Figure CEO Brett Adcock：人形机器人分四阶段发展，Figure 4 或将迎来初代 iPhone 时刻

RoboStrategy 2026-11-01 10:03 北京

“如果在机器人具备足够智能之前，就急于大规模生产，那么无论制造能力有多强，实际上都只是在批量制造缺乏智能的机器躯壳。”

图片来源：figure.ai

Z Highlights

• 人形机器人的发展大致可以划分为四个阶段：硬件、自主控制、智能规模化和制造规模化。前两个阶段不是单纯依靠资本投入就能够攻克的难题。即使你随便找一个人，给他500亿美元，他仍然很可能无法完成这项任务；而后两个阶段，即智能规模化和制造规模化，则在很大程度上可以通过资金投入加速推进。

• 如果没有足够的资本，甚至连参与这场竞争的机会都没有。如果今天就能立刻获得我们所需要的全部数据和算力，通用机器人的问题或许就能够得到解决。

• 人形机器人与人类身体结构的相似性，在数据层面的价值，甚至比在硬件层面更加重要。 真实世界中的全部复杂性，不可能依靠模拟完整复现。机器人学习可能仍然处于数据匮乏阶段。Figure通过 Index 在全球 100 多个国家采集真实人类行为数据，试图构建类似大语言模型互联网预训练的数据基础，并将人类操作经验迁移到机器人身上。

• 如果在机器人具备足够智能之前，就急于大规模生产，那么无论制造能力有多强，实际上都只是在批量制造缺乏智能的机器躯壳。但反过来说，一旦机器人的智能水平真正成熟，制造能力就会变得至关重要。

• Figure的机器人数量已经超过了工程师人数，几乎每个工程师都有机会直接使用机器人。

• Figure 4对人形机器人来说，将是一个“初代iPhone 时刻”。

Brett Adcock 是美国人形机器人公司 Figure AI 的创始人兼 CEO，带领团队累计制造达到 1,000 台人形机器人，并推出 AI 控制模型 Helix 2.5，使机器人能够在 30 套此前未接触过的住宅中，无需针对新环境重新训练便执行家务任务。2026 年 9 月，RoboStrategy 邀请他深入探讨机器人能否像大语言模型一样，通过数据与算力扩张持续提升智能，以及通用机器人走向规模化应用的关键挑战。

机器人领域的“圣杯”：从执行指令到陌生环境中的自主工作

Herbert Ong（Brighter with Herbert主持人）：感谢你参加今天的节目。对你和Figure来说，这是一个非常重要的时刻。你曾将机器人能够在从未接触过的环境中实现泛化，并完成实际工作称为机器人领域的“圣杯”。我想进一步了解，你对泛化的定义究竟是什么？现在人们谈到AI的泛化能力，往往是指模型经过一次训练，就能在不同场景下执行各种任务。而你强调的似乎有所不同：机器人需要在陌生环境中完成多种任务。你能具体解释一下，你所追求的这个终极目标是什么吗？

Brett Adcock：我们想打造的产品是这样的：把一台机器人带到你的家里，你只需要通过语音告诉它该做什么，或许再结合一定的记忆信息，它就能自主开展工作。比如，你让它洗衣服、洗碗，它就能够安全、自主地完成从头到尾的整个任务。

要实现这样的产品，我认为必须解决三个关键问题。首先，我们需要一台真正具备通用能力的人形机器人。轮式机器人或其他形态的设备，很难同样出色地适应这些任务。其次，必须在 AI 层面实现全身自主控制。要让机器人真正具备这种能力，整个技术栈都需要以神经网络和深度学习为核心。第三，也是至关重要的一点，就是让机器人能够在从未见过的环境中实现泛化。每个家庭的电器、房屋布局、家具摆设都不一样。对机器人而言，这些环境中的大量元素都是陌生的，甚至可能属于训练分布之外的情况（out-of-distribution，OOD）。

因此，如果我们想打造一款真正优秀的产品，机器人就必须能够进入从未接触过的环境，并在那里完成真正有用的工作。它不能只是站在原地，而是要能够洗衣服、洗碗、整理房间、把买回来的食品杂货收拾归位、做饭、遛狗、倒垃圾。为了实现这一目标，我们一直在努力构建一套垂直整合的深度学习技术栈，同时积极推进人形机器人硬件的研发，努力接近我们心目中的理想产品形态。

现在，借助Helix 2.5，我们已经能够把机器人带出公司的测试环境，放进租来的住宅中，初步展示其在陌生环境中的泛化能力。当然，这一切还处于早期阶段，距离完美还有很长的路要走。

图片来源：figure.ai

人形机器人发展的四个阶段：工程能力决定起点，资本决定规模

Brett Adcock：我想先分享一下自己对整个行业发展路径的判断。Scott上周来过我们办公室，我们也讨论过这个问题。我认为，人形机器人的发展大致可以划分为四个阶段。第一个阶段，是打造真正优秀的人形机器人硬件。机器人必须在速度、扭矩（torque）、续航时间（runtime）、灵巧性（dexterity）、运动范围（range of motion）、重量和成本等方面实现良好的平衡。所有这些指标都要达到足够高的水平，才能构成一套优秀的硬件系统。

在此基础上，第二个阶段是找到适合人形机器人的AI架构（AI architecture）和训练方法，让机器人能够根据不同形式的指令自主行动。这些指令可以来自视频，也可以来自记忆信息或语音。最终，我们需要实现从像素到扭矩的端到端控制：机器人直接根据感知到的环境信息，生成相应的关节扭矩指令，从而执行长时程自主运行。理想情况下，这套方法应该支持机器人连续自主工作数小时，甚至数天，整个过程无须人类介入（human in the loop）。这就是第二个阶段。

因此，前两个阶段的核心，是让人形机器人硬件和AI自主控制系统真正结合，实现可靠的端到端运行。但我认为，前两个阶段不是单纯依靠资本投入就能够攻克的难题。我的意思是，无论投入多少钱，都无法保证成功。即使你随便找一个人，给他500亿美元，他仍然很可能无法完成这项任务。

在我看来，这有点像研发轨道火箭。你不能仅仅通过花钱雇人，就期待最终一定能够把它造出来。这是一项周期漫长、工程难度极高的任务。你需要一支近乎疯狂的工程团队，成员必须对这项工作极度投入，日以继夜地解决问题。把机器人造得又大又重并不难，让它在某个场景里自主运行几分钟也不算特别困难。真正困难的是，让机器人在复杂环境中长时间、持续地完成具有实际价值的工作。而这些任务往往需要机器人协调身体的不同部位。例如，移动双手、搬运包裹和其他物品、处理衣物，以及在环境中自主移动。因此，这实际上是一个涉及全身协调的复杂控制问题。

这就是我所说的前两个阶段。

接下来的两个阶段，情况就不一样了。第三个阶段，是提升人形机器人的智能水平（humanoid intelligence）。我们可以通过模型损失是否持续下降来衡量进展，但我认为，更有意义的指标是：机器人能否在真实世界中，成功完成越来越多原本由人类承担的任务。机器人能够完成的任务越多，就会有越多消费者愿意使用它。从技术上说，我们需要不断提高整个系统的智能水平。只要深度学习架构是正确的，模型能力的提升在很大程度上就取决于数据（data）、算力（compute）和模型规模（model size）。这是深度学习本身的基本规律。幸运的是，如果架构正确，这个阶段的进步就可以在很大程度上通过资本投入来推动：持续增加数据和算力，就有望让机器人学会并成功执行更多任务。

第四个阶段，则是制造。但有一点非常重要：不能在前三个阶段尚未取得足够进展之前，就急于扩大制造规模。当机器人已经具备一定的智能能力，而且这种能力能够随着数据和算力的增加持续提升时，它在实际使用中的表现也会不断改善。具体来说，机器人能够在家里完成更多任务，执行速度更快，成功率也更高。随着这些能力的提高，它就会逐渐成为一款真正适合大众市场的产品。到了这个阶段，机器人产能的扩张速度，就应该尽可能跟上智能能力提升的速度。

制造规模化同样是一个复杂的工程问题，但它也是可以依靠资本投入推动的。因此，我认为，人形机器人发展的前两个阶段主要依赖顶尖的工程能力，不是靠钱就能解决的；而后两个阶段，即智能规模化和制造规模化，则在很大程度上可以通过资金投入加速推进。

从工程突破到规模化增长：数据和算力成为新的竞争门槛

Brett Adcock：Figure现在最让我们兴奋的，是我们认为自己已经进入了智能规模化的早期阶段。我们正在探索一个核心问题：如果持续向机器人系统投入更多数据和算力，它是否就能够完成越来越多的任务？Helix2.5是我们第一次公开展示这方面的进展。随着更多训练数据进入系统，我们确实观察到了机器人实际操作能力的提升。我们每周都在大量租赁住宅中开展评估（evaluation）。公司内部还有一个Zoom直播链接，可以实时观看这些测试。Scott应该看过，我们之前向他展示过。

Scott Walter（RoboStrategy机器人研究与尽调总监）：对，我看过，确实非常酷。不过当时我还不知道，你们是否计划把这些测试画面公开直播，或者是否具备公开直播的条件。

Brett Adcock：画面中会涉及住户的地址信息。

Scott Walter：确实很有意思。

Brett Adcock：我们的测试地点遍布整个旧金山湾区，内部人员可以全天观看这些测试。我们会对模型开展消融实验（ablation studies）和评估（evaluations）。通过这些测试，可以非常直观地观察到：训练数据较少的模型表现相对有限，而使用更多数据训练的模型往往能够取得更好的结果。这些差异不仅可以直接观察，还可以进一步量化，并对相关成本进行测算。

Herbert，我想总结一下为什么这些进展让我们如此兴奋。如果机器人领域真的进入了一个像LLM一样，通过持续扩大数据和算力，实现相对可预测的能力提升，那么这可能是近年来最令人振奋的技术进展之一。这也是为什么我认为有必要讲清楚前面提到的四个阶段。如果在机器人具备足够智能之前，就急于大规模生产，那么无论制造能力有多强，实际上都只是在批量制造缺乏智能的机器躯壳。但反过来说，一旦机器人的智能水平真正成熟，制造能力就会变得至关重要。

Brett Adcock：在制造方面，我们正在通过BotQ推进产能建设。而在智能领域，我们已经启动了Index项目。目前，我们的数据采集网络已经覆盖全球100多个国家。本周，Index应用的活跃用户数达到了10.7万，数据上传速度也已经达到每秒约50分钟的视频内容。

Scott Walter：哇！你上周告诉我还是每秒36分钟，这周就已经涨到50分钟了？

Brett Adcock：没错，上周还是36分钟，这周达到了50分钟。大约一个月前，我告诉团队，不要再因为预算方面的考虑，人为限制数据采集规模。应该尽可能放开这些限制，让采集速度继续提升。我们已经为这个项目投入了大半年的时间，整个过程非常艰难。毕竟，这些数据不是凭空产生的，我们必须真正走进现实世界，把它们采集回来。Index项目目前正在快速扩张。随着越来越多的数据进入系统，模型的表现也在持续改善。与此同时，我们在全球范围内采集的数据越来越丰富，覆盖的场景和行为也更加多样化。

现在画面上展示的是我们网站上的实时数据上传情况。每一个亮起的像素，都代表有数据正在上传到我们的服务器。我们会对这些数据进行清洗和处理，为后续训练做好准备。理想情况下，今天采集到的数据，有望在接下来的30天内进入模型训练流程。

这是数据方面的进展。另一方面，我们也在大幅扩充算力。几周前，我们宣布与Nscale达成合作，计划部署最多10万颗基于NVIDIA Vera Rubin 平台的GPU。这些都是面向高性能训练的新一代计算资源。我们已经承诺投入约35亿美元，并有望将整体投入规模进一步扩大至约60亿美元。

我认为Figure目前处在非常有利的位置。我们已经建立起优秀的AI架构，人形机器人硬件本身也非常出色，同时还在快速扩大数据采集与算力投入规模。接下来的一年，我们非常期待看到这套系统的能力究竟还能提升到什么程度。

我甚至认为，如果今天就能立刻获得我们所需要的全部数据和算力，通用机器人（general-purpose robotics）的问题或许就能够得到解决。当然，我知道这是一个非常大胆的判断。现实中，我们仍然需要持续采集数据、训练模型，并验证这些技术路线。但总体而言，这些进展让我非常兴奋。Scott上周来办公室时，我们也深入讨论过这些问题。

陌生住宅中的真实测试：如何证明机器人正在学会泛化？

Scott Walter：我有几个问题，相信也是很多观众想知道的。你一直在描述一个场景：机器人来到用户家中，就能够自主完成各种家务。但在目前的测试中，当你们把机器人带到那些通过Airbnb租来的住宅时，具体是怎么操作的？比如，是否需要先由工作人员把机器人引导到某个房间？它又是如何判断什么时候应该开始铺床、叠毛巾的？是机器人自己发现了需要整理的地方吗？

我在视频中注意到，有人会先把床铺弄乱，而机器人已经站在旁边。过了一会儿，它似乎会先轻微调整手部姿态，然后才正式开始执行任务。所以我很好奇，究竟是什么机制触发了机器人的动作？我猜目前的系统还没有完全达到你们最终设想的状态，未来应该还会有更进一步的能力，对吗？

Brett Adcock：从整体上说，我们目前进行的是一系列高度结构化的实验。对我们而言，最重要的是建立一套系统性的评估方法，准确理解随着训练数据不断增加，模型本身发生了哪些变化，以及机器人执行任务的表现如何改善。只有弄清楚这些关系，我们才能在下一轮使用更多数据训练模型时，有针对性地优化系统，让能力持续提升。

为此，我们会针对不同的机器人控制策略开展消融实验（ablation studies），观察增加训练数据后，任务成功率是否真的提高。如果只是把机器人放进房子，让它自由执行各种任务，就很难建立统一的评估基准（evaluation benchmark），也无法有效比较不同模型之间的表现。

因此，在这次实验中，我们选择了家庭环境里的三项主要任务，并制定了严格的评估标准。我们非常重视测试过程和结果记录的准确性。我们对“成功”的定义，是机器人必须从头到尾完成整个任务，而不是只完成其中一部分。比如，在整理客厅的测试中，机器人必须把所有需要收拾的物品全部处理完，才算完成任务。我们在官方博客中详细介绍了整个评估过程，包括各项指标的定义和具体测试方法。团队还专门撰写了大约五页的附录，对相关细节进行了说明。如果大家有时间，我非常推荐去读一读。

这次实验实际上是我们第一次尝试验证一个重要判断：机器人学习可能仍然处于数据匮乏阶段（data-starved regime）。也就是说，在当前的数据规模下，随着更多训练数据进入系统，机器人的任务表现仍有明显的提升空间。

我们认为，这种趋势还会继续。随着训练数据不断增加，以及机器人逐渐学会更多家庭环境中的操作，它的整体能力有望进一步增强。今年年初，我曾为团队设想过一个非常大胆的目标：如果一切进展顺利，希望今年能够把机器人真正放进一个家庭环境，让它完成长时程自主任务（long-horizon autonomous tasks）。这次发布还没有实现那个目标，但现在看来，我们已经有了更加明确、可行的技术路径。

我们希望最终能够把机器人带进任意一个选定的家庭，让它在那里成功完成一些需要持续执行较长时间的工作。目前团队仍在努力解决相关问题。

与此同时，我们也在推进商业化交付，手头还有许多其他工作。不过总体来说，这次发布取得了不错的进展。我希望未来回过头看时，我们会发现这只是整个发展历程的第一章，后面还有二三十章等待书写。现在最重要的，就是继续扩大规模。

Scott Walter：明白了。那你们现在还在持续使用这些租来的住宅吗？比如在一套房子里测试几天，然后换到另一套，再不断重复这个过程？

Brett Adcock：是的，这些住宅都是租来的。我们每周都会更换测试地点，在不同的房子里持续开展模型评估和消融实验。实际上，这项工作最初有一些偶然性。当时，我们开始预训练规模更大的模型。团队提出了一个想法：不如把机器人带到一些完全陌生、从未测试过的住宅里，看看它能否成功完成任务。这一直是一个非常棘手的问题。过去两年，我们都在尝试类似的工作，但始终没能取得理想效果。

后来，我们开始把机器人带到圣何塞（San Jose）、东湾（East Bay）以及旧金山湾区半岛地区（Peninsula）的不同住宅中。就在几个月前，我们观察到了一个令人兴奋的变化：机器人开始能够在从未进入过的住宅中，面对从未接触过的物品，成功完成一些具有实际价值的操作。

这让我们不禁开始思考：如果把训练数据扩大到原来的两倍、四倍、八倍，甚至十倍，机器人又会表现出什么样的能力？事实证明，随着更多数据进入系统，机器人的表现确实在不断改善。

机器人没有自己的“YouTube”：Figure如何建立真实世界数据体系？

Herbert Ong：你刚才提到的陌生住宅测试，与Index是两个不同的项目吗？你们之前推出了一款应用，招募参与者佩戴头显，完成各种实际任务并录制操作过程，而且支付的报酬相当可观。这和前面提到的数据收集，是同一套计划吗？

Brett Adcock：是的，可以把Index理解为Figure的大规模数据采集计划，其目标是为机器人建立足够丰富的预训练数据基础。我换个角度来解释。大语言模型之所以能够发展到今天这个水平，一个非常重要的原因，是它们可以利用互联网上积累的海量信息进行预训练（pre-training）。互联网上可能有大约200万亿至300万亿个Token。经过数据筛选和去重后，其中约20万亿至40万亿个Token可以用于模型预训练。这些数据让模型能够建立起强大的语义基础，并通过预测下一个Token的方式学习语言和知识。

但机器人领域没有这样的资源。互联网上并不存在一个规模相当、能够直接用于机器人训练的数据资源库。换句话说，机器人还没有自己的“YouTube”。不过，人形机器人有一个非常特殊的优势：它的身体结构与人类高度相似。这是一个非常根本的特点。人类生活的房间、家具和各种设施，本来就是围绕人的身体结构设计的，因此人形机器人在硬件形态上天然适合这些环境。

但我认为，这种相似性在数据层面的价值，甚至比在硬件层面更加重要。有什么数据资源的规模，可能比互联网上所有文字加起来还要庞大？答案是人类每天产生的行为数据。全球有超过80亿人，每天都在真实世界中进行各种活动。他们会割草、清理猫砂、把采购回来的食品杂货收拾归位、准备晚餐、给汽车换机油、修理轮胎，等等。这些活动涉及极其丰富的物理交互和操作方式。

我们的核心问题是：如何理解这些人类活动中蕴含的物理规律，并在全球范围内收集如此庞大、多样的行为数据？又如何将这些数据整合起来，用于训练机器人？这正是Index要解决的问题。Index本质上是一项互联网规模的预训练计划。我们的目标，是从世界各地收集人类在真实物理环境中的行为数据，经过清洗和处理后，将其用于模型训练，最终把模型从这些数据中学到的能力迁移到机器人身上。

这就是我们的长期目标，也是整个项目的核心方向。我认为，这是实现通用机器人能力的唯一可行路径。因为真实世界中的全部复杂性，不可能依靠模拟（simulation）完整复现。我们必须把现实世界的数据真正收集起来，用它们建立机器人模型的基础先验（base prior）。

Index大约在一年前启动，而我们在最近四到六个月显著加大了投入。现在，项目的数据增长曲线已经呈现出典型的“冰球杆式增长”：前期增长非常缓慢，随后突然进入快速上升阶段。但整个过程并不顺利。最初两三个月，我们几乎没能让数据采集规模增长起来。我每天参加站会时都觉得非常煎熬，因为无论怎么努力，项目似乎就是无法取得突破。

而且，难点远远不只是把数据收集起来。我们需要选择合适的传感器组合（sensor suite），还要确保采集数据的观测空间（observation space）与动作空间（action space），能够尽可能匹配机器人的实际感知和执行能力。同时，数据还必须经过严格清洗，其中涉及欺诈、无效数据和质量控制等各种问题。

起初，我们尝试通过外部采购解决数据来源问题。当时全球大约有50到60家初创公司从事相关业务，我们也从中购买了不少数据。但最后发现，这些数据的质量普遍不理想，很多甚至根本无法用于训练。于是，大约五六个月前，我们决定由自己来承担整个数据采集工作。大约三个月前，Index终于迎来了一个重大拐点：此后数据采集规模开始逐周快速增长，而且至今没有出现明显放缓。这就是我们目前为机器人预训练建立起来的数据来源。

我认为，Helix2.5之所以能够取得现在的进展，关键在于我们已经建立了这套大规模数据采集体系，同时拥有充足的训练算力。以Index最近的进展为例，应用下载量可能已经接近翻倍。我们的数据采集速度，也从此前每秒约30分钟的视频内容，提高到了现在的每秒约50分钟。截至目前，系统累计收到的视频上传量已经接近2300万至2400万条。与此同时，我们向数据贡献者支付报酬的支出规模也在快速增长。

我预计，在相对较短的时间内，我们就可能在这项计划上投入数亿美元。如果一切按照预期发展，长期投入甚至可能达到数十亿美元。这是一项规模非常庞大的工程。数据是模型训练的一项重要投入，另一项就是算力。我们正在同时扩大这两方面的资源投入，而我们真正希望获得的结果，是机器人能够稳定、可靠地完成越来越多的实际任务。现在，我们已经开始观察到这种变化。

随着人类行为预训练数据不断扩大，机器人开始能够在此前从未接触过的环境中，面对陌生物品，成功执行实际任务。例如，我们用于测试的租赁住宅并不包含在训练数据中，房子里的被子、枕头等物品也并非机器人此前在这些场景中接触过的对象。我们只是租下这些房子，把机器人带进去，它就能够开始执行任务。这才是我们真正希望看到的产品形态。

我们不希望用户家里的机器人依赖远程人工操控。我们希望它能够真正理解环境，并自主完成工作。当然，这个问题还远远没有得到彻底解决。但从目前观察到的能力提升趋势来看，我们认为技术发展的方向是积极的。

接下来，我们会继续扩大数据和算力规模，尽最大努力探索这条技术路线能够达到的极限。

Kevin McCordic（RoboStrategy首席营销官）：我觉得最值得关注的，是你们观察到的那条增长曲线：训练数据增加一定倍数之后，模型的准确率或任务成功率究竟会提高多少？过去四五年，很多人一直在关注AI，现在他们也开始把目光转向机器人领域。大家都在讨论，在大语言模型中观察到的规模化规律（scaling laws），能否同样适用于机器人模型？

我很好奇，机器人模型的规模化过程与大语言模型相比，是否存在本质区别？你们有没有发现什么意料之外的现象？比如，你刚才提到数据采集量曾经有一段时间几乎没有增长，后来却突然出现了“冰球杆式”上升。那么，在机器人产品的实际表现上，你们观察到了哪些值得关注的规律？

Brett Adcock：最让我们兴奋的发现是：机器人模型确实开始呈现出一条规模化曲线（scaling curve）。过去几年，我们一直缺少一种能够以相对可预测的方式持续提升机器人行为能力的方法。Figure现在已经很擅长针对特定应用场景开展后训练（post-training），让机器人学会并执行相应任务。我甚至认为，我们在这方面可能是世界上最优秀的团队之一。但仅靠针对单个场景逐一训练，不可能支撑一亿台、甚至十亿台机器人的大规模应用。要做到这一点，机器人必须能够从现实世界的各种经验中进行迁移学习（transfer learning），把学到的能力应用到不同的任务和环境中。

因此，我们希望机器人模型也能呈现出类似大语言模型的规模化规律。从模型损失与数据、算力规模之间的关系来看，当前机器人领域的投入水平可能还只相当于大语言模型发展的极早期，类似GPT-1阶段。虽然我们现在拥有的数据和算力仍然很有限，但目前观察到的结果相当令人鼓舞。我们在博客中展示了一张曲线图，比较模型损失随着训练数据规模增加的变化：一条是事先预测的趋势线，另一条是模型实际训练得到的结果。两条曲线几乎完全重合，吻合程度甚至好得让我们自己都有些难以置信。我们还开玩笑说，如果它们之间能有一点偏差，反倒显得更真实。实际上，放大图表确实可以看见细微差别，只是在目前的尺度下很难察觉

图片来源：figure.ai

但这只是开始。接下来，我们需要将数据和算力扩大到现在的一百倍，甚至一千倍，达到机器人领域前所未有的规模。好消息是，我们认为自己已经具备推进这件事所需的资金实力，数据采集管线也已经建立，算力资源正在持续扩张，预计明年还会有显著增长。到了智能能力规模化的这一阶段，资金就成了决定性的条件之一：如果没有足够的资本，甚至连参与这场竞争的机会都没有。不会有什么神奇的数据集，突然为机器人通用智能提供几十万、上百万小时的训练数据。这些资源必须投入巨资、一步一步地建立起来。我认为，从长期来看，仅这方面就可能需要数百亿美元。

机器人制造端所需的投入可能更加惊人。为了扩大产能、建设制造设施、购置零部件，以及满足生产过程中的资本开支（CapEx）和营运资金（working capital）需求，未来可能需要数百亿、数千亿美元，甚至万亿美元量级的资金。这将是一项极其庞大的工程，而我们如今还处在整个进程的早期阶段。

Helix 2.5的能力边界：三项家务测试距离通用机器人还有多远？

Herbert Ong：真正困难的问题是：人形机器人能否第一次走进一套陌生住宅，就凭借全身自主控制能力开始工作？你们的实验似乎已经初步展示了这种可能。我特别想知道的是，目前机器人究竟能够在陌生环境中泛化完成多少种任务？视频中展示了各种操作，也包含大量用于训练的数据，但我问的是机器人现在真正能够独立完成的任务数量。

Brett Adcock：你是问我们目前采集了多少种任务的数据吗？

Herbert Ong：不，不是数据采集覆盖了多少种任务，而是机器人现在能够泛化执行多少种任务——也就是像你说的，进入一个此前没见过的环境，就能直接动手完成的任务。

Brett Adcock：我想先强调，这次实验的设计非常严谨，而且目标很明确：我们主要是想验证数据规模增加后，机器人的表现是否会随之改善。因此，我们特意选定了三项家庭任务作为评估对象。

Herbert Ong：明白。

Brett Adcock：具体来说，我们测量机器人在测试中有多大比例能够收拾好客厅里的所有玩具、从头到尾铺好一张床，以及折叠完所有毛巾。我们关注的是，随着训练数据不断增加，这三项任务的完成成功率是否提高。实验结果表明，成功率确实上升了，而这正是我们希望通过此次实验验证的事情。

当然，我们更期待的是，在不断扩大基础预训练规模之后，看看机器人还能在家庭环境中展现出哪些新的行为能力。你们刚才播放的Index视频就很能说明问题：人类日常活动的种类实在太丰富了，有人割草、烤饼干、准备食物、拿着纸杯蛋糕，还有人使用卷尺测量物品。这样的活动可能涉及成千上万、甚至数百万种不同的任务。我们最终希望机器人能够掌握其中尽可能多的工作，而不只是完成这次实验选定的三项家务。 比如煎汉堡肉饼、做饭、洗衣服，或者从事物流搬运，这些都是人们真正希望人形机器人能够承担的工作。

好消息是，人形机器人的硬件形态非常适合完成这些任务。人类生活的空间和日常使用的物品本来就是围绕人体设计的；机器人如果具有与人相近的身体结构，就更容易进入这些环境、抓取这些物品，并执行相应操作。而随着硬件不断改进，它的形态和能力也会越来越接近人类。我认为，当前最重要的发现仍然是：我们已经开始观察到机器人学习的早期规模化规律——随着训练数据增加，系统的实际任务表现也在提高。

图片来源：figure.ai

Scott Walter：说到这些租来的房子，我有两个问题。第一个是：你们最后都顺利拿回租房押金了吗？

Herbert Ong：你们还打算继续租这些房子吗？

Brett Adcock：说起来，昨天晚上我还特意问团队：“房东们知道我们会把机器人带进房子里吗？”团队告诉我，所有相关人员都会提前收到说明，知道我们要在里面做什么。

Scott Walter：那清洁人员进屋时一定觉得很奇怪吧？本来准备打扫，结果发现房子干干净净的，可能还会想：“这是怎么回事？”你们会真的在里面生活吗？我的意思是，有没有人实际住进去使用这些房子？

Brett Adcock：没有，我们不会在那些房子里过夜。租用它们主要是为了开展机器人的测试与评估。

Scott Walter：明白，所以你们不会像正常住户一样在里面做饭、留下日常生活的杂乱。毕竟你们并不是真的住在那里。

Brett Adcock：也不完全是这样。我们在这些房子里其实还会开展不少其他活动，包括烧烤之类的事情。

Scott Walter：不过至少，你们离开的时候能把房子恢复到足以拿回押金的状态。

从Figure 4到千台机器人：下一阶段的硬件与制造竞赛

Scott Walter：另外，你刚才提到人形机器人硬件还会不断进步。上周我参观Figure时，你带我看了那个类似“钢铁侠”测试区的地方。我记得测试区后面还有一间用深色玻璃围起来的房间。你能透露一点里面的情况吗？毕竟我们知道，Figure 4已经完成了设计冻结。

Brett Adcock：Figure 4的确在推进，但目前还没有可以公布的新消息。

Scott Walter：唉，真可惜！

Brett Adcock：具体细节现在还不能说，不过我可以分享一些想法。从创办Figure的第一天起，我们就知道，要让人形机器人硬件达到真正成熟的水平，还需要很长时间。直到现在，我们依然认为Figure3甚至还没到机器人行业的“初代iPhone”阶段。它更像一部翻盖手机，或者一台早期的诺基亚手机。人形机器人硬件远比手机复杂，因此，这个行业走向成熟所需要的时间也会更长。我们当初以非常快的速度打造Figure 1，主要是为了尽快推出第一台机器人；Figure 2在整体架构上更加完整；Figure 3则是我们第一款面向生产的机器人（production robot）。我们希望在这个基础上继续改进。你看，这就是Figure 1，它现在就在这个房间里。这款机器人真的很了不起。

Herbert Ong：太漂亮了，简直像一位骑士。我也想要一台！你不是说过要送机器人吗？送我一台吧。

Brett Adcock：我们可没说要送Figure 1！这一代总共就只有几台。你看，这里就有一台。

Herbert Ong：我太喜欢它了。

Brett Adcock：Figure 1我们确实还留着几台，我家里也有一台。回想起来，我们几乎是在公司成立后一年之内就把Figure 1造出来了，速度非常惊人。后来完成Figure 3时，我甚至觉得自己已经把能想到的最好方案都用上了，再也想不出什么新点子（笑）。它就是我当时心目中最好的机器人。我们也已经围绕Figure 3开展了大量运行和测试工作。

但如果有一天把Figure 1、Figure 2、Figure 3和Figure 4排在一起，你会发现，Figure 4带来的提升将是我们历代产品中最大的一次。从Figure 1到Figure 2，再到Figure 3，每一代都有进步；但Figure 3与Figure 4之间的差距，将远远超过之前任何两代之间的差距。它让我甚至不知道未来还能为Figure 5增加什么，因为Figure 4对人形机器人来说，将是一个“初代iPhone 时刻”（iPhone 1 moment）。

Scott Walter：可你有没有发现，每次你觉得自己已经没有新想法了，还是会开始研发下一代产品。而在真正动手制造的过程中，新想法又会不断冒出来。

Brett Adcock：现在我确实又有了一些新想法，只是来不及把它们放进Figure 4。不过我可以告诉你，Figure 4的变化会非常大。你看到它时，甚至可能认不出它属于Figure的产品系列。我们在几个关键方向上做了大胆的技术押注，结果都成功了。至于产品本身，我们目前还没有向任何外部人士展示，包括Scott。

Scott Walter：我在这里向大家澄清一下：我确实还没见过Figure 4，唯一看到的只是它的字样。

Brett Adcock：造机器人是一件非常困难的事，我们还在逐一解决那些真正棘手的工程问题，准备好了自然会向大家展示。我不知道这样说是不是有点过头，但Figure 4会让Figure 3看起来像一个“原始人”。这次升级真的非常惊人。要知道，在我看来，Figure 3已经是目前市场上遥遥领先的人形机器人，几乎没有其他产品能够与之媲美。也正是因为硬件足够优秀，我们才能在自主控制方面取得现在的成绩。

而Figure 4还会再向前迈出一大步。过去四年，我和同一支工程团队几乎一直在全力以赴地研发机器人。这是一群非常出色的工程师，我们把能够投入的一切都倾注到了Figure 4上。我非常期待将来有机会向大家展示它。我相信，它将成为Figure迄今最具突破性的设计。

机器人数量反超员工，Figure的下一步是什么？

Herbert Ong：Figure 3目前的生产速度（run rate）是多少？

Brett Adcock：你指的生产速度具体是哪一项？

Herbert Ong：你们到现在一共生产了多少台？每周又能生产多少台？

Brett Adcock：我记得上个月，我们累计制造的机器人数量达到了1,000台。团队还特意把具有纪念意义的第1,000台机器人涂成金色，在BotQ工厂前拍了照片。整体进展非常顺利，我们现在已经拥有相当多的机器人。

图片来源：figure.ai

这件事想起来还挺有意思。两年前，我们只有少数几台Figure 1，整个工程团队都把它们当成宝贝。每个人都想争取机器人的使用时间：硬件调试和测试团队需要它，嵌入式软件、固件（firmware）、操作系统、中间件（middleware）团队也都需要它。当时机器人数量实在有限，而AI和软件团队又必须优先让机器人真正运行起来，所以他们获得了更高的使用优先级。现在情况完全不同了。我们的机器人数量已经超过了工程师人数，几乎每个工程师都有机会直接使用机器人。园区里到处都是机器人，而且它们都能实际运转。这是非常令人高兴的变化。

我们目前就在园区内进行制造，我很喜欢让制造团队和工程团队保持这样的距离。设计机器人和生产机器人的人在隔壁办公，两边形成了一套持续反馈的机制（feedback loop）。一旦生产中出现问题，工程师就可以马上过去一起排查、解决，不需要经过漫长的沟通流程。这样的安排也帮助我们不断优化面向制造的设计（Design for Manufacturing，DFM），让产品设计与实际生产之间的衔接越来越成熟。未来随着产量继续提高，我们当然会将更大规模的制造业务转移到园区之外；但在现阶段，把生产线放在工程团队旁边，能够支持快速迭代，也有助于我们真正建立起成熟的制造能力。

Kevin McCordic：Brett，我们知道你的时间很紧，非常感谢你今天来参加节目。既然聊到了几代机器人的发展，我还有最后一个问题。之前有一条推文在网上特别火。当时大家在讨论：现在你们已经有了这么多机器人，那旧款Figure 2应该怎么处理？结果施瓦辛格加入了讨论，说了一句堪称经典的台词：“把它们熔掉吧。”（You should melt them.）这句话一下子在网上传开了，连我妈妈都把那条推文转给了我。所以，你们现在决定怎么处置Figure 2了吗？

Brett Adcock：我妈妈也看到了，还跟我说：“你在网上被人家的热度彻底碾压了。”我说：“妈，你在说什么？那可是施瓦辛格啊！”他的帖子浏览量和点赞数大概是我的20倍，想想真的很好笑。后来我给Arnold发了私信，我们也聊了聊。不过目前我只能透露这么多。

Kevin McCordic：太有意思了。

Brett Adcock：Arnold真的是个非常棒的人。我从小就看《终结者》（The Terminator）系列长大，那是非常精彩的科幻作品。他本人也特别好，我们最近也有了更多接触。之后应该还会有新消息。

Herbert Ong：他后来在电影里成了一个保护人类的“好机器人”，对吧？所以他的形象非常适合这个领域。

Brett Adcock：有意思的是，Arnold既扮演过终结者，也在电影里保护过人类、帮助人类对抗终结者。从这个角度看，他或许真是最适合帮助我们把机器人技术引向正确方向的人选。

Herbert Ong：Brett，你们最近真是势头强劲，几乎每周都有令人惊讶的新消息。Index项目已经推进了一年，如今终于公开，展示出了相当庞大的数据采集规模。你们认为，这只是机器人实现泛化能力的第一步：目前已经展示了机器人在无需针对新住宅重新训练的情况下，能够在陌生环境里执行三项家务任务；与此同时，你们还在通过更广泛的人类行为数据训练，为机器人未来掌握大量其他任务打基础。

此外，你们有BotQ制造项目，Figure 4也正在研发推进中。现在园区里已经有大约一千台机器人，而员工似乎还不到一千人，对吧？那岂不是机器人比员工还多？听说它们还有员工工牌，进出门都要刷卡，是真的吗？

Brett Adcock：没错。实际上，大约三个月前，园区里人形机器人的数量就已经超过了员工人数。现在我们反倒被机器人在数量上“碾压”了。

Herbert Ong：你们真的做得非常出色，期待看看接下来还会有什么新进展。

Brett Adcock：谢谢大家邀请我来参加节目。Kevin，你的衣服真酷，那款也是我最喜欢的。

Kevin McCordic：这件也是我最喜欢的！确实很棒。

Herbert Ong：是啊，这件Figure T恤很不错。

Brett Adcock：再次感谢各位邀请，我们下次见。

原视频： Brett Adcock Interview | Helix 2.5, the Holy Grail of Robotics and Figure 4

https://www.youtube.com/watch?v=C-1ZXBDsWFU

编译：Anhui Tian

请注意，本文编译自文末注明的原始链接，不代表 Z Potentials 立场。如果您对本文有任何想法或见解，欢迎在评论区留言互动探讨。

Z Potentials 将继续提供更多关于人工智能、机器人、全球化等领域的优质内容。我们诚邀对未来充满憧憬的您加入我们的社群，与我们共同分享、学习、成长。

跳转微信打开