Figure AI全员大会曝光：第四代机器人设计定型，下一代模型取得关键进展
近日，美国人形机器人公司 Figure AI 公开了一场时长约一小时的全员大会视频。会上，创始人兼 CEO Brett Adcock 系统介绍了公司的最新进展，其中既有尚未发布的 Figure 04 机器人、新一代 Helix 模型的研发进展，也有此前很少对外披露的资金投入和数据采集情况。
Brett 透露，Figure 的全球数据采集项目已经累计收集 3,750 万条视频，仅最近一周的数据支出就达到约 810 万美元。与此同时，公司正推进一项初始规模达 35 亿美元的算力合作，计划在 2027 年启用新一代 NVIDIA Vera Rubin 计算平台。
更引人关注的是，在演讲最后，Brett 预告了一个尚未公开的新模型。他将几周前的一次内部测试称为自己从事机器人研究以来最重要的时刻之一，甚至用 “Baby AGI” 来形容当时的感受。
这些进展背后，是 Figure 对人形机器人产业发展路径的一次重要判断。在 Brett 看来，经过数年的研发，Figure 已经基本验证了机器人硬件与 AI 技术路线，接下来真正重要的问题，是如何让机器人像大语言模型一样，通过扩大数据、算力和模型规模，持续获得更强的智能。
从 Figure 01 到 Figure 04，机器人进步了多少？
在介绍最新技术之前，Brett 首先回顾了 Figure 的研发历程。
他将通用机器人的发展划分为四个阶段： 设计足够好的机器人硬件、找到能够自主完成复杂任务的 AI 技术路线、通过扩大数据和算力提升智能水平，以及最终实现规模化制造与商业部署。
在 Brett 看来，前两个阶段尤其困难，涉及大量基础工程问题，并不是单纯增加资金就能解决的。他甚至将机器人研发与轨道火箭相比较，认为即使投入数百亿美元，也无法保证短时间内造出一套真正可靠的通用机器人系统。而 Figure 经过数年的研发，已经基本验证了前两个阶段的技术路线，正在将更多资源投入智能提升和规模化制造。
回顾最初的研发过程，Figure 也走过不少弯路。2022 年，公司开始设计第一代机器人 Figure 01，需要从头确定执行器、电池、传感器和关节布局等基础架构。Brett 坦言，团队最初采用的腱绳驱动灵巧手，后来被证明并不适合长期使用。为了避免重新设计腕部电机耽误数月时间，工程师甚至将原本用于脚部的零部件安装到前臂上。他在演讲中开玩笑说，这也是为什么 Figure 01 的前臂看起来有些奇怪，但过去几年几乎没人发现这个问题。
经历第一代产品的技术验证后，Figure 02 逐渐成为一套功能更加完整的系统。团队将原本安装在背部的电池移入躯干，提高了机载算力，并重新设计手部、传感器和机械结构。到了 Figure 03，研发重点进一步转向 AI 训练需求和规模化制造。Brett 透露，相较于上一代，Figure 03 的成本降低超过 90%，今年夏季，公司已经生产出第 1,000 台 Figure 03。
图 | Figure 历代产品（来源：Figure AI 演讲视频） 目前，团队正在研发第四代产品 Figure 04。按照 Brett 的说法， 这将是 Figure 历代机器人之间改进幅度最大的一次。 新机器人已经完成设计冻结，开始进入零部件制造和测试阶段，执行器和电池系统也在进行实验室验证。其中， 灵巧手是研发团队投入最多精力的部分之一。
为了让机器人直接学习人类手部动作，Figure 需要尽可能准确地追踪人的指尖位置，以及手指抓握物体时的接触点。但人手的结构极为复杂，机器人必须在有限空间内安装执行器、传动机构、传感器和电子元件。Brett 透露，团队为此进行了四次主要的设计调整，最新版本的 Figure 04 灵巧手，目标是在指尖和接触点的动作追踪方面达到接近毫米级的精度。
对于这款尚未正式发布的产品，Brett 给出了很高的评价。他认为， Figure 04 可能成为人形机器人领域类似第一代 iPhone 的产品。 不过，Figure 目前尚未公布新机器人的完整技术参数和正式发布时间。
相比硬件的持续迭代，Figure 在 AI 方面经历的变化同样重要。早期，团队曾花费大量精力训练机器人完成桌面操作，例如制作咖啡、抓取物体和双手协作等。但随着研发推进，他们逐渐发现，固定位置的操作并不能解决现实世界中的大部分问题。
Brett 举了一个送包裹的例子：当人类走到一户人家门前，将包裹放到地上时，并不是简单地先走路、再弯腰、最后伸手。实际上，人会随着距离变化不断调整步伐、身体姿态和手臂位置，整个过程需要全身多个关节协调完成。这意味着，机器人不能只学习如何操作物体，还需要根据视觉信息实时控制整个身体。
为此，Figure 花费约一年时间重新设计 Helix 的技术架构，让模型能够根据摄像头输入协调机器人的全身关节。今年 1 月，公司发布 Helix 02，展示了机器人在较长时间内自主完成全身移动和操作任务的能力。不过，这些任务大多仍依赖特定环境中的训练数据，对于真正的通用机器人来说，还有一个更难的问题：能否进入从未见过的地方，直接开始工作？
今年 9 月发布的 Helix 2.5，正是为了解决这一问题 。Figure 将机器人带入旧金山湾区 30 套此前没有接触过的住宅，让其完成整理客厅、折叠毛巾和铺床等任务。测试环境包含不同的家具布局、照明条件和日常用品，团队没有针对这些住宅额外采集数据或重新微调模型。
根据 Figure 公布的结果，在相同任务数据和评测条件下，从头训练的模型在陌生环境中的成功率为 9%，而经过 Index 数据预训练的 Helix 2.5，成功率提高至 56%。虽然这一结果仍局限于公司测试的三类任务，但它让 Brett 更加确信，大规模预训练能够帮助机器人适应此前没有见过的环境。
而要进一步扩大这种能力，Figure 首先需要解决的，就是训练数据从哪里来。
每周花 810 万美元，Figure 要收集全世界的人类动作
在全员大会上，Brett 花费了相当长的时间，解释 Figure 为什么决定投入巨额资金建设自己的数据采集体系。这一决定与大语言模型过去几年的发展密切相关。
2020 年，OpenAI 研究人员发表了一项关于神经语言模型 Scaling Laws 的研究，揭示了模型性能与训练数据量、参数规模和计算资源之间的规律性关系。此后的几年里，扩大数据和算力规模成为推动大语言模型能力提升的重要途径。
Brett 希望在人形机器人领域找到类似的规律，让机器人的智能水平也能够随着训练规模扩大而持续提高。他甚至用了一个形象的比喻：如果能够建立这样的机制，训练机器人就像操作一台投币机器，只要不断投入资金，获取更多数据和算力，就能以相对可预测的方式提升机器人的能力。
Figure 已经开始尝试验证这一设想。在 Helix 2.5 的研发中，团队针对预训练数据规模开展了一系列实验。根据公司今年 9 月公布的技术报告，研究人员使用数据量相差八倍的四组数据集训练模型，在保持模型规模和后续训练条件不变的情况下，观察到随着数据增加，模型的动作预测损失呈现出相对稳定的下降趋势。团队甚至能够根据较小规模的实验结果，提前预测最大规模模型的测试损失。
图｜在 Index 上预先训练的 Helix 2.5 适应了三个全身操纵任务（来源：Figure AI） Brett 认为，这为机器人领域存在类似 Scaling Law 的规律提供了初步证据。不过，目前的实验主要验证了数据规模与特定模型指标之间的关系，能否进一步扩展到更大的模型和更复杂的任务，仍有待验证。
但要继续扩大训练规模，Figure 首先需要解决数据来源的问题。与大语言模型可以利用互联网上大量现成的文本和图像不同，机器人需要学习的是人类如何在现实世界中行动，包括如何抓握物体、调整身体姿态，以及与周围环境进行物理交互。这些信息很难直接从普通互联网内容中完整获取。Brett 认为，真正丰富的机器人训练数据来自人类日常生活和工作中的真实行为，但过去并没有一个能够大规模收集这类数据的平台。
Figure 最初尝试向外部供应商购买数据，却发现现有市场无法同时满足数据规模、多样性和质量要求。于是，公司决定自己建立一套全球数据采集网络，也就是今年 8 月正式公开的 Index 项目。通过这一项目，Figure 面向全球招募数据贡献者，收集人们在家庭和工作场所完成日常任务的视频，内容涵盖做饭、洗衣、整理房间、照顾宠物，以及仓库搬运、设备操作等各类工作。
Brett 特别强调，Figure 并不希望只在一家工厂收集上百万小时的重复操作视频，因为这类数据即使数量庞大，也很难覆盖现实世界的复杂性。 公司真正需要的，是不同人群在不同环境中操作各种物体的行为数据，让机器人能够接触更多样的任务和场景。 因此，Index 不仅要扩大采集规模，还需要不断筛选和调整数据内容，减少重复样本，尽可能提高数据的多样性。
从最新公布的数字来看，Index 的增长相当迅速。今年 8 月正式发布时，Figure 已经收集超过 1,600 万条视频，应用下载量超过 26.4 万次，每秒接收约 30 分钟的视频数据。而在此次全员大会上，Brett 披露， Index 的累计上传视频已达到 3,750 万条，应用下载量增至 126 万次，覆盖全球 112 个国家。 仅最近一周，就有约 21 万名独立用户至少上传过一条视频。
视频 | 人人都可以上传视频（来源：Figure AI）
与此同时，Index 的数据采集速率已提高至每秒约 81 分钟视频，相当于每天新增约 11.66 万小时的视频内容。Brett 还透露，过去 10 周，该项目平均每周增长约 20%。如此庞大的采集规模，也带来了迅速增加的成本。 据他估算，Figure 最近一周在数据方面的支出达到约 810 万美元。按照他的判断，未来 12 个月，公司在数据采集方面的投入，可能超过大多数机器人企业迄今获得的全部融资。
不过，收集到视频并不意味着这些数据可以直接用于训练。大量视频上传后，Figure 还需要完成质量检查、重复内容过滤、数据筛选和标注等工作，并进一步识别其中的人体姿态、手指运动和物体接触点，将原始视频转换为 Helix 能够学习的信息。随着数据规模不断扩大，这些处理工作本身也需要投入大量工程资源和计算能力。
利用人类行为数据进行预训练，是 Figure 选择的一条技术路线。相比完全依靠机器人自身执行任务来采集数据，人类每天完成的动作数量更多、种类也更加丰富，有望为机器人提供远超实验室规模的学习材料。但这一路线同样面临技术挑战：人类与机器人在身体结构、关节活动范围和物理控制能力上存在差异，如何将人类动作准确迁移到机器人身上，并不是简单模仿视频就能实现的。
这也与 Figure 04 的硬件研发形成了联系。为了让机器人更好地学习人类动作，Figure 不断调整灵巧手和全身运动系统，尽可能提高机器人与人类运动方式的对应程度。在 Brett 看来，机器人硬件不仅需要具备完成复杂任务的能力，还必须能够充分利用大规模人类行为数据。而随着 Index 持续收集越来越多的视频，Figure 的下一个问题，就是如何获得足够的算力，将这些数据真正转化为机器人的智能。
35 亿美元算力合作，以及尚未公布的 “Baby AGI”
随着 Index 的数据规模不断扩大，Figure 还需要更多计算资源，将收集到的人类行为数据转化为模型能力。今年 9 月，Figure 宣布与 AI 基础设施公司 Nscale 达成战略合作，计划部署最多 10 万颗基于 NVIDIA Vera Rubin 平台的 GPU，初始合作承诺规模为 35 亿美元，未来有意进一步扩大至约 60 亿美元。
在此次全员大会上，Brett 介绍了这项合作的最新进展。相关计算基础设施正在美国得克萨斯州推进建设准备，包括供电许可、硬件采购等工作，预计于 2027 年开始投入使用。在此之前，Figure 还计划于近期将现有计算资源增加一倍。Brett 认为，由于机器人需要处理连续视频、空间信息和复杂动作，未来的机器人预训练可能需要比当前大语言模型更加庞大的计算集群。