共计 1322 个字符，预计需要花费 4 分钟才能阅读完成。
人形机器人赛道正在从“会表演”走向“能干活”。 近期,Figure AI 一场 10 小时包裹分拣测试引发关注: 人类实习生完成 12924 个包裹, 机器人完成 12732 个, 虽未胜出, 但差距仅 192 个。比结果更重要的是, 机器人第一次被放进可计量、可比较的劳动场景中接受检验。
📌 问题: 人形机器人为何需要新的叙事?
过去几年, 人形机器人发布会和演示视频密集出现 , 但行业也进入了一个微妙阶段。特斯拉 Optimus 量产进度多次延后, 波士顿动力的演示依旧吸睛, 却难以让外界形成规模化商业想象。国内市场同样热闹, 但“轮式底盘 + 夹爪”等过渡方案趋同, 单纯展示动作能力已越来越难制造新鲜感。
Figure AI 的特别之处在于 , 它很少把自己定义为传统硬件公司, 而是强调“AI 需要一个身体”。这让竞争焦点从关节、自由度、减速器等硬件参数, 转向 AI 如何进入物理世界。
🔍 判断:Figure AI 的核心不是学特斯拉, 而是重构入口
Figure AI 成立于 2022 年 , 创始人布雷特·阿德科克并非典型机器人科学家, 而是连续创业者。他曾创办在线招聘平台 Vettery, 并参与电动垂直起降飞行器公司 Archer Aviation。公司早期以高节奏推进, 阿德科克在未引入外部融资前曾自掏资金组建团队。
在不到 4 年时间里,Figure 已完成从 Figure 01 到 Figure 03 的迭代:Figure 01 证明能做出合格人形机器人,Figure 02 进入宝马工厂场景,Figure 03 则试图面向更通用的“AI 劳动力”。随着 BotQ 超级工厂亮相, 公司完成超过 10 亿美元 C 轮融资, 投后估值升至 390 亿美元。
💡 核心信息:Helix 把竞争推向“机器人大脑”
Figure AI 曾与 OpenAI 合作开发人形机器人的听、说、看和决策能力 , 后来选择终止合作并转向全栈自研。其核心成果是 Helix 系统。从 Helix 01 到 Helix 02,Figure 试图解决通用大模型“理解强但反应慢”、传统工业算法“反应快但泛化弱”的矛盾。
Helix 采用分层思路: 较慢的系统负责语义理解和任务推理, 更快的系统负责视觉到动作映射 , 底层系统处理平衡、接触和全身协调。这种设计让机器人在面对新物体、新环境时, 不必完全依赖预设规则或逐一调参。
- 真实场景: 包裹分拣测试将机器人放进可量化劳动流程。
- 自研大脑:Helix 承担任务理解、动作规划和环境适应。
- 协同能力:Figure 展示过多机器人协作完成整理卧室等长链条任务。
- 精细操作:Figure 03 指尖触觉可感知低至 3 克压力, 并展示取药丸、拧瓶盖等动作。
📊 看点: 它给创业公司提供了另一条路线
对于没有特斯拉级资源的机器人创业公司来说,Figure AI 的参考价值不在于复刻某个演示, 而在于它把硬件、AI 模型、真实场景和创始人叙事组合成了一个持续推进的系统。它没有只讲“造机器”, 而是不断解释机器人为什么要进入工厂、为什么要做分拣测试、为什么要押注家庭场景。
🚀 结论: 真正的考验是信任周期
围绕“不是“特斯拉的学徒”:Figure AI 如何成为机器人的”，这一部分可从背景、现状与影响三个角度理解其关键信息。结合已公开内容来看，核心结论是趋势已较为明确，但细节仍需结合后续进展持续观察。
