•
Figure CEO 稱人形機器人已進入AGI 工程驗證期，四年部署10 萬台，並具備本地執行能力，手機之後的下一個通用平台
Figure 創辦人Brett Adcock 與工程負責人Scott Achorn 日前參加了Gemini 開發者關係負責人 Logan Kilpatrick 主持的對談，系統回顧了團隊在機器人軟硬體系統上的最新進展。
Brett Adcock 先前創辦電動垂直起降飛行器公司Archer Aviation 與人才平台Vettery，具備工程執行與融資經驗；Scott Achorn 曾任Tesla Autopilot 工程負責人，主導核心安全系統與控制模組的設計。
兩人共同推動Figure AI 從第一原理重建機器人平台，放棄傳統液壓方案，轉向全電驅動機電結構，並構建本地部署的神經控制系統Helix，在不到一年時間內，完成了具備穩定步態與操作能力的原型機迭代。
Brett Adcock 表示，人形機器人正被視為AGI 的關鍵物理形態之一，其部署節奏已進入面向現實世界任務的工程化階段，而在物流、製造、醫療等高標準化行業，原型機器人已可穩定執行無需人工干預的流程任務。
▍AGI 進入工程化驗證期
人形機器人正進入面向現實世界任務的部署階段。在多個研發路徑中，其被認定為AGI 的重要承載形態之一。
伴隨科技體系的完善，機器人進入家庭與公共場景的時間周期正在縮短。依照目前的硬體成熟度與控制系統能力，這類機器人已開始在部分試點場景中以較高密度部署，用於執行指定實體空間中的連續性任務。
目前進展的基礎來自於機電系統的系統性改進。在過去數年內，一套以電力驅動為核心的機電平台逐步成型，並已在多個原型設備上實現穩定運作。該系統已通過內部與外部試點驗證，在安全性與任務連續性方面表現出與航太設備接近的穩定水平。
與十年前以液壓驅動為主的系統相比，如今的全電結構在洩壓控制、維護難度與使用安全性方面已構成明顯分野，早期液壓系統因承壓不穩與洩漏風險而帶來的運行障礙已基本不再出現。
與硬體系統同步演進的，是神經網路模型在機器人本地的部署能力。在此之前，機器人多數依賴預設路徑與規則庫進行動作規劃，難以適應實際作業中的動態變化。而目前系統中所使用的神經網路控制模型，已能在本地獨立完成多項連續動作指令的生成與執行。
例如，在一段公開展示影片中，機器人設備在標準物流場景下連續完成60 分鐘揀選與轉運任務，控制過程完全依賴本地的S1 Helix 神經網路模型，未出現中斷或人為介入。
該系統在動作節奏、路徑修正、物體辨識與回授響應等方面的穩定性，已超過傳統基於伺服邏輯的控制方案。在架構路徑的設定上，專案從一開始就排除了輪式移動平台與局部執行結構等形態，直接確立人形機器人為產品開發的核心方向。
Figure 在成立初期即完成願景文檔，並以此為依據提交註冊與研發啟動流程。在產品設計上，團隊明確迴避了「過渡性方案」或最小功能單元的迭代策略，所有資源集中於完整人形結構的搭建與測試，直接推進系統的端到端建設
資金來源方面，團隊依賴早期專案的資本累積與自籌路徑，自Figure 設立起即進入百萬美元等級的月度投入強度。工程啟動後五個月內，研發節奏加快，核心結構逐步成型，並於不到一年時間內完成首套具備自主步態能力的原型機器人系統。
相關硬體總成、動作控制連結與本地運行模型皆由內部完成建置與調試。在目前以深科技為主導的投資周期中，該類專案的推進節奏已被資本接受，相關機構也逐步將其視為具備部署可行性的技術平台之一。
在能力覆蓋範圍上，人形架構與傳統低維設備如掃地機器人或定向分類機械手臂存在本質差異。前者在運動自由度、負荷變化適應性及任務泛化能力上具備更高彈性，在特定場景下可取代多項原本由人工執行的操作流程。
在核心能力達標後，這類系統開始在有限空間中承擔全天候連續作業任務，由早期演示轉入封閉環境內的階段性運行測試，逐步進入工程驗證階段。
在最新的部署中，部分原型系統已實現長時間作業不中斷，系統開始具備任務軌跡穩定復現能力，透過連續運行累積可用於多場景遷移的回饋資料。在多輪迭代中，硬體與演算法的結合開始反映在實際執行效果上，機器人作為實體執行單元的特性在真實場景中逐步體現，產品的部署路徑也隨之向更大規模推進。
▍硬體創業與市場採納雙重挑戰
在從軟體轉向硬體的過程中，工程周期與資源投入的時間維度被大幅拉長。從產品策劃到系統集成，硬體開發周期受制於物理約束，既不可壓縮，也伴隨更高不確定性。
硬體系統無法像程式碼模組一樣透過版本控製或遠端部署隨時更新，涉及零件採購、供應鏈建置、製程打樣與大量製造，每一環都需前置完成。一個在軟體中可在數天內部署的方案，在硬體體系中往往需要一年以上的驗證周期。
專案組以完整系統建置為目標，需先建置生產所需的上下游關係網絡，並購買實體元件建置可運作的機械系統。在這個過程中，任何技術迭代都意味著高額成本，必須通過實體建模、組裝與調試後，才能驗證假設是否成立。
硬體專案每一次技術迭代需付出高昂成本，驗證過程無法回退，整體更接近一種'重資產、不可逆'的產品演化路徑。此外，硬體產品在完成樣機階段後，還需面臨生產標準化與推廣連結的建置。複製路徑涉及從製程打樣到供應交付的完整製造鏈條，遠超軟體時代的版本迭代邏輯。
尤其在人形機器人這類高複雜度產品中，其推廣路徑無法複製傳統SaaS 模型的成長邏輯，涉及設備安裝、場景適配、遠端運維等長期運作結構的建構。
儘管如此，物理工程系統所帶來的直接回饋，也成為團隊最顯著的激勵來源之一。相較於在瀏覽器中點選操作的程式碼成果，實物的運作狀態、結構響應與動作精度提供了更具實體感的「完成度確認」。
從團隊成員個人經驗來看，在完成軟體創業周期後，轉向硬體系統的開發反而帶來了更清晰的節奏感與工程確定性。只要目標方向明確，系統可依據既有物理法則進行建模與迭代，不再依賴對使用者偏好或市場回饋的持續試探。
在市場路徑規劃上，Figure 採取平行推進的方式，分別探索家庭與職場兩類場景。前者高度非結構化，場景複雜度高；後者俱備標準化程度較高的環境特徵，部署門檻相對可控。
儘管從想像空間看相比家庭場景的潛在使用頻率與覆蓋人群，企業客戶在結構清晰度與單位價值密度上更具現實部署優勢，家庭機器人似乎存在更廣闊的使用頻率與覆蓋人群，但在現實商業路徑上，企業用戶的付費能力、場景結構清晰度與單位價值密度都顯著優於消費側。
目前產品以職場應用為主要部署場域，包括物流、製造、醫療、建築等具備重複性任務結構的產業。機器人硬體的尺寸、關節自由度與負載能力，已足以涵蓋部分替代人工操作的場景需求。
在應用篩選邏輯上，團隊並未沿著「先發現應用，再尋找客戶」的路徑推進，而是透過分析不同產業鏈中的人工密集環節，主動選定若干高落地潛力的行業進行前置研究。
其中，在與某家物流企業接觸過程中，團隊透過現場走訪發現其小型包裹分揀任務長期依賴人工完成，環節多、任務量大，且由於包裝尺寸、材質、堆疊方式各異，傳統規則式控制方案無法勝任。針對此結構問題，團隊建構了專用於此任務的神經網路學習系統，以實地作業資料驅動控制模型最佳化。
機器人在幾天內完成訓練，達到平均每3.5 至4 秒處理一個包裹的穩定節奏，可實現條碼識別、姿態調整、路徑優化與主動規避等連續操作，展現出對非結構物體的動態處理能力。
這項部署實踐成為目前系統能力的主要技術回饋來源之一。在硬體維度不斷完善的同時，控制系統能力的演進也被實地任務反哺，以建構「通用執行器」所需的長期學習架構。
Figure 目前的策略是在職場高標準化環境中建立通用能力基線，並逐步建立不同任務之間的共享技能結構，使未來的機器人平台可在不同領域間實現知識遷移與任務泛化。
家庭應用的進展仍在進行，但因場景異質性極高、使用者需求變化頻繁，短期內仍需更多樣本支援與測試閉環。階段性策略明確以職場部署為能力基線，家庭路徑仍處探索期，預計數年內才具備規模化可能。
▍四年內部署10 萬台設備
在軟硬體能力相互促進的背景下，機器人系統的效能提升正逐步轉向以部署規模為基礎的學習體系驅動。
Figure 目前的核心策略之一，是將大量設備投放到實際運行場景，透過物理交互累積操作經驗，並建構本地反饋迴路，這種基於現實任務的自我迭代機制，正在成為系統演化的主要路徑；此外，部署過程中收集的數據持續用於優化動作路徑與感知精度，部分模型還通過“軌跡軌跡復用”機制，在不同設備間共享的微調結果，構成一個與感知精度，部分模型還通過“軌跡軌跡復用”機制，在不同設備間共享微調結果，構成一個同步分佈的空間。
相較於依賴中心伺服器集中建模的傳統方式，這種方法更強調現場學習與終端間橫向同步，從而在多點部署中形成遞進式的閉環系統，將此機制視為構建系統護城河的關鍵通道之一。
製造能力也在同步擴展。新建的專用生產中心Baku 已啟動Figure 3 的量產流程，這代產品結構針對大量製造進行最佳化，硬體成本較前代下降約90%，為後續大規模部署提供前提保障。
目前系統已在環境適應性、語音理解與自主運動等方面形成穩定性能，下一階段的主要瓶頸正轉向製造系統能否支撐百萬級產能輸出。 Figure 正探索借鏡消費性電子供應鏈的生產機制，在保證品質的前提下實現高頻製造。
產品在功能指標上已逼近人類基礎操作能力，包括移動速度、負載穩定性與關節自由度等維度；當前目標是實現無需人工干預的連續作業能力，並透過多地部署收集性能樣本，以推動系統向大規模工程化遷移。
在產品設計上，Figure 將外觀結構與互動機制視為系統能力的一部分。針對家庭與職場的差異環境，設計策略並未採用弱化存在感的方向，而是透過結構穩定性與控制精度建立信任，同時避免使用擬人化介面或動畫元素，防止使用者對能力產生誤解。而家庭部署面臨的主要困難包括環境異質性、路徑規劃複雜度、行為安全語意解析。
為此，Figure 研發了具備360 度覆蓋範圍的視覺與感知系統，並在路徑決策中引入多層冗餘控制，以確保機器人在面對液體、火源等危險元素時具備預判與迴避能力。
控制系統方面，目前架構已支援自然語言互動作為主入口，每台設備配備獨立eSIM 通訊模組，可接收遠端語音或文字指令，並透過本地語言模型解析任務目標，取代傳統按鈕或App 輸入。
安全機制被視為系統底層組成。產品設定了一個不可覆蓋的本地行為權限區，禁止root 權限獲取，避免外部干預控制鏈路。同時，Figure 內部已組成專職的資安團隊，涵蓋產品安全、網路安全與權限管理三大模組，目標是建構覆蓋家庭與工業場景的長期信任系統。
在路徑規劃上，Figure 判斷未來數年為部署能力擴張的關鍵窗口，目標是在四年內部署10 萬台設備，完成全國性與跨產業的系統落地。目前，Figure 已在多個試驗情境中進行部署，並透過實際任務適應不斷累積分散式調度、維運與學習機制的系統經驗。
整個系統的長期建造方向集中在三條主線：一是跨任務遷移學習的效率提升；二是製造系統的規模彈性；三是人與機器人之間的任務協同機制。
在多個封閉場景中，機器人已實現近乎獨立的流程執行。目前研發重心正在縮小人工介入比重，增強任務分工連續性，為百萬級部署提前打通全鏈路能力。
▍訓練機制演進與長期平台構想
在機器人系統部署節奏加快的背景下，訓練機制正從靜態模型開發轉向基於實際操作資料的增量式最佳化。
由於機器人屬於實體設備，其擴張路徑不同於軟體的複製邏輯，每一台都需在硬體層面完成組裝、調試與標定，真正的挑戰不在於製造能力，而在於是否能使每一台機器人在具體場景中實現有效運作、具備穩定執行價值。
近期在物流場景中的實驗表明，團隊透過僅60 小時的新資料訓練Helix 控制系統，使原本未具備物流操作能力的機器人完成了連續分類任務。這驗證了局部資料驅動模型的快速適應能力，也成為目前訓練路徑策略的重要依據之一。
Figure 設想，若能採集上億小時、甚至數十億小時的人類操作軌跡，模型的通用性將實現躍遷，支撐全球廣泛的部署。為實現上述路徑，模型壓縮與本地部署技術同步推進。視覺語言模型（VLM）已成為Helix 系統的核心元件，在產品端形成具備語意定位與指令映射能力的低延遲「大腦」模組。
目前部署的S2 模型以每秒7–9Hz 的頻率運行，並與下層transformer 策略模組協同執行，確保本地高頻任務響應的即時性。在硬體限制條件下，此架構持續最佳化，在維持功耗控制與實體回饋準確性的同時，保障運算效能。
然而，系統目前仍不具備對物體剛性、表面紋理、自身狀態等複雜物理屬性的完整理解，這些維度大多仍需透過工程手段手動嵌入。現實世界尚不存在可遷移的大規模標註資料來源，需建構一整套以實地互動為核心的訓練體系，以支援模型在多元物理環境下的泛化能力成長。
目前公司約20% 的研發資源聚焦於Helix 訓練系統，專注於提升模型的學習速度與適應路徑，目標是建立具備自學習能力的控制架構，使機器人能在短時間內習得新任務並完成行為回傳，從而反饋修正統一基礎模型。
同時，產品製造體係也持續演進。新製造設施Baku 已投入運行，作為Figure 3 的專用生產中心，完成了初步產線調試並啟動量產流程。
該代產品在結構層面針對製造與運維流程優化，硬體成本相較前代下降約90%，為後續的大規模部署提供了前提。目前系統在環境適應性、語音理解與自主運動方面已具備穩定性能，下一階段的核心挑戰在於製造能力能否支撐百萬等級的部署需求。
在產品平台日益完善的同時，Figure 也在思考系統部署後的社會結構演化趨勢。人形機器人在動作控制、穩定性與環境適配方面正逐步逼近可取代人類執行任務的臨界點。一旦進入規模化部署階段，「工作」本身的定義將被重構，重複性任務將被系統性地轉移至機器人平台，執行與否將更趨向個人選擇。
在實際生產中，部分機器人已可完成自身零件的組裝任務，體現系統在工業閉環中的實用性與迭代基礎。圍繞著人類角色與時間結構的變遷，Figure 判斷，機器人平台將在經歷一段社會適配期後，與家庭、職場等基礎服務結構深度綁定，成為運作機制中的標準化節點。
長期來看，Figure 正將機器人平台建構成可參與社會服務調度的基礎設施。使用者可授權閒置設備被他人調用，執行基礎事務或有償任務，建構具備主動經濟參與屬性的共享網路。
在此邏輯下，設備本體成本、能源與維運支出構成單位服務成本結構，而服務密度提升將壓縮邊際成本，推動區域內形成高效率服務供給網路。
此外，系統互動性也在同步強化：使用者可配置機器人在語言互動中的風格偏好，並透過語音或文字指令提升控制彈性。 Figure 堅持非擬人化外觀設計，強調結構穩定性與功能透明性，以建立更清晰的使用者預期。
在安全機制層面，系統已設定不可覆蓋的本地行為限制區，禁止取得root 權限，同時設立資訊安全團隊，涵蓋產品安全、網路防護與權限控制等領域。
目前Figure 判斷未來四年為部署能力擴張的關鍵窗口，預計部署10 萬台機器人，而未來的成長路徑將圍繞製造體系擴展、資料採集效率提升與任務遷移能力增強三個支點，逐步推進至百萬級部署。
Figure 的願景是建立一個硬體標準統一、任務差異由軟體定義、具備持續學習與跨場景調度能力的通用機器人系統，成為繼智慧型手機之後的下一個社會基礎平台。大廠下場、模型未穩，AI 創業家如何找到可驗證的市場機會？(有新Newin)