BotQ 说明了什么：人形机器人量产不是把样机复制一万遍

BotQ 最值得看的，不是 Figure 宣布自己能造多少台人形机器人，而是它把“人形机器人量产”这件事从样机复制，压回了制造系统问题。

如果只看数字，BotQ 很容易被读成一条公司新闻：第一代产线年产能 12,000 台，Figure 03 产线从每天 1 台拉到每小时 1 台，120 天内吞吐提升 24 倍，已经交付 350 多台 Figure 03。这些数字当然重要，但对做机器人系统的人来说，真正有用的问题是另一个：

人形机器人量产不是把一个能跑的 demo 复制一万遍，而是把架构、供应链、测试、返修、软件版本和现场数据闭环一起做成可重复系统。

这篇不把 BotQ 写成“Figure 又领先了”的热闹稿。我们只借它拆一件事：一台 humanoid 从 prototype 走向 fleet，制造侧到底先卡在哪里。

先给结论：BotQ 说明 Figure 在换战场

Figure 02 更像一台用来证明工业工位部署的机器人。BMW 那轮部署里，Figure 披露过 10 小时班次、90,000+ 零件上料、1,250+ 小时运行、参与 30,000+ 台 X3 生产，并把 cycle time、placement accuracy、intervention 作为关键 KPI。

Figure 03 的意义不只是下一代外形或家庭场景。它更像 Figure 把机器人重新按量产、运维和 fleet data 目标设计了一遍。BotQ 这条线正好暴露了这个转向：Figure 不再只证明“机器人能不能干活”，而是在证明“这类机器人能不能被稳定制造、测试、维修、升级和持续运行”。

所以看 BotQ，第一层不要问“它是不是已经能替代工人”。更好的问题是：

• Figure 有没有把 prototype 里不适合量产的结构改掉？
• 关键件是不是能批量一致地装出来，而不是每台靠工程师手调？
• 每台机器人出厂前有没有足够硬的 EOL 和 burn-in 测试？
• 现场故障能不能回流到设计、供应链、软件和服务系统？
• 产线吞吐提升后，质量、返修和 fleet 运维有没有同步跟上？

现场 first-look 表：看 BotQ，不要先看年产能数字

这张表的用法很简单：以后看到 Figure 或其它 humanoid 公司报产能，不要第一反应争“是不是吹”。先把它拆成吞吐、架构、供应链、测试和运维五层。任何一层不成立，规模都会把问题放大。

BotQ 的第一层变化：Figure 03 是为制造重做的，不只是为家庭重做

Figure 在 BotQ 页面里讲了一个很关键的点：Figure 02 使用了大量高复杂度、高公差、慢速 CNC 加工流程，这对原型阶段有价值，但不适合高产量。到了 Figure 03，Figure 改用注塑、压铸、金属注射成型、冲压等更适合规模生产的工艺，并强调某些过去需要一周以上 CNC 加工的零件，现在可以通过模具在 20 秒内制造。

这不是单纯“工艺更先进”。它背后的工程判断是：量产不是等样机定型后再交给制造团队，而要在架构阶段就减少零件数、减少装配动作、减少慢工艺、减少只能靠专家手感装出来的接口。

对小团队也一样。第一版 humanoid 原型可以接受机加工、3D 打印、临时支架、手工线束和工程师现场补救。但只要你想做 5 台、20 台、50 台，问题就变了：

• 零件数越多，装配时间和装配差异越难控。
• 工艺越依赖慢加工，迭代和备件成本越难控。
• 线束、连接器、热路径和维修入口越临时，后续返修越痛。
• 每台都要单独调参，说明设计还没有进入可复制状态。

所以 BotQ 给读者的第一条启发不是“你也要建工厂”，而是：从第一台样机开始，就要记录哪些结构未来无法复制。

第二层变化：供应链不是采购清单，是质量边界

Figure 说 humanoid 没有成熟供应链，所以他们几乎从零设计执行器、电机、传感器、电池包和电子系统，并把执行器、手、电池和总装等核心技术更多放在内部。它还提到机器人有三十多类独特 commodity，包含电机绕组、柔性 OLED、精密光学等不同工艺。

这段对做机器人系统的人很现实。人形机器人不像普通软件产品，也不像单一机械设备。它的供应链问题不是“买不到某个件”这么简单，而是：

• 同一执行器批次之间的摩擦、温升、噪声、回零偏差是否一致；
• 电池包、BMS、母线、线束和连接器在高动态动作下是否稳定；
• 传感器、相机、触觉和近场感知组件是否能跨批次标定；
• 手部、腕部、 forearm 这类高密度子系统是否能维修；
• 替代件是否会悄悄改变热、EMI、安装空间或软件参数。

Figure 02 在 BMW 的复盘里提过 forearm 是关键硬件失效点之一，Figure 03 重新设计 wrist electronics，取消分配板和动态线缆，让每个 wrist motor controller 直接和主计算机通信。这个例子很有代表性：现场可靠性问题最后经常不是“控制算法再聪明一点”能解决，而是要回到布线、热、连接器、PCB 分布和维护路径。

第三层变化：MES / PLM / ERP / WMS 不是大厂仪式感

BotQ 页面里最容易被忽略的一段，是 Figure 提到他们为制造建立 MES、PLM、ERP、WMS，尤其是自研 MES。Figure 的说法是，MES 会把生产过程整合到实时数字生态里，跟踪零件、装配效率、质量控制、IoT 设备、genealogy 和每个组件的测试数据。

这听起来像工厂管理软件，但对 humanoid 很关键。因为机器人不是一个单件产品，它是大量机械、电气、传感、执行器、软件版本和校准状态叠在一起的系统。如果没有 genealogy，一台机器人现场出问题时，团队很难回答：

• 这台机器用了哪一批执行器？
• 哪个工站装过、谁返修过、换过什么件？
• EOL 哪些项目通过，哪些项目边缘通过？
• 软件版本、参数版本、标定版本和硬件版本是否匹配？
• 同类故障是不是集中在某个供应商、某个批次、某个工艺改动之后？

没有这套链路，量产后的故障复盘会退化成“这台不稳定”“那批好像有问题”“先换一版软件试试”。这就是 humanoid 最危险的地方：系统太复杂，任何没有证据链的经验判断都会把问题推远。

第四层变化：EOL 和 burn-in 要证明“早期故障被拦住了”

Figure 在 2026 年 4 月的产能爬坡文章里披露了更具体的测试信号：超过 50 个 in-process inspection points、EOL first-pass yield 超过 80% 且每周改善、电池线 99.3% first-pass yield、500+ 电池包、9,000+ 执行器、10+ actuator SKU、每台机器人出厂前超过 80 项功能验证测试，还包括 multi-limb stress 和 burn-in，比如深蹲、肩推、慢跑等全身动作，循环次数达到 thousands，用来逼出早期失效。

这些数字不能直接证明“机器人已经成熟”，但它们说明 Figure 在尝试把质量问题前移到产线，而不是等客户现场爆出来。

这张表也适合小团队：就算你没有 BotQ，也应该有自己的 mini-EOL。哪怕只有 3 台样机，也要知道每台出厂前测了什么、没测什么、哪些测试只是“看起来会动”，哪些测试真的拦住了现场失败。

第五层变化：fleet 不是展示规模，而是故障学习机器

Figure 在产能爬坡文章里把 production scale 和 fleet operations 连在一起：更多机器人会进入内部研发、数据采集、家务任务、商业场景；更大 fleet 产生更多 Helix 数据；更多真实运行帮助它们发现小规模时看不见的失败，并建立 diagnostics、fallback ladders、long-tail edge-case 处理、field service、fleet management 和 OTA。

这里要保持两层判断。

第一层，Figure 的方向是对的。humanoid 能力不是只靠单台 demo 训练出来的，必须靠 fleet hours 暴露低频故障、收集失败样本、压服务流程、回流硬件和软件。

第二层，fleet 本身也会放大成本。机器人越多，版本管理、召回、现场服务、备件、数据标注、隐私、安全、远程接管和 OTA 风险都会一起增加。一个很大的 fleet 如果没有服务闭环，可能不是资产，而是持续制造噪声的复杂系统。

所以看 Figure 的 production ramp，最值得跟踪的不是下一个数字，而是这些问题：

• EOL first-pass yield 是否继续上升，还是靠返工把数字堆起来；
• field service 是否能把根因定位从“几天”压到“分钟级”；
• fallback ladders 是否真的减少人工接管，而不是掩盖失败；
• OTA 是否有回滚、灰度、版本兼容和现场责任边界；
• 家庭和商业场景的数据是否能分层治理，而不是全部倒进一个大池子。

如果你自己在做 humanoid，BotQ 能直接借鉴什么

小团队不需要照搬 BotQ，也照搬不了。真正能借鉴的是制造思维提前进入开发流程。

第一，给每台样机建立 genealogy。 不要只记录“第 3 台”。要记录执行器批次、电池包、主控、线束版本、固件、标定文件、返修历史和每轮测试结果。没有 genealogy，就没有真正的复盘。

第二，把 EOL 当作开发任务，不是交付尾声。 第一版可以很简陋，但必须固定下来：通电、关节零位、通信、传感器、急停、母线、电池、热、基本动作、日志记录、保护触发。每次新增能力，都要问是否需要新增 EOL 项。

第三，先降低装配差异，再谈算法泛化。 如果 3 台机器人同一参数表现不同，先别急着扩大训练。先看机械间隙、摩擦、线束拉扯、标定偏差、执行器热状态和传感器安装角度。

第四，别把产能当成熟度。 真正成熟的信号不是“能造更多”，而是造得更多之后，故障没有指数级变难定位，返修没有吞掉研发时间，软件版本没有把现场搞乱。

第五，提前设计服务入口。 人形机器人不是坏了就换新的消费电子。它会在现场摔、卡、过热、误抓、掉线、触发保护。服务入口、远程诊断、备件、日志回放和安全接管必须是系统的一部分。

这篇的边界：BotQ 还没有证明什么

BotQ 是一个重要信号，但它不等于 Figure 已经完成了人形机器人商业化闭环。至少还有几件事不能被产能数字直接证明：

• 每小时一台不等于每台都能在真实家庭或客户现场低成本运行。
• first-pass yield 改善不等于长期可靠性已经成熟。
• 更多 fleet data 不等于 Helix 自动获得泛化能力。
• 机器人参与造机器人，不等于产线已经高度自治。
• Figure 03 的生产设计，不等于家庭场景的安全、隐私和失败恢复已经过线。

但 BotQ 仍然值得写进 Figure 专题，因为它把问题从“机器人能不能演示”推进到了“机器人能不能被制造成 fleet”。这一步对任何做人形机器人的团队都绕不过去。

站内继续读

• Figure AI 是什么：从 Figure 01、Figure 02 到 Figure 03，看一家人形机器人公司的系统路线
• Figure 01、Figure 02、Figure 03 有什么不同
• Figure AI 在 BMW 和物流场景里到底验证了什么
• 人形机器人小批量制造准备怎么做
• 人形机器人测试工装怎么搭

来源 / 继续核查

• Figure 官方：BotQ: A High-Volume Manufacturing Facility for Humanoid Robots
• Figure 官方：Ramping Figure 03 Production
• Figure 官方：F.02 Contributed to the Production of 30,000 Cars at BMW
• Figure 官方：Catalyst Brands distribution / logistics agreement
• Figure 官方新闻索引