推荐语
2023 年前后，ChatGPT 引发的大模型浪潮向物理世界外溢，具身智能重回产业视野。资本、创业者与大厂纷纷入局，这一曾局限于实验室和小众圈层的行业，瞬间成为焦点。
喻超亲历了这场变革的前后两端。他在清华攻读动力机械与控制耦合问题，本科横跨热能工程与数学。毕业后，他早期投身机器人行业，研发基于端到端 Learning 的算法。彼时，“端到端”尚未成为大模型时代的显学，机器人学习也未获如今般的产业关注。2020 年后，小米筹备“铁蛋”四足机器人项目，喻超加入追觅负责机器人业务，成为国内较早实现四足机器人规模化量产的团队之一。
这段经历重塑了他对机器人创业的认知：技术不天然导向产品，产品也不天然形成商业价值。机器人尤其是高度耦合的复杂系统，而非单点算法问题。
2024 年下半年，喻超创办鹿明机器人。不同于从单一技术环节切入，鹿明自成立之初便聚焦机器人能力的完整闭环。公司不追求全环节自研，而是致力于在硬件、本体、数据、模型和任务部署间建立深度理解与连接，依据产品阶段灵活决定自研或开放合作。
WRC2026 现场，Lumos MOS2 重载轮臂式具身智能机器人正在进行物流搬运的演示
过去两年，鹿明的发展是能力模块逐步叠加的过程。早期解决本体和数据采集等基础能力；随后进入真实场景，理解产业环境中的真实约束；2026 年，鹿明尝试将硬件、数据、模型和任务部署中的能力进一步工程化连接。
NexCore 便是这一阶段的产品化尝试。鹿明旨在将已验证的研发流程标准化、自动化，并通过真实任务持续完善。
NexCore在此背景下应运而生。喻超将其定义为具身机器人的"Codex 系统”：涵盖任务创建、数据接入处理、模型与技能训练、评测、真机部署，乃至数据回流和持续学习，试图将高度依赖人工的机器人研发链条自动化。
这背后折射出喻超对下一阶段机器人竞争的判断：具身智能的下半场，将从本体大战转向任务闭环与智能系统的竞争。
这与过去两年行业显性的竞争指标截然不同。长期以来，人形机器人行业习惯用自由度、负载、速度、模型参数和数据量来衡量进步。
“进入产业现场，解决实际生产问题，才是具身智能的价值出口。”这也是此次对话中，喻超反复强调的观点。
在数据路线上，相比争论何种路线是“正确答案”，他更关注不同阶段的数据分布及其对任务成功率的真实提升。在他看来，关键不在于数据总量，而在于数据是否覆盖真实世界的任务、场景和变化。
这些判断最终指向核心问题：当机器人行业从论文、Demo 和参数竞争走向真实商业世界，什么才是一家公司的长期壁垒？
喻超的答案并非单一模型或某款机器人。他认为，未来竞争将趋近系统能力的较量：能否找到真正的 PMF，能否在商业化中持续获取高价值真实数据，能否将数据转化为可规模复制的技能，以及能否稳定完成任务交付。
技术路线或许会变。新模型、新数据范式甚至新硬件形态都可能让现有方案过时。但在他看来，公司在过程中构建的系统能力，不会因一次技术切换而被抹去。
日前，Z Potentials 与鹿明机器人创始人兼 CEO 喻超进行深度对话。我们从其个人经历与创业起点聊起，探讨 NexCore 的产品逻辑、具身智能的数据路线、产业场景选择、行业竞争格局，以及未来五年机器人公司的核心资产。
Highlights
我们并非想把机器人所有环节都自己做一遍，而是希望理解并打通从任务到数据、模型、部署和反馈之间最关键的闭环。
没有真实场景，就没有真实任务；没有真实任务，就拿不到真实场景里的高价值数据。模型若一直停留在实验性、理想化环境，持续优化能力便不足；模型能力不足，就无法变成可部署的技能；没有部署，就继续没有真实数据回流。
下一阶段的竞争，是智能系统之争，未来机器人竞争的核心是谁拥有让机器人持续进化的能力。
本体依然重要，但未来机器人竞争不会只由自由度、速度或某一个单一参数决定。任务结果、稳定性、成本和部署效率会变得越来越重要。
现在单纯再提“有多少条数据”，已经逐步变成一件没有太强意义的事情。真正有价值的数据，是能够帮助机器人解决新的任务和处理真实世界中变化的数据。
有效数据的获取效率，是目前行业最大的短板。这个最终会是一个决胜点。
01 从“铁蛋”项目到自立门户，喻超的三次关键跨越
ZP：首先请喻超总介绍一下自己的经历，尤其是过去几段经历对您现在创业的影响？
喻超：我最早在清华读书，本科是热能工程加数学，研究生的主专业方向一直是动力机械与控制相关的耦合问题。所以我一直对多自由度复杂系统比较感兴趣。毕业之后，我直接从事机器人相关的算法研发，应该算是国内比较早一批做基于端到端 Learning 算法的机器人行业从业者。因此，对整个行业这些年的变迁，我觉得自己有一个比较完整的理解。
2020 年左右，因为小米“铁蛋”项目，我去了追觅，负责机器人业务。到 2024 年，我自己创办鹿明。
整体来说，读书期间主要是在打基础。第一段工作经历主要是做算法相关，包括 Learning-based 算法和一些技术管理。这一段经历给我最大的 Learning 是，事情不能纯粹以设计的方式去做，一定要有商业化牵引。这也是我后来加入追觅的一个原因。在追觅的经历，对我来说主要是弥补了带大团队做产业落地这方面的经验，我们当时应该也是国内最早把四足机器人做到批量的团队之一。
ZP：2021 年小米“铁蛋”其实引发过一波四足机器人热潮。当时国内一些比较小的圈子已经开始关注这个方向。2024 年决定创业是什么契机？为什么会选择这个方向？
喻超：当时对我最大的触动，是我原来自己做的端到端算法，在语言模型里面开始出现了一些我自己能够体会到的涌现。大语言模型的发展让我看到，过去很多我们认为非常困难的问题，可能正在出现新的解决路径。对于整个行业来说，我觉得这是一个比较好的窗口。实际上 2023 年，机器人行业也确实重新掀起了一波热潮，比如 ACT、VLA 等技术路线的发展，让机器人学习开始出现新的变化。
基于这样的判断，我认为这个时间点是比较好的。同时，我也想把自己过去积累的经验，以及对产业的一些看法，和这一波大的技术变革结合起来。
ZP：当时具身智能其实有很多可以选择的方向。本体很火，具身模型、算法、数据也陆续成为热点。鹿明最开始是怎么思考具体方向的？
喻超：机器人有一个特点：如果你最终的目标是让机器人完成真实任务，那么你必须理解从本体、数据、模型到部署之间的关系。不一定所有东西都自己做。但你必须知道问题在哪里，以及不同环节之间如何配合。
所以我们从早期开始，就希望构建比较完整的系统理解能力。有些核心能力我们会自己深入投入。有些能力会和合作伙伴一起完成。随着产品和商业化阶段的发展，我们也会不断调整边界。
ZP：最开始的想法就是把本体、数据等机器人各个核心模块都跑一遍？
喻超：我们一开始就希望构建一个比较平台化的能力。如果只是从某一个单纯的场景出发，其实我过去已经做过，比如让机器人做 3C 测试任务。但是让机器人做单一任务，和具身智能本身并不是一个完全匹配的思路。具身智能最终一定是在产业里面解决各类问题，才有价值。
ZP：鹿明现在所做的平台，包括最开始设想的整个软硬件体系，本质上是一条非常长的技术链。为什么现在一家机器人创业公司需要做这么长的链条？是为了避免某一个环节成为短板，还是考虑到这个行业本身的发展阶段？
喻超：我觉得本质上是因为机器人产业链天然就是一个闭环工程。我们不是一定想把事情做得大而全，而是因为这里面的耦合度很高。没有真实场景，就没有真实任务；没有真实任务，就拿不到真实场景里面的高价值数据。这样一来，模型可能一直停留在实验性、理想化环境里，模型持续优化的能力就不足。模型能力不足，就没有办法变成一个可以部署的技能。如果没有部署，就没有真实的数据回流。所以对我们来说，并不是想把每一块都做了，做成大而全，而是想完成整个闭环。
ZP：从鹿明 2024 年下半年创立到现在，公司主要经历了哪几个发展阶段？有哪些比较重要的关键节点？
喻超：如果回头看，我们的发展历程，是几个能力模块不断叠加的过程。
早期，我们首先解决的是基础能力问题。包括机器人本体、部分核心部件、数据采集，以及一些模型和控制能力。因为如果没有这些基础能力，你很难真正理解机器人在实际运行中到底会遇到什么问题。
之后，我们开始越来越多地进入真实场景。包括工业、物流等不同方向。对我们来说，进入场景不是简单地去接一个项目。更重要的是去理解：客户真正的问题是什么？机器人到底应该完成什么任务？传统自动化为什么没有完全解决？任务变化主要来自哪里？机器人失败的时候，到底是哪一个环节出了问题？这些问题，很多只有进入真实现场才能得到答案。所以过去一段时间，我们其实一直在通过具体任务不断修正自己对机器人产品的理解。
进入 2026 年之后，我们开始尝试把前面这些经验进一步工程化。包括数据如何组织、模型如何训练、技能如何评测、机器人如何部署，以及部署之后的数据如何回流。NexCore 就是在这个过程中逐步形成的。
02 给机器人造一套“持续学习系统”
ZP：最近公司有哪些比较明显的进展？
喻超：第一，我们在数据采集这块做了品类和管线的扩充。第二，我们的模型能力也有比较明显的进展。在全球权威零样本具身智能评测基准 MolmoSpaces 中，鹿明旗下产业具身大脑 Prime R0 已经持续在第一的位置比较久了。同时，我们的模型能力也在产业里面做了进一步验证，包括我们最近发布的 MOS 2.0，本体能力和场景落地都有进展。
另外我们今年一个重点是平台。这部分我们已经打通了从任务、数据、模型，到技能训练、评测、部署以及数据回流的整个闭环，也就是我们在今年WRC 发布的机器人技能进化引擎 NexCore。
ZP：NexCore 想解决的核心问题是什么？
喻超：它想解决的核心问题，就是给机器人做一套可以持续进化的学习系统。让机器人能力像云服务一样被调用、训练和验证。
传统机器人依赖人工编程，能力难以迁移；NexCore 将来自真实场景的人机交互、机器人运行数据转化为结构化数据资产，并进一步生成可复用技能。把真实世界经验，沉淀为机器人可调用的技能。
平台提供的核心服务有：数据资产平台、模型训练平台、技能评测、技能管理、机器人运营。整体链路是从任务创建开始，到数据接入和数据处理，再到自动化、可托管的模型和技能训练，最后到验证，以及在真机里面实际部署、运行。再往后，还包括数据回流和持续学习。
NexCore 不是单一模型平台，而是连接机器人、数据、模型和产业场景的基础设施，为工业制造、商业服务等多场景提供持续进化能力。成为产业具身智能规模化落地的基础设施。企业无需深度理解算法和模型，也能快速开发、调用和管理机器人能力。不用重新训练模型，也不用重新编程。
ZP：这个平台目前可以支持不同的机器人本体吗？还是说现阶段主要是在鹿明自己的本体上验证？
喻超：可以支持不同的机器人本体。我们的思路不是让平台绑定某一种本体，而是把任务、数据、模型和技能能力做成相对通用的基础能力。早期阶段，我们会优先在鹿明自己的本体上进行验证和迭代，因为这样能够更快形成完整闭环；同时，也会兼容市面上一些主流的通用机器人本体。随着平台能力成熟，我们希望做到的是，同一套任务和技能，可以根据不同本体的能力进行适配和部署，而不是换一个机器人就从头开发一遍。
ZP：为什么最开始会想到做 NexCore？
喻超：NexCore 的核心是怎么把它做成一套可持续学习的东西，以及实现整个链路的自动化。你可以把它理解成一套具身机器人的 Codex 系统。
下一阶段的竞争，是智能基础设施之争，未来机器人竞争的核心，不是谁拥有更多机器人，而是谁拥有让机器人持续进化的能力。这背后需要解决的，不只是机器人本体问题。真正决定机器人未来能力的，是支撑机器人持续学习和进化的智能基础设施。
另外，从需求的角度，其实大部分客户，要的是：能不能让机器人以比较低的门槛持续学习新的技能。从这个角度来说，我们构建 NexCore，本质上就是服务客户、实现产业支撑的一个核心途径。
ZP：NexCore 评测体系是怎么建立的？整个工程最终需要通过评测反馈，再进入下一轮闭环。
喻超：评测部分我们建了三层。第一层是在数据层面的评测，比如 validation dataset 上的评测。第二层是在仿真里面进行评测。第三层，我们建了一套比较大的真机评测体系。其中大部分是我们自己建的，也有一部分是合作完成的。
ZP：NexCore 如果直接面向不同厂商，目前可以提供哪些产品和服务？
喻超：比如我们原有的数据客户，依然可以直接在上面做数据相关的事情。模型部分也是一样。另外，如果客户想做自定义的技能学习，可以直接在这个平台上完成。
03 具身智能下半场不是本体大战，而是任务闭环之争
ZP：您之前有一个判断是，“具身智能的下半场不是本体大战，而是任务闭环的竞争”。为什么？
喻超：如果只围绕本体竞争，最终容易陷入：自由度更高→运动能力更强→结构更复杂→成本更高的循环。
从商业化的角度来说，最终商业化的本质还是任务技能。因为最终买单的客户肯定不是具身智能行业本身。不是说现在有人买你的数据、买你的模型，这就是最终价值。
对鹿明现阶段来说，产业场景是验证具身智能价值最重要的出口之一。
对于产业而言，它真正关心的核心点，不是这个机器人有几个自由度，也不是你的模型 size 有多大，更不是你有多少数据。它只关心你能不能完成它的任务，以及你的任务完成得怎么样。例如，同样是搬运任务，客户不会因为机器人有多少自由度而购买，而会关注：能搬多重？一小时能搬多少次？任务成功率是多少？物料变化后还能不能工作？连续运行是否稳定？部署需要多少成本？
数据、模型、本体和平台都可以形成不同阶段的商业价值，但从长期来看，机器人最终仍然需要通过完成真实任务来证明自己的经济价值。
ZP：现在很多模型和人形机器人厂商都在讲通用能力，也有一些论文宣称实现了局部通用。您怎么理解和判断通用这件事？
喻超：我觉得首先要区分“通用能力”和“通用机器人”。很多所谓的“通用”，更多是在一定任务集合、一定数据分布或者一定实验环境下表现出泛化能力，这和真正意义上的通用还有很大距离。
真正的通用，不应该只是模型在 benchmark 上多做几项任务，而是面对真实世界不断变化的任务、环境和约束，依然能够理解任务、完成任务，并且能够持续学习新的技能。所以我认为，当前行业还远没有到真正通用的阶段。
但这并不意味着通用能力和产业落地是两条割裂的路线。恰恰相反，我认为最终一定是通用底层能力与产业技能持续结合、相互增强：通用能力提供泛化和迁移的基础，产业场景提供真实任务、真实数据和真实反馈，推动模型和技能不断迭代。
ZP：如果不再只是看自由度、本体参数这些指标，那么现阶段要评价一家机器人公司的核心能力，应该看哪些要素？
喻超：现在整个行业，已经开始从之前炫技加学术论文的混合模式，变成最终比拼产业和实际场景价值。
我觉得产业研发最终需要的是任务结果。归纳起来，第一个就是看你能不能干，也就是成功率。第二个是你能不能稳定地干。你的整个系统能够可靠运转多久？第三个是，你能够以多低的成本完成部署和复制。第四个，就是你到底给客户创造了多少价值。我觉得这是最终产生终端价值的一条必经之路。
ZP：接下来聊聊数据。现在行业对数据路线一直存在争论，真机、仿真、视频、第一人称数据等不同路线都有各自的支持者。您怎么看这些路线之间的分歧？
喻超：首先，这几类数据其实都是有价值的。真实数据通常与最终部署环境更接近，因此对于很多接触丰富、物理约束强的任务具有不可替代的价值。仿真数据、视频数据、第一视角数据以及真机数据各自解决不同问题。
未来真正重要的，不是选择唯一的数据路线，而是根据任务、模型和当前能力阶段建立合理的数据组合。
ZP：所谓“配比”，其实不是一个简单的组合问题，而是一个比较系统的工程？
喻超：它本质上还是服务于模型训练的需求。在不同的状况和阶段下，怎么去组合这些数据，这是核心问题。
核心难点是怎么更高效地迭代。这其实也回到了我们为什么要做 NexCore 这套系统，它可以自动完成一部分工作。过去在大语言模型里面，其实也有类似的过程。我们已经建立了包括遥操作、UMI、ego 等多种类型数据的能力和管线。
ZP：ego 路线它本身也天然具备跨本体属性。您怎么看今年行业突然大量关注这条路线？一些人也会质疑它是不是重复造轮子，或者数据有效性是不是足够。
喻超：我觉得这是不同阶段的问题。在纯 ego 数据上，大家已经在一定程度上解决了规模问题。现在大家开始转过头来，关注里面的配比，以及真正有效数据的规模。
现在单纯再提“你有多少条数据”，我觉得已经逐步变成一件没有太强意义的事情。具身智能真正需要的不是简单堆积数据规模，而是有效的真实世界任务数据。数据是否覆盖真实任务分布、是否包含失败和恢复、是否能够跨机器人迁移，以及最终是否能够提升模型的任务成功率，比单纯的数据小时数更加重要。
04 场景选择哲学：可复用性、产业价值、数据积累
ZP：鹿明目前整体的商业化节奏是什么样？
喻超：我们一部分的业务来自产业客户的机器人和场景解决方案，这是目前比较直接的商业化路径；同时，我们也有围绕数据、模型和研发能力的服务型业务，以及面向部分客户的平台能力输出。但从公司的长期战略来看，我们会逐渐提高标准化产品和可复制能力的比例。
所以鹿明当前更像是在用真实项目完成三件事情：产生收入、验证产品、积累可复用的数据和技能。从当前的项目储备和合作进展来看，我们开始看到一部分需求不是一次性的定制开发，而是在不同客户和场景之间存在复用可能。
ZP：整体商业模式来看，现阶段推进最快的主要是哪几个部分？
喻超：目前主要是给一部分科教客户，以及产业客户，提供围绕 NexCore 平台的全链条赋能。
场景主要还是在 B 端。目前跑得比较快的，是我们和重要客户围绕工业落地做的一些场景解决方案。
ZP：当鹿明接到一个新的场景需求时，你们怎么判断这个场景和任务是否值得做？会看哪些具体要素？
喻超：第一个肯定是看它是不是一个真实有产业价值的事情。第二个，看机器人进去到底是不是有必要。第三个，我们会看它的可复用性。
此外，还有非常重要的一点，就是我们很关心这个过程中回来的数据，对我们来说是不是一种积累，以及这种积累有没有价值。
ZP：有没有一些反面的例子？哪些场景鹿明现阶段可能会觉得没有太大必要做？
喻超：比如重复性非常高的任务。这部分数据对我们来说，价值可能会稍微低一些。
我们会关心几类。一类是数据分布上的多样性。另一类是它能不能提供一些特别的数据维度。比如打螺丝这类任务，它能够提供一些非常有价值的数据维度。
ZP：您怎么看 To C？
喻超：To C 肯定是非常有价值的。但我觉得 To C 的核心点在于 timing。我们更倾向于把具身智能的落地看成一个工业、商业、家庭逐步递进的过程。我们希望每向更复杂的场景走一步，背后都有真实的数据、模型能力和作业经验支撑。工业解决的是“在相对确定的环境里把事情做好”，商业解决的是“在更开放的环境里把事情做好”，最终家庭要解决的则是“在高度不确定的环境里理解人、理解环境，并把事情做好”。
ZP：您希望鹿明形成什么样的团队文化和组织文化？
喻超：以客户为中心，本身就是鹿明的企业文化之一。团队和组织方面，我会希望形成"结果导向，但不短视”的文化”。
第一，希望团队里的人有比较全局和系统性的思维和能力，因为机器人本身就是一个系统工程，算法、模型、本体、数据、软件、控制、产品，全局最优，才能释放产品价值。第二，希望大家有比较强的结果导向意识，每完成一个项目，自己和公司都比之前更强一点。
ZP：现阶段主要把自己的精力放在哪些事情上？管理层之间怎么分工？
喻超：管理层会根据实际市场和经营需求，在一定时间内做职责上的切分。我自己当前主要有几个精力投入点。第一个是人，这是一件非常重要的事情。第二个是我们当前算法这部分。第三个是在算法和实际业务的匹配上。
ZP：鹿明现在招新人，最看重一个人的哪些方面？
喻超：第一个是担当。毕竟还是创业，需要很强的担当，愿意把问题扛起来，并且对最终结果负责。第二个是好奇。我们希望一个人对事物有很强的好奇心，而不是一个单纯的被动者。一定要做到刨根问底。第三个是追求极致。机器人是一个非常复杂的系统，它的蝴蝶效应比较强，所以在每一块，我们都需要对技术、对产品有极致追求的人。
05 行业的"价值出口"才是终点
ZP：现阶段行业好像还远没有进入一个真正激烈角逐、格局固化的状态。您怎么看竞争这件事？一家公司在这个阶段应该发展哪些关键能力？
喻超：我自己觉得，往后肯定会变成系统能力的竞争，而不是一个非常单点的竞争。最后决定竞争胜出的，一定是在商业化的同时实现数据规模化，并进一步实现技能的完善化。这决定了在最终的技能竞争中，谁能够胜出。
如果再拆解，其实有几个能力。第一个是找 PMF。第二个是获取有价值的数据，特别是有价值的真实世界数据。再往后，是把这部分数据转化成一个可以规模化复制的技能。最后一个，就是高效和低成本的交付复制能力。
ZP：现阶段机器人行业哪些东西被行业高估了，哪些被低估了？哪些环节的进展其实没有大家想象得那么快？
喻超：我觉得有效数据的获取效率，是目前行业最大的短板。这个最终会是一个决胜点。其实也就是我刚才提到的，最终能不能胜出，一个关键是能不能在商业化的同时实现有效数据的规模化。
市场上有热度的东西，往往在热度最高时被高估；没有热度的事情，反而可能被低估。过去无论是端到端模型、世界模型，还是各种数据概念，在成为热点时都可能被阶段性高估。
硬件低成本能力，以及数据和模型如何持续迭代，这些具身基本功被低估。
ZP：还有一个行业一直存在的担忧：如果明年突然出现一条新的技术路线，而且被证明效率更高，是不是意味着此前很多数据和模型积累会失效？这会不会成为影响行业发展的一个很大变量？
喻超：这个问题不管是在数据、模型还是硬件上，其实都会存在。核心还是去判断概率。坦诚地说，这种事情确实有可能发生。但是在这个过程中建立起来的能力体系，是不会被湮灭的。
如果一家公司真正建立了一整套能力体系，那么即使出现新的技术路线，它也有可能更快跟上，并且把之前的能力复用过去。
ZP：如果长期来看，机器人本体最终会不会收敛到几种比较标准的形态？还是会长期保持现在这种多种形态并存的状态？
喻超：我觉得会收敛，但还是会有多款。大部分使用会集中在某几款共存的本体上。但整体会越来越模块化。
ZP：鹿明现阶段怎么看“生态”这件事情？现在有一些具身公司很强调生态，也有一些公司并不把它作为重点。
喻超：我认为生态不是目的，而是结果。在产业具身智能早期，每家公司都需要先建立自己的核心能力和产品边界。当真正形成客户价值之后，自然会有更多合作伙伴围绕这些能力形成分工。所以我们现阶段更关注的是把自己的核心闭环跑通，同时保持开放合作。
ZP：如果一定要对未来行业格局做一个更 Sharp 的判断，长期会有多少家具身公司跑出来？
喻超：现在判断最终会剩下多少家公司还太早。机器人既有底层智能能力，也有硬件制造、供应链和行业应用，因此未来很可能既会出现具有平台能力的大型公司，也会长期存在大量在特定领域具备深度能力的企业。
真正值得关注的不是最后剩几家公司，而是谁能够持续建立新的能力，并把这种能力转化成稳定的产品和商业价值。
ZP：接下来鹿明短期和长期的发展节奏、规划是什么？
喻超：对我们来说，只有一个最重要的事情，就是在产业研发里面，和产业伙伴一起找到价值。
最终其实会体现在营收里面。你可以去定义其他指标，但最后体现的还是营收。营收之外，再往下拆，还有多少实际的数据回流。
ZP：如果把时间拉长到 5 年甚至更久，您觉得鹿明这家公司最核心的资产是什么？
喻超：我觉得最核心的资产，肯定是我们系统化的能力。这个能力指的是，能够持续把数据、场景以及整个产业研发任务，转化成可以复制的生产力技能。
ZP：最后，您希望长期来看，鹿明成为一家什么样的公司？希望外界最终记住鹿明的是什么？
喻超：我希望鹿明是那个将机器人从实验室带到产业现场、并持续创造实际价值的公司之一。
