角兽提供支持。当时我们做的是一套完全传统、依赖遥操作的数据采集体系。彼时 UMI 还没有形成如今这样明确的技术流派，行业更多是觉得"好像有点意思"，但几乎没有人愿意真正投入。那时的市场格局非常明显：至少九成的人都在做遥操作。然而，遥操作从一开始就存在非常突出的结构性问题。

第一，遥操作的数采效率比较低。一天能采集 100 条数据就已经算是非常优秀的效率了。我在做顾问期间发现，采集员常常会产出各种奇怪的轨迹，数据分布不可控，数据质量更是参差不齐。整个过程对人依赖极高，几乎无法实现一致性和规模化。

第二，遥操作的成本很高。由于必须依赖机器人本体进行采集，而一台本体的价格往往在 40 万元以上。如果你要采购五六十台来支撑规模化数据采集，前期投入就是两三千万元。在业务还没看到产出之前，这种成本对于任何公司都是沉重的压力。

第三，遥操作的数据质量也有问题。操作员戴着 VR 去操纵机械臂，缺乏真实的力觉反馈，中间存在大量动作不连续、体感不自然的 gap。这造成的数据往往是抖动的、不稳定的、缺乏一致性的。比如一个简单的抓取动作，如果不是熟练工，可能要重复多次才能完成，生成的轨迹非常噪声化，而这种数据对于模型训练来说是非常糟糕的。

第四，遥操作有数据孤岛的问题。遥操作采集的数据通常高度依赖特定品牌、特定形态、特定参数的机器人本体，因此数据只能在本公司、自家机器人体系内使用。一旦换了不同的机器人、控制器或执行器，这些数据的可迁移性就非常差，训练效果往往会大幅下降。换句话说，遥操作天然会形成数据孤岛，而无法构建行业级的通用数据资产。

AI科技评论：那纯视频呢？

丁琰：纯视频方案上，学术界和工业界其实存在一个非常明显的思维差异。在学术圈，只要一个方向足够 novel、有趣、能写论文，它就可以被视为一项很优秀的工作——至于能不能真正落地，并不是最核心的评价指标。但工业界完全不同。工业界追求的是那种简单粗暴、可靠可扩展的方案。我经常半开玩笑地说，我们要做的是"像 AK47 一样"的技术：简单、便宜、好用、有效。而从目前来看，纯视频方案距离这种工业级标准还有明显差距。纯视频当然能学到一些东西，但机器人面对的是真实的物理世界，而物理世界有大量必须被感知的信号：触觉、力控、摩擦、接触反馈，甚至声音。纯视频无法直接获取这些关键的物理信息，而这些恰恰是机器人学习和决策中非常重要的一环。因此，纯视频的数据价值不能否认，但它如何更好地在具身智能中被利用、以及能否成为主要的数据形态，还需要进一步探索。

AI科技评论：所以你选择了UMI。

丁琰：对，UMI 的核心优势就在于它能够直接从物理世界采集数据，而且完全不依赖机器人本体。我们只需要把 UMI 设备戴在手腕上，用一个夹爪去模拟机器人的操作过程。画面中呈现的只有夹爪本身——这意味着，只要未来机器人的夹爪形态与它一致，这份数据就可以无缝迁移、直接使用，是真正的"通用型物理数据"。同时，UMI 采到的是非常精准的物理世界数据，包括动作轨迹、接触模式、力的变化等。在这种方式下，人的体感与机器动作之间的 gap 非常小，大概只有 10%–20%，采集过程流畅自然，"看到就能抓、抓了就能做"。而相比之下，遥操作的体感 gap 往往高达 80%–90%。操作员戴着 VR 远程操控机械臂，动作延迟大、反馈不连续、缺乏真实触感，这些都会导致轨迹抖动、动作不自然，数据质量也因此大幅下降。

AI科技评论：那种手套方案怎么样？

丁琰：他们更多采的是五指数据，而 FastUMI 用的是二指数据，这本质上是两个完全不同的技术赛道。手套类设备也可以算是 UMI 的一种扩展形式，但目前五指路线整体还不够成熟。二指 UMI 的核心能力在于获取空间中的高精度轨迹，并准确记录夹爪的开合信息。由于二指夹爪的机械结构稳定、自由度少，因此可以直接、精准地推算出每个夹爪末端在空间中的位置，数据质量非常稳定。而五指方案的目标是获取每一个关节在空间中的位置，自由度暴涨、解算难度成倍提升。人手有 22 个关节，要让每个关节都保持毫米级误差几乎不现实。即使使用手套传感器，单关节误差往往仍然在厘米级，这会直接影响 replay（动作复现）效果。

AI科技评论：什么是好数据？

丁琰：本质上必须能 replay 成功 才算。当机器人按照数据执行动作时，如果不能精准还原人类的轨迹，那这份数据是无法用于训练的。因此，五指方案虽然也是一种 UMI 思路，但如果没有激光动捕等高成本环境辅助，其数据精度很难满足工业级需求。而二指 UMI 的优势就在于结构简单、可控性强、误差小、可 replay，真正符合可落地、可规模化的要求。

AI科技评论：目前在学术界其实也有一些UMI的方案，这些方案有哪些不足之处？

丁琰：我们应该算是全球第二家系统性开展 UMI 工作的团队，我对首家开展UMI 团队的工作非常尊敬，他们算是为 UMI 打开了整个技术方向的先河。那套系统整体对操作技能要求非常高，也更偏科研属性。

第一，他们的采集设备本身非常复杂。以轨迹读取为例，我们现在的 FastUMI 轨迹是直接从设备中读取的，插上电脑 1～2 分钟就能自动生成结果。而他们要读取轨迹，首先要对 GoPro 做标定，这一步至少需要 20 分钟；如果不是特别熟练的操作员，整个流程甚至可能需要一小时以上。

第二，他们的轨迹生成链路也非常长。采集时需要按照特定速度录制视频，录完后要取出 SD 卡，用读卡器插电脑，再通过 GoPro 的专用软件导出原始数据，然后再跑一套比较复杂的代码。光是环境配置和依赖安装就可能需要二三十分钟，最终才算能输出轨迹。

但这个轨迹还不一定成功，因为他们使用的是单目相机，而单目视觉里程计本身就极其容易失败。我们第一次尝试他们的方案时，大概 50%～60% 的轨迹都无法正确生成。后来才发现必须严格控制采集速度，而且场景里必须非常丰富的视觉特征点，否则视觉定位就会崩。

AI科技评论：FastUMI做了哪些改进？

丁琰：在硬件层面，他们的 UMI 系统只能运行在特定的几套设备上，例如 Franka 或 UR5e，夹爪必须使用 WSG-50，换成其他机器人或末端执行器基本就无法开箱即用。而这些设备动辄二三十万元，对大多数团队来说成本极高。为了让 UMI 能真正做到通用普适，我们投入了大量工作去做解耦，让 任何机器人、任何夹爪 都可以使用 FastUMI 这一体系，这是我们非常重要的技术突破。

在软件层面，我们用成熟稳定的 TR65 完全替代了原本复杂且易失败的轨迹计算方案。现在只需要 1～2 分钟就能稳定算出高质量轨迹，大幅提升了数据处理效率。

在算法层面，对方的体系主要只有一个 DP 算法。我们则针对 UMI 数据的特点开发和适配了四五种不同的算法，并在数据预处理、轨迹对齐、开合建模、触觉/力控特征提取等方面做了大量优化，使整个 UMI 算法链路更加完整、鲁棒。

综上，我们从硬件、软件到算法三个维度构建了一个扎实、完整并且可规模化的 UMI 体系。之后我们还自主采集了大约1万小时的UMI数据 ，积累了大量一线采集经验，为体系的稳定性和可重复性进一步打下基础。

整个具身智能圈子2/3的人，都在用FastUMI Pro

AI科技评论：你们的新产品FastUMI Pro据说成本只有传统方案的 1/5，可以具体透露一下它这个每条数据的成本是多少吗？

丁琰：数据的成本包括前期的高额研发投入，场地、采集人工电费以及设备折旧等等，我们新产品 FastUMI Pro 的成本能仅有传统方案的 1/5。我们现在的数据定价本质上是以"通用型数据"的模式定价。所谓通用型数据，就是一份数据可以重复售卖，并能够在不同机器人、不同算法体系中复用。因此，如果同一条数据能多次卖出，效益就会比较理想。

AI科技评论：FastUMI Pro很轻，但轻巧就意味着精简，有些功能会舍弃，那么在结构设计上如何平衡重量和功能？

丁琰：首先，如果希望采集员一天能够稳定采 500～1000 条数据，设备的重量必须控制在合理范围内，否则长时间操作会非常疲劳。因此我们把重量上限定在 600g。但这项工作当时是在一星的大工业场景下推进的，涉及的物品都很重，比如汽车零部件，部分甚至达到 1.5kg 左右。所以我们设定了一个硬性指标：设备必须能承载 2kg 的物体，而且同时保持足够轻巧。

这在当时是非常有挑战的，因为学术界还没有哪个研究型设备能做到 既支持 2kg 负载，又具备工业级耐用性。早期在 AI Lab，我们使用的还是 3D 打印结构件，非常容易损坏。那段时间最痛苦的就是——基本每天都在换零件。也正因如此，到了一星之后我们下定决心重新设计一款真正工业级的 UMI 设备，于是就有了 FastUMI Pro。

在硬件结构上，我们做了大量工程化优化，同时邀请专业人士对整体结构进行了系统的受力分析，明确哪些部位是主要受力点、最容易损坏。所有高应力区域，我们都采用了 强度更高的特殊材料 进行加固；而在螺丝孔、开合机构等容易变形的位置，我们也全面更换为更高规格的材料与结构。

至于非关键受力区域，我们的目标就是——能轻则轻。为此，我们尝试了二三十种不同厚度的结构版本，每一个版本都实际打印出来测试。在最终定型中，我们把部分结构的厚度压到 1.5 mm，而最薄的区域甚至做到 0.5 mm——因为这些区域几乎不受力。可以说，我们是把每一个细节都打磨到了极致，才达成了"轻量化与高强度同时兼顾"的目标。

AI科技评论：同时它的定位精度又很高，这是如何实现的？

丁琰：这一切的实现，其实归功于我们在软硬件和算法上的全链路投入。当时我们下了一个非常重要的决心：在产品成型之前不计成本地打磨品质，因为只要规模化之后，成本最终都可以摊薄。

因此，在最初的设计阶段，我们就选择了最好的传感器、组建了最强的算法团队。在跑完整个 pipeline 后，我们发现定位精度会直接影响算法效果，尤其是轨迹拟合、动作复现和多模态信号解算，因此我们决定必须把定位精度做到极致，并逐个解决可能出现的 corner case。

为此，我们不仅搭建了专门的算法团队长期攻坚，还投入了数百万元持续打磨这个产品。在硬件、软件、算法三端不断迭代的过程中，FastUMI Pro 才最终具备了今天的工业级稳定性和精度。

AI科技评论：从结果来看，这个投入是完全值得的。

丁琰：对，我加入鹿明还不到一个月，FastUMI Pro 就已经销售给了几十家企业。整个具身智能圈里大约有三分之二的团队都在咨询、测试或直接使用这款产品，国内国外都有。很多团队甚至是一口气采购多套设备回去评估。FastUMI Pro 基本已经成为行业内验证 UMI 能力的"标配装备"。

AI科技评论：您说过鱼眼镜头的FOV必须足够大，否则会出现物体超出视野的情况，那么FastUMI Pro采用了什么方案避免这一问题？

丁琰：就像我一开始强调的那样，UMI 从来不是一个简单的数采方案，而是一整套系统工程。数据的形态会直接影响算法，而数据与算法又会反过来决定硬件的结构设计。早期的 UMI 基本都把相机放在腕部，视野非常受限，背景信息严重缺失，有些物体甚至只能看到局部，这对于算法推理来说是极不友好的，因为模型必须依赖足够丰富、稳定的信息量才能可靠推断。然而，很多人做 UMI 只停留在"造出一个硬件"这个层面，没有真正完整走过从数据采集、算法训练再到回到硬件调整的全流程，这其实是非常不对的。真正的 UMI 必须经历一个反复迭代的闭环：先采数据，再训练算法，再根据算法结果不断修改硬件，只有这样整个体系才能成熟。在我们的实际训练中，我们发现像素必须足够大、白平衡必须足够稳定、抗抖性能必须足够强，否则模型就无法复现轨迹或推断正确动作。也正是根据算法反馈，我们最终选用了大鱼眼作为当前的最优解。

为了确定摄像头方案，我们几乎把所有能找到的鱼眼相机都买了一遍，前后大概二三十款。测试下来发现，很多鱼眼的实际视角根本达不到宣传的 180 度，要么画面灰暗、动态范围差，要么在快速运动时出现明显抖动，还有不少白平衡极不稳定。所谓白平衡，就是当你用手遮住摄像头再移开时，图像需要瞬间恢复正常颜色；如果要两三秒才能恢复，那么这一段数据轨迹就基本报废了。正因为我们完整经历了"硬件—数据—算法—再回到硬件"的闭环迭代，并用大量试错验证各种可能性，才最终确定了现在这个大鱼眼方案。它不是随便选出来的，而是从几十种失败选项里打磨出来的最优解。

深入做UMI后，我见识了采集员的管理之难

AI科技评论：FastUMI Pro为什么采用实时前处理？

丁琰：只有真正深入做 UMI，才会意识到实时前处理的重要性。我个人并不太倾向于 Generalist 或 Sunday Robotics 那类更偏后处理的方案。在实际采集中我们发现，后处理模式几乎是灾难性的：你可能录了八个小时的视频，最终为了得到真正可用的轨迹，不但要按任务把视频切成一段一段，还要逐条排查脏数据、删除错误片段、剔除低质量样本，整个流程极其繁琐，成本和人力消耗巨大。相比之下，实时前处理模式能够当场发现问题、当场修正，从源头保证数据质量。

选择前处理还有另一个很现实的原因——人性。数据采集员是非常难管理的。如果采用后处理方式，你把设备交给一个采集员，他干了一个星期，最后发现数据全部不能用，那么这一个星期的工钱到底付还是不付？而且问题并不总是硬件出错，更多时候是操作不规范造成的。我们在上海 AI Lab 建采集场的时候就遇到过大量类似情况：你规定某个任务必须 10 秒完成，但采集员可能 5 秒就做完了，动作不完整、节奏不符，导致整段数据完全没法用，而他们往往不会在意这些细节。因此，如果不在前端进行实时校验与约束，不仅数据质量无法保证，整个采集体系也难以长久维持。

AI科技评论：这些人是从哪找的？

丁琰：这些采集员大多是按小时计费的兼职人员，工作本身也没有太强的技术含量，他们往往无法真正保证采集结果的质量。即便你给出明确规范，他们也不一定会严格执行，这就进一步放大了后处理方案的不确定性和风险。

AI科技评论：不能去高校找一些大学生吗？大学生也挺便宜的吧。

丁琰：我们在 AI Lab 找的数据采集员其实都是大学生，但各种操作不规范的问题仍然很难避免，这让我真正见识到了管理的复杂性。那时候外包团队只有 11 个人，管理都已经很吃力了，如果建一个一百人的数据采集工厂，恐怕会直接崩溃。所以我们后来强调"不能做后处理"，理由并不是技术，而是管理。后处理意味着采集员一整个星期都在积累潜在错误，等数据全都无效时已经无法挽回，也无法实时指导他们如何改正。相比之下，前处理能够实时给工人反馈，告诉他动作哪里不达标、哪些步骤需要重做。我们第一周的合格率只有 50%-60%，但经过一两周的实时反馈训练之后，整体合格率显著提升，到了最后几周甚至有人能做到 100% 合格。后处理完全做不到这一点，因为采集和修正之间是割裂的，错误无法在第一时间被发现并纠正，而这一点恰恰决定了数据采集体系能否真正跑通。

AI科技评论：所以前处理没有技术上的难点吗？

丁琰：当然，还有一个原因来自硬件本身。硬件在最初阶段可能出现的问题太多了，往往需要经过至少半年的迭代才能逐步稳定下来。只有当硬件足够可靠、采集员也完全熟练之后，才有可能转向后处理模式。也就是说，前处理和后处理并不是绝对对立的关系，更像是一种循序渐进、水到渠成的过程。当系统还不成熟时必须依赖前处理来保证质量；等整个链路稳定之后，后处理自然就能够接上。

AI科技评论：你曾说在研发过程中踩过了很多坑，可以讲一下有踩过哪些坑吗？

丁琰：以鱼眼镜头为例，我们最初基于控制成本的考虑，采用了一些低性能镜头凑合，但在实际训练和验证中发现，算法根本无法在这种低性能镜头上发挥作用，所以最终选用了将近大几百一颗的高品质鱼眼。类似地，也有人问过我们的 UMI 设备和 3D 打印出来的版本有何区别——乍一看外观可能差不多，但真正用起来完全不是一个层级。3D 打印件本身就不稳定，采集过程中各种结构性问题会频繁出现，导致效率极低，完全达不到工业化生产所需的可靠性，也根本无法作为一个可以拿去售卖的产品。真正的工业产品必须在强度、稳定性、耐久度、精度等方面都经得起验证，这些都是 3D 打印无法承担的。

AI科技评论：技术上还有其他瓶颈吗？

丁琰：技术上的瓶颈其实更多来自算法层面。我们团队在这一条线上不断迭代了一年四个月，几乎把能踩的坑都踩过一遍，深刻体会到 UMI 最难的地方根本不是硬件。如果用 100 分来衡量整体难度，硬件大概只占三四十分，而数据处理的难度却在六七十分以上。很多人以为 UMI 看起来很简单，好像随便谁都能做，但他们并不知道真正的挑战不在于把一个设备做出来，而在于如何把数据处理好，因为整个 pipeline 异常漫长、异常复杂。UMI 的"坏的一面"就在这里——它的数据极其难处理。如果用做菜来比喻，这就像遇到了一种食材，本身又便宜又美味，但处理过程极其繁琐，需要大量技巧和耐心，否则根本做不出好菜。UMI 的数据也是一样，只有把这道最难处理的食材处理好了，整个体系才能真正发挥价值。

AI科技评论：所以算法才是你们的技术壁垒？

丁琰：可以这么形容，我们的数据处理全链路，别人可能需要一年才能真正跑通，而我们已经积累了超过 1万小时的实战采集经验，这本身就是非常强的壁垒。很多人看到的只是 UMI 的硬件外观，但那只是冰山一角，真正的难点和价值都藏在水面之下的部分——也就是数据处理、算法链路、异常场景处理、质量控制体系、采集规范化、以及迭代出来的经验。这些看不见的部分才决定了整个系统的可靠性与可扩展性。硬件只是入口，而真正的深水区，全在背后那条漫长而复杂的数据 pipeline。

AI科技评论：FastUMI Pro在鹿明的产品生态中扮演什么样的角色？

丁琰：鹿明的人形机器人在运动能力方面本来就非常突出，但在操纵能力上的优势还不够明显，而 FastUMI 团队的加入让鹿明在 manipulation（操控能力）这一关键维度上获得了显著提升。

AI科技评论：会有资源不够分的问题吗？

丁琰：不会，CEO喻超是一个非常有战略定力的人，一旦认定方向，就会坚定地 All in 下去。未来鹿明的主要布局将围绕两条主线：一条是人形机器人本身，另一条就是 FastUMI 体系。在 UMI 方向上我们拥有非常明确的先发优势，而且团队对技术路线和产品节奏都非常有信心，相信能够持续保持行业领先。

AI科技评论：鹿明未来在技术研发上有哪些重点方向？

丁琰：我更多能谈的是软件侧的内容，尤其是数据。在具身智能领域，数据是高度多模态的，其复杂度远超自动驾驶。自动驾驶几乎不需要触觉、力控甚至声音数据，但这些恰恰是具身智能的基础维度。未来还会叠加更多模态，使理解与探索的难度进一步提升。现在整个行业在"具身智能该如何获取、理解和使用数据"这件事上的认知仍然非常不足，因此数据一定会是鹿明未来最核心的战略重点。

另一方面是我们自研的模型架构，其实也有大量讲究。并不是所有数据都能简单混在一起做训练，每一种数据都有其天然结构和语义特征，如何根据这些特征去构建属于自己的 VLA 架构，才是最关键的。我们会围绕数据特点对模型进行针对性的结构改进，充分释放不同模态的价值，这也是鹿明未来研发的另一条核心主线。