Figure CEO 称人形机器人已进入 AGI 工程验证期,四年部署 10 万台,并具备本地执行能力,手机之后的下一个通用平台

拓荒号:拓荒牛 (企业头条)

Figure CEO 称人形机器人已进入 AGI 工程验证期,预计四年内部署 10 万台设备,并具备本地执行能力,有望成为继手机之后的下一个通用平台。本文深入解析人形机器人的技术进展、部署策略及未来愿景。

Figure 创始人 Brett Adcock 与工程负责人 Scott Achorn 日前参加了 Gemini 开发者关系负责人  Logan Kilpatrick 主持的一场对谈,系统回顾了团队在机器人软硬件系统上的最新进展。

Brett Adcock  此前创办过电动垂直起降飞行器公司 Archer Aviation 与人才平台 Vettery,具备工程执行与融资经验;Scott Achorn 曾任 Tesla Autopilot 工程负责人,主导核心安全系统与控制模块的设计。

两人共同推动 Figure AI 从第一性原理重构机器人平台,放弃传统液压方案,转向全电驱机电结构,并构建本地部署的神经控制系统 Helix,在不到一年时间内,完成了具备稳定步态与操作能力的原型机迭代。

Brett Adcock 表示,人形机器人正被视为 AGI 的关键物理形态之一,其部署节奏已进入面向现实世界任务的工程化阶段,而在物流、制造、医疗等高标准化行业,原型机器人已可稳定执行无需人工干预的流程任务。

AGI 进入工程化验证期

人形机器人正在进入面向现实世界任务的部署阶段。在多个研发路径中,其被确定为 AGI 的重要承载形态之一。

伴随技术体系的完善,机器人进入家庭与公共场景的时间周期正在缩短。依照当前的硬件成熟度与控制系统能力,这类机器人已开始在部分试点场景中以较高密度部署,用于执行指定物理空间中的连续性任务。

当前进展的基础来自于机电系统的系统性改进。在过去数年内,一套以电驱动为核心的机电平台逐步成型,并已在多个原型设备上实现稳定运行。该系统已通过内部与外部试点验证,在安全性与任务连续性方面表现出与航天设备接近的稳定水平。

与十年前以液压驱动为主的系统相比,如今的全电结构在泄压控制、维护难度与使用安全性方面已构成明显分野,早期液压系统因承压不稳与泄漏风险而带来的运行障碍已基本不再出现。

与硬件系统同步演进的,是神经网络模型在机器人本地的部署能力。在此之前,机器人多数依赖预设路径与规则库进行动作规划,难以适应实际作业中的动态变化。而当前系统中使用的神经网络控制模型,已能在本地独立完成多项连续动作指令的生成与执行。

例如,在一段公开演示视频中,机器人设备在标准物流场景下连续完成 60 分钟拣选与转运任务,控制过程完全依托于本地的 S1 Helix 神经网络模型,未出现中断或人为干预。

该系统在动作节奏、路径修正、物体识别与反馈响应等方面的稳定性,已超过传统基于伺服逻辑的控制方案。在架构路径的设定上,项目从一开始即排除了轮式移动平台与局部执行结构等形态,直接确立人形机器人为产品开发的核心方向。

Figure 在成立初期即完成愿景文档,并以此为依据提交注册与研发启动流程。在产品设计上,团队明确回避了“过渡性方案”或最小功能单元的迭代策略,所有资源集中于完整人形结构的搭建与测试,直接推进系统的端到端建设

资金来源方面,团队依托早期项目的资本积累与自筹路径,自 Figure 设立起即进入百万美元级别的月度投入强度。项目启动后五个月内,研发节奏加快,核心结构逐步成型,并于不到一年时间内完成首套具备自主步态能力的原型机器人系统。

相关硬件总成、动作控制链路与本地运行模型均由内部完成构建与调试。在当前以深科技为主导的投资周期中,该类项目的推进节奏已被资本接受,相关机构也逐步将其视为具备部署可行性的技术平台之一。

在能力覆盖范围上,人形架构与传统低维设备如扫地机器人或定向分拣机械臂存在本质差异。前者在运动自由度、负载变化适应性及任务泛化能力上具备更高弹性,在特定场景下可替代多项原本由人工执行的操作流程。

在核心能力达标后,这类系统开始在有限空间中承担全天候连续作业任务,由早期演示转入封闭环境内的阶段性运行测试,逐步进入工程验证阶段。

在最新的部署中,部分原型系统已实现长时间作业不中断,系统开始具备任务轨迹稳定复现能力,通过连续运行积累可用于多场景迁移的反馈数据。在多轮迭代中,硬件与算法的结合开始反映在实际执行效果上,机器人作为物理执行单元的特性在真实场景中逐步体现,产品的部署路径也随之向更大规模推进。

硬件创业与市场采纳双重挑战

在从软件转向硬件的过程中,工程周期与资源投入的时间维度被大幅拉长。从产品策划到系统集成,硬件开发周期受制于物理约束,既不可压缩,也伴随更高不确定性。

硬件系统无法像代码模块那样通过版本控制或远程部署随时更新,涉及零部件采购、供应链建设、工艺打样与批量制造,每一环都需前置完成。一个在软件中可在数天内部署的方案,在硬件体系中往往需要一年以上的验证周期。

项目组以完整系统构建为目标,需先搭建生产所需的上下游关系网络,并采购实体元件构建可运行的机械系统。在这个过程中,任何技术迭代都意味着高额成本,必须通过实物建模、装配与调试后,才能验证假设是否成立。

硬件项目每一次技术迭代都需付出高昂成本,验证过程无法回退,整体更接近一种‘重资产、不可逆’的产品演化路径。此外,硬件产品在完成样机阶段后,还需面临生产标准化与推广链路的搭建。复制路径涉及从工艺打样到供应交付的完整制造链条,远超软件时代的版本迭代逻辑。

尤其在人形机器人这类高复杂度产品中,其推广路径无法照搬传统 SaaS 模型的增长逻辑,涉及设备安装、场景适配、远程运维等长期运转结构的构建。

尽管如此,物理工程系统所带来的直接反馈,也成为该团队最显著的激励来源之一。相较于在浏览器中点击操作的代码成果,实物的运行状态、结构响应与动作精度提供了更具实体感的“完成度确认”。

从团队成员个人经验来看,在完成软件创业周期后,转向硬件系统的开发反而带来了更清晰的节奏感与工程确定性。只要目标方向明确,系统可依据既有物理规律进行建模与迭代,不再依赖对用户偏好或市场反馈的不断试探。

在市场路径规划上,Figure 采取并行推进的方式,分别探索家庭与职场两类场景。前者高度非结构化,场景复杂度高;后者具备标准化程度较高的环境特征,部署门槛相对可控。

尽管从想象空间看相比家庭场景的潜在使用频率与覆盖人群,企业客户在结构清晰度与单位价值密度上更具现实部署优势,家庭机器人似乎存在更广阔的使用频率与覆盖人群,但在现实商业路径上,企业用户的付费能力、场景结构清晰度与单位价值密度都显著优于消费侧。

当前产品以职场应用为主要部署场域,包括物流、制造、医疗、建筑等具备重复性任务结构的行业。机器人硬件的尺寸、关节自由度与负载能力,已足以覆盖部分替代人工操作的场景需求。

在应用筛选逻辑上,团队并未沿着“先发现应用,再寻找客户”的路径推进,而是通过分析不同产业链条中的人工密集环节,主动选定若干高落地潜力的行业进行前置调研。

其中,在与某家物流企业接触过程中,团队通过现场走访发现其小型包裹分拣任务长期依赖人工完成,环节多、任务量大,且由于包装尺寸、材质、堆叠方式各异,传统规则式控制方案无法胜任。针对这一结构问题,团队构建了专用于该任务的神经网络学习系统,以实地作业数据驱动控制模型优化。

机器人在几天内完成训练,达到平均每 3.5 至 4 秒处理一个包裹的稳定节奏,可实现条码识别、姿态调整、路径优化与主动规避等连续操作,展现出对非结构物体的动态处理能力。

这一部署实践成为当前系统能力的主要技术反馈来源之一。在硬件维度不断完善的同时,控制系统能力的演进也被实地任务反哺,以构建“通用执行器”所需的长期学习架构。

Figure 目前的策略是在职场高标准化环境中搭建通用能力基线,并逐步构建不同任务之间的共享技能结构,使未来的机器人平台可在不同领域间实现知识迁移与任务泛化。

家庭应用的推进仍在进行,但因场景异质性极高、用户需求变化频繁,短期内仍需更多样本支持与测试闭环。阶段性策略明确以职场部署为能力基线,家庭路径仍处探索期,预计数年内才具备规模化可能。

四年内部署 10 万台设备

在软硬件能力相互促进的背景下,机器人系统的性能提升正逐步转向以部署规模为基础的学习体系驱动。

Figure 当前的核心策略之一,是将大量设备投放至实际运行场景,通过物理交互积累操作经验,并构建本地反馈回路,这种基于现实任务的自我迭代机制,正在成为系统演化的主要路径;此外,部署过程中收集的数据持续用于优化动作路径与感知精度,部分模型还通过“轨迹复用”机制,在不同设备间共享微调结果,构成一个分布式的预训练与同步架构。

相比依赖中心服务器集中建模的传统方式,这种方法更强调现场学习与终端间横向同步,从而在多点部署中形成递进式的闭环系统,将此机制视为构建系统护城河的关键通道之一。

制造能力也在同步扩展。新建的专用生产中心 Baku 已启动 Figure 3 的量产流程,这代产品结构针对批量制造进行优化,硬件成本较前代下降约 90%,为后续大规模部署提供前提保障。

当前系统已在环境适应性、语音理解与自主运动等方面形成稳定性能,下一阶段的主要瓶颈正转向制造系统能否支撑百万级产能输出。Figure 正探索借鉴消费电子供应链的生产机制,在保证质量的前提下实现高频制造。

产品在功能指标上已逼近人类基础操作能力,包括移动速度、负载稳定性与关节自由度等维度;当前目标是实现无需人工干预的连续作业能力,并通过多地部署收集性能样本,以推动系统向大规模工程化迁移。

在产品设计上,Figure 将外观结构与交互机制视为系统能力的一部分。针对家庭与职场的差异环境,设计策略并未采用弱化存在感的方向,而是通过结构稳定性与控制精度建立信任,同时避免使用拟人化界面或动画元素,防止用户对能力产生误解。而家庭部署面临的主要难点包括环境异构性、路径规划复杂度以及行为安全语义解析。

为此,Figure 研发了具备 360 度覆盖的视觉与感知系统,并在路径决策中引入多层冗余控制,以确保机器人在面对液体、火源等危险元素时具备预判与回避能力。

控制系统方面,当前架构已支持自然语言交互作为主入口,每台设备配备独立 eSIM 通信模块,可接收远程语音或文本指令,并通过本地语言模型解析任务目标,替代传统按钮或 App 输入。

安全机制被视为系统底层组成部分。产品设置了不可覆盖的本地行为权限区,禁止 root 权限获取,避免外部干预控制链路。同时,Figure 内部已组建专职的信息安全团队,覆盖产品安全、网络安全与权限管理三大模块,目标是构建覆盖家庭与工业场景的长期信任体系。

在路径规划上,Figure 判断未来数年为部署能力扩张的关键窗口,目标是在四年内部署 10 万台设备,完成全国性与跨行业的系统落地。目前,Figure 已在多个试验场景中进行部署,并通过实际任务适配不断积累分布式调度、运维与学习机制的系统经验。

整个系统的长期建设方向集中在三条主线:一是跨任务迁移学习的效率提升;二是制造系统的规模弹性;三是人与机器人之间的任务协同机制。

在多个封闭场景中,机器人已实现近乎独立的流程执行。当前研发重心正在缩小人工介入比重,增强任务分工连续性,为百万级部署提前打通全链路能力。

训练机制演进与长期平台构想

在机器人系统部署节奏加快的背景下,训练机制正从静态模型开发转向基于实际操作数据的增量式优化。

由于机器人属于物理设备,其扩张路径不同于软件的复制逻辑,每一台都需在硬件层面完成组装、调试与标定,真正的挑战不在于制造能力,而在于是否能使每一台机器人在具体场景中实现有效运作、具备稳定执行价值。

近期在物流场景中的实验表明,团队通过仅 60 小时的新数据训练 Helix 控制系统,使原本未具备物流操作能力的机器人完成了连续分拣任务。这验证了局部数据驱动模型的快速适配能力,也成为当前训练路径策略的重要依据之一。

Figure 设想,若能采集上亿小时、甚至数十亿小时的人类操作轨迹,模型的通用性将实现跃迁,支撑全球范围的广泛部署。为实现上述路径,模型压缩与本地部署技术同步推进。视觉语言模型(VLM)已成为 Helix 系统的核心组件,在产品端形成具备语义定位与指令映射能力的低延迟“大脑”模块。

当前部署的 S2 模型以每秒 7–9Hz 的频率运行,并与下层 transformer 策略模块协同执行,确保本地高频任务响应的实时性。在硬件约束条件下,该架构持续优化,在保持功耗控制与物理反馈准确性的同时,保障计算性能。

然而,系统目前仍不具备对物体刚性、表面纹理、自身状态等复杂物理属性的完整理解,这些维度大多仍需通过工程手段手动嵌入。现实世界尚不存在可迁移的大规模标注数据源,需构建一整套以实地交互为核心的训练体系,以支持模型在多元物理环境下的泛化能力成长。

当前公司约 20% 的研发资源聚焦于 Helix 训练系统,专注提升模型的学习速度与适应路径,目标是构建具备自学习能力的控制架构,使机器人能在短时间内习得新任务并完成行为回传,从而反馈修正统一基础模型。

与此同时,产品制造体系也在持续演进。新制造设施 Baku 已投入运行,作为 Figure 3 的专用生产中心,完成了初步产线调试并启动量产流程。

该代产品在结构层面针对制造与运维流程优化,硬件成本相较前代下降约 90%,为后续的大规模部署提供了前提条件。目前系统在环境适应性、语音理解与自主运动方面已具备稳定性能,下一阶段的核心挑战在于制造能力能否支撑百万级别的部署需求。

在产品平台日益完善的同时,Figure 也在思考系统部署后的社会结构演化趋势。人形机器人在动作控制、稳定性与环境适配方面正逐步逼近可替代人类执行任务的临界点。一旦进入规模化部署阶段,“工作”本身的定义将被重构,重复性任务将被系统性转移至机器人平台,执行与否将更趋向个人选择。

在实际生产中,部分机器人已可完成自身部件的组装任务,体现出系统在工业闭环中的实用性与迭代基础。围绕人类角色与时间结构的变迁,Figure 判断,机器人平台将在经历一段社会适配期后,与家庭、职场等基础服务结构深度绑定,成为运行机制中的标准化节点。

长期来看,Figure 正将机器人平台构建为可参与社会服务调度的基础设施。用户可授权闲置设备被他人调用,执行基础事务或有偿任务,构建具备主动经济参与属性的共享网络。

在此逻辑下,设备本体成本、能源与运维支出构成单位服务成本结构,而服务密度提升将压缩边际成本,推动区域内形成高效率服务供给网络。

此外,系统交互性也在同步强化:用户可配置机器人在语言互动中的风格偏好,并通过语音或文字指令提升控制灵活度。Figure 坚持非拟人化外观设计,强调结构稳定性与功能透明性,以建立更清晰的用户预期。

在安全机制层面,系统已设置不可覆盖的本地行为限制区,禁止获取 root 权限,同时设立信息安全团队,覆盖产品安全、网络防护与权限控制等领域。

目前 Figure 判断未来四年为部署能力扩张的关键窗口,预计部署 10 万台机器人,而未来的增长路径将围绕制造体系扩展、数据采集效率提升与任务迁移能力增强三个支点,逐步推进至百万级部署。

Figure 的愿景是构建一个硬件标准统一、任务差异由软件定义、具备持续学习与跨场景调度能力的通用机器人系统,成为继智能手机之后的下一个社会基础平台。大厂下场、模型未稳,AI 创业者如何找到可验证的市场机会?

本文由人人都是产品经理作者【江天 Tim】,微信公众号:【有新Newin】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载。

题图来自Unsplash,基于 CC0 协议。


(科技责编:拓荒牛 )