Figure 在 2026 年全員大會上試圖回答一個更大的問題：Index 平台收到的 3750 萬段人類視訊，能否轉化為可規模部署的機器人能力？現場公佈的進展沿著這條路徑展開——物流系統通過機器人輪換連續運行超過 200 小時，Helix 2.5 進入 30 套陌生住宅測試，Figure 04 也完成設計凍結，但部分系統仍在偵錯。
佈雷特·阿德科克（Brett Adcock）的目標，是讓同一機器人平台承擔製造、物流和家庭等多種現實工作。圍繞這一目標，這次大會討論的重點是：資料和算力投入能否持續換來新能力，製造體系能否支撐更多可靠交付。
一、四個階段，Figure 走到了那裡？
佈雷特認為，Figure 在 2026 年剛剛完成第二階段，硬體與 AI 方法還在繼續迭代。他把通用機器人的發展路徑分為以下四步。
第一步是打造機器人的“身體”。執行器、電池、手部、感知和整機結構要一起跑通，形成能夠在真實環境中工作的硬體平台。
第二步是讓這個身體能夠自主工作。機器人要能自己移動到工作地點，完成自主、端到端且有經濟價值的任務。資料獲取、模型訓練、評估和運行，都屬於這套 AI 技術方案。
第三步是讓機器人隨著資料與算力的增加，以可預測的方式變得更聰明。這一階段的投入重點，是採集更多資料、增加 GPU 算力，並擴大訓練規模，再驗證這些投入是否持續帶來能力提升。
第四步是擴大機器人的製造與交付規模。這需要建立產線和新的供應鏈，再以營運資金、資本性支出支援擴張，並組織好製造與商業化團隊。
佈雷特把前兩步稱為“深度工程”：精幹團隊可以依靠原型研發推進，但關鍵能力要靠長期積累，不能用臨時投入巨資來替代。後兩步更依賴資料、算力、製造體系和組織能力，他估計需要數百億美元。
四個階段不能相互替代。佈雷特尤其反對在 AI 能力尚未成熟時，就把製造數量當作競爭優勢。在他看來，機器人首先要能在現實環境中自主行動、與人溝通，並在陌生場景裡完成任務；只有做到這些，擴大產量才有意義。
智能提升與製造準備又必須平行。公司需要找到持續提高機器人能力的方法，同時提前建設製造體系，否則等到模型成熟後再準備產線，交付仍會被卡住。
二、四代硬體：從“先造出來”到“為 AI 而設計”
Figure 的四代機器人並不是簡單的參數升級。Figure 01 用來驗證整機架構，Figure 02 補齊完整能力，Figure 03 開始同時適配 Helix 與規模製造，Figure 04 則進一步圍繞人類動作資料重構硬體。
這條路線包含四十多個自由度，以及執行器、電池、計算、感測器、運動學和手部等一系列相互牽制的選擇。真正的問題不是某個部件單獨有多強，而是整套身體能否承接模型輸出，並把現實運行產生的資料繼續送回訓練系統。
截至這次大會，前三代機器人已經完成設計和交付，Figure 04 處於設計凍結、零部件交付和系統偵錯階段。這四代產品對應的，其實是四個逐步推進的工程問題。
Figure 01：先驗證整機架構。它於 2022 年開始設計，從公司註冊到機器人站立、行走，用了不到一年。首要任務是判斷執行器、電池、計算系統、感測器、運動學佈局和手部方案能否組合成一台可用的整機。
其中最深刻的教訓來自手部。Figure 01 最初採用腱繩驅動，佈雷特當時認為，這是接近人手能力的最佳路徑；回頭看，他卻把它列為公司最糟糕的決策之一。
放棄這套方案時，團隊一度沒有可用的腕部電機。重新設計會讓計畫延後約三個月，於是他們把原本用於腳部的部件裝進前臂。這也是 Figure 01 前臂外形特殊、彎折位置看起來不尋常的原因。
Figure 02：補齊完整能力。電池從背包移入軀幹，熱管理開始系統化處理，計算能力翻倍，以支援 Helix 運行；手部、承力結構以及攝影機的型號、數量和位置也隨之調整。Helix 早期的一些重要進展，正是在這一代平台上取得的。
Figure 03：同時適配 Helix 與規模製造。佈雷特在會上介紹，相比上一代，它的成本降低了 90% 以上，重量下降，手部系統又迭代了兩代，感測器佈局也作了調整。今年夏天，公司造出了第 1000 台 Figure 03，那台金色機器人目前放在 BotQ。
Figure 04：圍繞人類動作資料重構。它的設計已經凍結，零部件正陸續交付。佈雷特將其形容為公司迄今最大的一次代際躍升，甚至用“人形機器人的第一代 iPhone”作比喻。不過，大會展示的仍是研發和偵錯進度，並不意味著整機已經完成量產驗證。
這一代的執行器架構經歷了較大調整，團隊正在測功實驗室完成性能表徵；電芯和電池包也重新設計。大會前一周，團隊首次調通了 10 套完整電池包，接下來還要進行帶載和熱性能測試。
手部是 Figure 04 改動最大的部分之一。佈雷特稱，這套手部系統的執行器數量甚至超過一整台機器人。會上展示了 V3 的運動範圍，以及 V4 中一根接近人類手指尺寸的手指在測試台上運行的畫面。
四代硬體最終指向同一個選擇：機器人要學習那一種資料。佈雷特把行業路線概括為兩種：一種先設計專用採集裝置，再讓機器人適配這些資料；另一種直接採集人類的真實動作，再讓機器人的身體去承接。前者更容易快速取得進展，後者更難，卻可能擁有更高的能力上限。Figure 選擇了第二條路線，因此硬體必須越來越像一副能夠執行人類動作的身體。
三、要向人類學習，先讓機器人跟得上人類動作
這一選擇把問題集中到了動作對應：模型不僅要“看見人在做什麼”，機器人的身體和手還必須把動作做出來。
Figure 為此投入了數月時間，研究機器人手如何跟隨人手的指尖位置，以及抓取物體時的接觸位置。佈雷特給出的目標是接近毫米級精度。會上展示的人手參考動作與 Figure 04 手部跟隨曲線，就是這項工作的部分結果。
動作對應的誤差，還會反過來改變硬體架構。手掌內部的執行器、電子系統、結構件和電線都在爭奪空間，運動學佈局幾乎沒有調整餘地。一旦發現某個動作無法精準對應，就可能需要推翻原來的設計。
團隊經歷了四個主要版本和多次重新設計，最終形成 V4。按佈雷特的介紹，V4 對人類指尖位置和抓取接觸點的跟隨，已經接近毫米級精度；它也被團隊視為最終推向市場的手部方案，目前仍在偵錯。
四、從桌面到陌生環境：Helix 如何接管全身？
Figure 在 AI 上遇到的核心問題，不是如何訓練出一個孤立動作，而是如何讓機器人把視覺、移動、操作與平衡連成一套能力。Helix 的演進因此可以看成三次跨越：離開固定桌面、進入陌生環境，再把模型輸出變成穩定的全身動作。
起點：固定桌面上的雙臂操作。Figure 01 已能在桌前協同雙臂，約一分鐘完成一杯膠囊咖啡；Figure 02 也延續了桌面操作。但任務、工作區域和機器人站位都相對固定，模型還不需要處理走近目標、調整重心和彎腰放置等連續變化。
第一道門檻：讓全身響應視覺輸入。Figure 從桌面操作走向全身移動，花了約一年。以把包裹送到門口為例，機器人接近目標時要同步調整步幅、身體位置和重心，隨後彎腰或跪地放下箱子。手臂動作無法脫離腿部和軀幹單獨規劃。
為此，Figure 重新設計了 Helix 架構，讓攝影機畫面直接驅動全身各個關節。完成這一步後，機器人才能離開桌面，在客廳和廚房執行未經剪輯的長時程任務。
第二道門檻：進入訓練之外的新空間。完成全身移動後，Helix 2.5 開始嘗試在機器人沒有見過的住宅內自主工作。
佈雷特強調，陌生環境泛化不只取決於資料和算力，也取決於訓練方法；落到執行層，控制系統還必須適應新的地形與接觸條件。
第三道門檻：讓控制系統適應真實空間。Figure 正在開發通用樓梯能力，希望機器人能應對不同住宅和商業樓梯。梯子訓練則來自實際客戶需求：工作區位於二層夾層，機器人必須上下往返，公司計畫在今年完成這項部署能力。
控制範圍還在向更低姿態和更高動態動作擴展。機器人已經能夠把身體降到地面，再切換回站姿。佈雷特稱，這些過去需要數千行 C++ 程式碼實現的動作，如今正改由模型生成。
力感知與多接觸檢測進一步擴大了可執行動作：機器人可以一隻手撐住檯面，另一隻手向遠處取物，同時調整腿部姿態和支撐方式。控製器需要把手、腳與環境之間的接觸共同納入平衡計算。
最後一關：把動作變成長期可靠的能力。大會展示的控制集錦不只是動作演示，也包括持續運行測試。團隊不斷更新控製版本，並用跑步機等裝置觀察機器人在長時間工作中的穩定性；其中一台機器人的測試已持續到約第 11 天。
搬運約 25—50 磅（約 11—23 千克）的箱子、操作門把手、開門通行和協助裝載卡車，則進一步檢驗機器人在承擔負載、接觸環境時能否保持穩定。
五、從 200 小時物流到 30 套住宅：能力能否經得住真實環境？
前一章展示了機器人能力的邊界，這一章檢驗的是另一件事：這些能力能否離開演示環境，在更長時間、更多干擾和全新空間中穩定運行。
連續作業：200 小時是系統輪換運行。團隊最初只計畫讓物流系統工作八個多小時，達到目標後決定繼續運行，直到出現故障。最終，系統持續工作八天多，累計超過 200 小時；一台機器人需要充電時，後方的另一台會接班。因此，這個數字指輪換機器人維持的系統連續作業時間，並非單台機器人不間斷運行 200 小時。
網路觀眾給這套物流演示取名“Bob”。據佈雷特介紹，團隊最後主動結束了測試，而不是等到系統故障；此後，機器人仍每天在現場工作。一位實習生曾與它進行八小時作業比賽，勉強獲勝，第二天卻感到雙臂難以活動。
公開環境：在人群中自主行走和交流。Dreamforce 大會前約兩周，團隊接到把機器人帶到現場的任務。機器人需要在擁擠人群中自主穿行，不能依靠搖桿，還要與觀眾交流。這次部署檢驗了系統在開放場合中的可靠性。
陌生住宅：讓 Helix 2.5 面對未見過的空間。Figure 將機器人帶入 30 套此前沒有見過的出租住宅。不同房屋的光照、佈局、家電和物體各不相同；團隊還特意帶入訓練中沒有出現過的物體，以檢驗模型能否真正遷移能力。
這些測試給出了三項階段性結論。第一，機器人已經能夠把部分能力遷移到陌生環境；第二，更廣泛的預訓練有助於這種遷移；第三，隨著訓練資料增加，機器人在結構化評估中的表現也有所改善。
這些結論仍來自 Figure 的內部測試。它們把問題推向下一章：資料繼續增加時，性能改善能否穩定、可預測地出現？
六、增加資料和算力，機器人會按規律變聰明嗎？
目標：建立可預測的投入—能力關係。Figure 想知道，增加多少資料、算力和模型規模，能夠換來多大的性能提升。佈雷特用“投幣機”作比喻：如果投入與能力增長之間存在穩定關係，公司就能估算下一輪資源投入會帶來什麼結果。
參照：語言模型已經出現過規模定律。佈雷特引用了 2020 年的神經語言模型研究。相關實驗分別改變訓練算力、資料集規模和模型參數量；在給定實驗條件下，這些投入增加時，測試損失沿相對穩定的趨勢下降。測試損失降低，意味著下一詞預測誤差減少。
語言模型的曲線不能直接證明機器人也遵循同樣的規律。機器人模型處理視訊、動作和物理接觸，輸出還要經過真實硬體執行，因此 Figure 必須在機器人任務上重新檢驗資料規模與性能之間的關係。
Figure 自己的證據：預訓練資料增加，內部指標隨之改善。隨 Helix 2.5 公佈的實驗中，Index 預訓練資料從 1×增加到 8×時，驗證損失持續下降。團隊還把不同訓練規模的模型部署到機器人上做結構化評估，並報告資料增加後任務表現有所提高。
目前能確認的，是趨勢，還不是完整的預測公式。公開結果主要展示了有限資料區間內的內部實驗，能夠支援“更多預訓練資料與更低損失、更好評估表現相關”。它還沒有證明算力和參數規模在廣泛機器人任務上都能產生同樣穩定的回報，也沒有經過更大範圍的獨立驗證。
為了繼續檢驗這條趨勢，Figure 首先要解決訓練資料從那裡來。
七、Index：3750 萬段人類視訊，怎樣變成機器人訓練資料？
第一步：解決“資料從那裡來”。Figure 曾嘗試直接購買訓練資料，卻找不到覆蓋面足夠廣的資料集。機器人需要學習的不只是工廠裡的重複動作，還包括做早餐、疊毛巾、照料寵物、園藝、駕駛叉車，以及製造、供應鏈和護理等不同活動。
Index 因此被設計成一個由全球創作者參與的現實世界資料採集項目。Figure 希望記錄不同人物在不同房屋、光照、家電和工作環境中的活動，讓模型學習物體如何變化、人的身體怎樣移動，以及雙手如何操作物體。
第二步：追求資料分佈，而不只是視訊總量。如果大量上傳內容都是同一種動作，即使時長很長，也難以覆蓋現實世界。Index 要採集的是分散在人類日常生活中的多樣行為，割草、切洋蔥、園藝和叉車作業都屬於目標範圍。
平台規模：3750 萬段視訊、126 萬次下載、112 個國家。這些是 Figure 在大會上公佈的 Index 累計資料。
大會前一周，有超過 21 萬名不同使用者至少上傳過一段視訊；此前十周，項目平均每周環比增長約 20%。截至大會，應用每經過一秒便收到約 81 分鐘的新視訊。佈雷特還表示，Figure 在此前一周的資料支出約為 810 萬美元。
這些數字說明的是採集平台的規模，不等於所有上傳視訊都能直接進入訓練。第三步：把原始視訊加工成模型可用的資料。基礎設施團隊首先要清洗和整理視訊，再標註雙手關節、身體姿態與運動軌跡，判斷手指在做什麼、身體如何隨時間在三維空間中移動。
第四步：把人類動作對應到機器人。Index Collect 會在第一視角視訊上疊加雙手關鍵點、骨架連接、全身姿態、運動軌跡和頭部高度等資訊。處理後的資料再進入 Helix 預訓練，用於學習人類動作與機器人執行之間的對應關係。
這條流水線仍在快速變化。佈雷特介紹，資料標註、動作追蹤和預訓練方法幾乎每個月都會隨著新模型調整。Index 已經解決了大規模採集問題的一部分，真正困難的下一步，是持續提高資料質量，並證明這些人類視訊能夠穩定轉化為機器人的新能力。
八、訓練通用機器人，需要多少資料、算力和資金？
資料帳單：Figure 預計最終需要投入數十億美元。佈雷特預計，未來 12 個月的資料支出將超過多數機器人公司成立以來的融資總額。這是管理層對未來投入的估算，不是已經發生的累計支出。
算力帳單：預訓練需要大型計算叢集。Figure 認為，視訊、動作和物理互動帶來的訓練負擔可能高於語言模型，因此同樣需要數十億美元等級的算力投入。佈雷特甚至預計，機器人訓練叢集的規模最終可能超過當時的大語言模型叢集；這一判斷仍有待後續建設和訓練結果驗證。
合作承諾：初步規模 35 億美元，擴展意向為 60 億美元。Figure 與 Nscale（營運資料中心和 AI 算力基礎設施的公司）公佈的初步承諾規模為 35 億美元，並計畫進一步擴大至 60 億美元。項目採用 NVIDIA（輝達，GPU 與 AI 計算平台公司）的 Vera Rubin 平台，目標在 2027 年上線。大會時，德克薩斯州西部項目仍在辦理供電許可並採購硬體。
擴容分成兩步。短期內，佈雷特稱 Figure 的現有算力將在隨後約一周半內翻倍；長期則等待 2027 年接入 Nscale 項目，用於下一代 Helix 模型訓練。前者是近期擴容安排，後者仍屬於建設中的基礎設施計畫。
為什麼一定要做預訓練？後訓練可以圍繞某個任務單獨採集資料、訓練策略，使機器人完成特定工作；Figure 的判斷是，這種方式難以覆蓋廣泛的人類活動。公司希望用更大規模的資料和算力先形成可遷移的通用能力，再把模型帶到具體任務中。
這些數字描述的是 Figure 選擇的資本與基礎設施路線，並不代表模型能力已經兌現。
九、BotQ 與商業化：從建產線到真實部署
第一步：從零建立供應鏈和製造體系。Figure 無法直接沿用手機或汽車行業的成熟供應鏈，許多零部件、工位和製造流程都要重新設計。BotQ 的建設延時畫面展示了這套體系從空場地到投入運行的過程；按佈雷特的說法，團隊用約兩三個月完成了初步搭建。
第二步：讓產能與智能同步擴張。早期公司只有幾台機器人，團隊甚至要用日曆安排使用時間。佈雷特稱，大會時園區內的機器人數量已經超過人員數量；公司接下來還計畫逐年提高產量，並建設 BotQ 1 之外的更多產能。
Figure 因此希望在模型能力繼續提升的同時，讓 BotQ 提前具備交付條件。
第三步：把機器人送進真實客戶現場。按大會披露，Figure 已在美國三個州部署機器人，但具體客戶和任務需要獲得商業授權後才能公開。真實現場要求機器人長時間快速工作，同時控制故障率，這與實驗室演示的要求不同。
第四步：檢驗陌生環境與極端條件。佈雷特介紹，一台機器人被帶進此前沒有見過的建築，面對不同光照和略有變化的輸送帶，在沒有追加訓練的情況下完成了既有任務。這個案例由 Figure 自己披露，可以視為一次零樣本遷移測試，還不足以代表所有客戶場景都能直接泛化。
另一處洛杉磯部署設施沒有空調，夏季溫度一度接近 40℃。這類現場會暴露散熱、可靠性和持續運行等實驗室不容易覆蓋的問題，也說明商業化驗證不僅是“能不能完成動作”，還包括“能否在苛刻條件下長期工作”。
資金儲備：帳面現金超過 20 億美元。這是佈雷特在大會上披露的數字；他沒有進一步說明新增資本的具體結構。Figure 希望用這筆資金繼續擴充資料、算力、機器人數量和製造能力。
Figure 已經搭起製造和部署環節，規模化是否成立，仍要看後續交付量、執行階段長與客戶使用結果。
十、下一步，仍要用新的模型和部署來驗證
大會收尾時，佈雷特提到一次內部測試。團隊此前一個月訓練的新模型，使用了公司當時最大規模的預訓練資料和最多的 GPU，並在名為 Black Box 的室內房屋實驗環境中測試。
佈雷特把這個尚未公開的模型稱為“初生的 AGI”，並說這是自己從事機器人以來最重要的時刻。大會只展示了一段簡短預告，沒有給出完整任務流程或評估結果。他也明確表示，模型仍處於早期，尚未準備好正式公開。
團隊還在訓練更大的模型，計畫在隨後幾周繼續驗證，並在未來六個月推進新模型研發。判斷這條路線是否成立，要看模型公開後能否在更多環境中復現演示效果、穩定完成任務，以及這些能力能否進入更大規模的客戶部署。 (AI工業)