9月3日，一條消息在機器人圈炸了鍋。

Figure AI宣佈與英國AI基礎設施公司Nscale達成戰略合作，將部署NVIDIA最新的Vera Rubin平台，最高配置10萬張GPU。首期算力採購承諾35億美元，雙方意向後續擴大至超60億美元。

首批GPU將於2027年下半年在德克薩斯州巴斯托的資料中心上線。

消息一出，圈內人的第一反應不是”Figure真有錢”，而是——人形機器人這門生意，終於從”拼身體”捲到了”拼腦子”，而”拼腦子”的本質，就是拼誰更能燒錢。

一、一家零營收的公司，為什麼敢砸400億買算力？

先看一組讓人咋舌的對比。

Figure AI目前估值390億美元，但公開營收為零。它的機器人還在寶馬工廠做測試，沒有大規模商業化交付。就是這樣一家公司，一口氣簽下400億的算力採購大單。

這不是瘋狂，這是人形機器人賽道的”生存邏輯”。

何小鵬此前在公開場合說過一句話：“人形機器人大模型訓練投入，50億隻是入門門檻。”

50億人民幣，約7億美元，在Figure的400億面前，連零頭都不到。

為什麼人形機器人這麼”吃”算力？

答案藏在一個技術細節裡：人形機器人需要建構”世界模型”。

自動駕駛訓練靠的是行車資料，積累幾億公里就能跑通。但人形機器人面對的是一個完全開放的物理世界——一塊布怎麼抓、一杯水怎麼端、一個易碎品怎麼放，每一個動作都涉及對物理規律的理解和模擬。布料的形變、液體的流動、物體的重心變化，這些都需要在虛擬環境中進行海量模擬訓練。

業內估算，人形機器人的訓練算力需求是自動駕駛的數十倍。

Figure的Helix大模型，就是用來幹這件事的。10萬張Vera Rubin GPU，意味著Figure可以同時跑數百萬個模擬環境，讓機器人在虛擬世界裡”練習”端茶倒水、整理貨架、操作工具，然後把學到的技能遷移到真實世界。

這還不算完。就在算力大單宣佈前一周，Figure剛推出了Index資料採集項目——一個面向全球使用者的手機App，採集真實環境下的任務執行視訊。創始人Brett Adcock透露，未來12個月將投入超過10億美元用於資料和計算資源。目前Index已覆蓋全球108個國家和地區。

資料+算力，雙管齊下。Figure的邏輯很清晰：機器人的智能上限，由訓練資料的規模和模型迭代的速度決定，而這兩者，都需要算力來支撐。

二、算力正在重塑人形機器人的競爭規則

如果說2024年的人形機器人賽道還在比”誰能走得穩、誰能跳得高”，那麼2026年的競爭焦點已經徹底變了。

鈦媒體的一篇報導點破了這個趨勢：“研發投入核心方向已從’運動能力炫技’轉向具身智能大模型、工業場景泛化。”

東方財富的研報說得更直白：“目前阻礙人形機器人大規模商業化落地的主要瓶頸，是大模型泛化能力不足。”

什麼叫泛化能力？就是機器人在A工廠學會了擰螺絲，到了B工廠能不能直接上手，而不需要重新程式設計訓練。這個能力，恰恰是大模型的核心能力，而大模型的能力上限，由算力決定。

這就解釋了為什麼Figure要花400億買算力——它不是在買GPU，它是在買”機器人變聰明的速度”。

10萬張GPU意味著什麼？做個簡單對比：訓練GPT-4大約用了2.5萬張A100 GPU。Figure的10萬張Vera Rubin（性能遠超A100），相當於同時開4個以上”GPT-4級”的訓練任務。這種算力規模，足以讓Figure的模型迭代速度比競爭對手快一個數量級。

更值得玩味的是這筆交易背後的資本格局。

Nscale不只是供應商，還對Figure進行了戰略投資。而Figure的背後，站著OpenAI——2026年5月，OpenAI以29億美元收購Figure，正式成立OpenAI Robotics部門。再往上追溯，OpenAI剛完成1100億美元融資，估值7300億美元，計畫到2030年投入6000億美元在算力上；OpenAI與輝達達成千億美元合作，共建10吉瓦AI基礎設施。

輝達造晶片，OpenAI做大模型，Figure做機器人本體，Nscale建資料中心——一條完整的”算力-模型-本體”產業鏈正在形成。

這不是簡單的商業合作，這是一場”算力寡頭”對人形機器人賽道的降維打擊。

三、人形機器人競爭到最後，真的是資本的競爭嗎？

Figure的400億算力大單，把一個殘酷的問題擺到了所有從業者面前：人形機器人的終局，是不是一場”誰錢多誰贏”的遊戲？

要回答這個問題，得先看看中美兩國的競爭格局。

出貨量上，中國碾壓。2025年全球人形機器人出貨約1.8萬台，中國企業佔74%。宇樹科技以超5500台位居全球第一，智元以5100台緊隨其後，優必選1000台排第三。TrendForce預計2026年宇樹與智元合計將佔全球出貨近80%。

但在算力和資本上，美國碾壓。Figure一家公司的算力採購就400億人民幣，而2025年全年國內人形機器人賽道融資總額才511億元。OpenAI一家的算力投入計畫（6000億美元），相當於整個中國具身智能賽道三年融資總和的數十倍。

這就形成了一個詭異的局面：中國企業靠性價比和供應鏈優勢，在出貨量上遙遙領先；美國企業靠算力和資本優勢，在模型能力上加速追趕。

那麼，資本真的能決定一切嗎？

未必。

人形機器人的商業化落地，至少需要跨過三道門檻：

第一道是算力門檻。

沒有足夠的算力，模型迭代速度上不去，泛化能力就是空談。這道門檻，Figure已經用400億跨過去了，而國內大多數創業公司，還在為幾億人民幣的融資奔波。

第二道是資料門檻。

算力可以買，但真實場景的資料買不來。Figure的Index項目在全球108個國家採集資料，而國內企業的資料採集大多侷限在工廠和實驗室。誰能拿到更多真實場景的資料，誰的模型就能更快落地。

第三道是場景門檻。

算力再強、模型再好，最終要落到真實場景裡賺錢。中國企業的優勢恰恰在這裡——宇樹的四足機器人已經在電力巡檢、消防應急領域規模化部署，智元的人形機器人在汽車工廠和3C產線落地，優必選在比亞迪和富士康的車間裡幹活。這些真實場景的資料反饋，反過來又能加速模型迭代。

所以，人形機器人的競爭不是單純的”資本競爭”，而是“資本+技術+場景”的三角競爭。資本決定了你能不能買得起算力，技術決定了你能不能用好算力，場景決定了你能不能把算力投入轉化為真實收入。

Figure的400億算力大單，是資本維度的”核武器”，但核武器能不能炸出效果，還得看它的模型能不能真正解決工業場景的問題。畢竟，一家零營收的公司，不可能永遠靠融資活著。

四、寫在最後

Figure的400億，標誌著人形機器人賽道正式進入”算力軍備競賽”階段。未來兩年，我們大機率會看到更多類似的消息——頭部企業瘋狂採購GPU，資料中心建到德州的沙漠裡，模型迭代速度從”月”壓縮到”周”。

對於中國企業來說，這既是挑戰也是機會。

挑戰在於，算力差距是真實存在的。10萬張GPU的採購規模，國內沒有幾家人形機器人公司能跟得起。如果模型能力被拉開代差，出貨量的優勢可能會被快速抹平。

機會在於，中國有全球最完整的製造業供應鏈和最豐富的工業應用場景。宇樹能把四足機器人的成本打到國外同行的十分之一，智元能在工廠裡快速迭代產品，這些都是Figure們短期內學不來的。

人形機器人的”GPT時刻”，一定是算力、資料、演算法三重共振的結果。Figure用400億買了一張”決賽入場券”，但比賽才剛剛開始。

最後說一句：當一家零營收的公司敢砸400億買算力的時候，你就知道，這個賽道的天花板，遠比大多數人想像的要高得多。(未來機器人網)