如果只把 Figure AI 看成“又一家会发人形机器人 demo 的公司”，很容易看偏。
真正值得跟踪的不是某一条视频、某一次融资，甚至也不是 Figure 03 这一台机器人本身，而是 Figure 正在试图把几条很难的线压到同一套系统里：一套可迭代的人形硬件平台，一个叫 Helix 的 VLA / 具身智能系统，BMW 与物流这类真实场景部署，家庭任务里的长尾压力，以及 BotQ 代表的量产、测试、运维和 fleet data 闭环。
这篇文章不是 Figure 新闻复述，也不是公司宣传稿。我们更关心三个问题：
- Figure 到底在押注什么系统路线？
- Figure 01、Figure 02、Figure 03 分别解决了哪一层问题？
- 以后看到 Figure 的 demo、融资、量产数据时，应该先问哪些工程问题？
下面所有关键数字，只要来自 Figure 官方资料，都会按“官方称 / 官方披露”处理。因为对人形机器人来说，demo 能说明进展，但不能直接等同于稳定商品能力。
Figure AI 是一家什么公司：它押注的是系统闭环
按 Figure 官方说法，它是一家 AI robotics company，目标是把 general purpose humanoid 带到现实世界。这个说法听起来很大，但拆开看，Figure 的路线其实很具体：
- 做一个能持续迭代的人形机器人身体；
- 做一个把视觉、语言、动作接起来的 Helix 系统；
- 先在工厂、物流等边界更清楚的场景里跑真实任务；
- 再把能力推向家庭这种长尾更重的环境；
- 同时建设 BotQ 这样的制造设施，把样机能力推向 fleet 规模。
这和只做实验室样机不一样。实验室样机证明“能不能做出一个动作”，真实 fleet 要证明的是：能不能每天跑，坏了怎么定位，软件怎么升级，零件怎么一致，数据怎么回流，下一代机器人怎么吸收上一代部署里的失败。
所以看 Figure，不应该只问“这条视频是不是流畅”。更应该问：这条能力背后有没有任务边界、传感器闭环、失败恢复、产线测试和长期运行数据。
Figure 01、Figure 02、Figure 03：不是三台孤立机器人
Figure 的三代机器人可以粗略看成三步：先证明身体闭环，再进入 workforce，再为家庭和规模化重做平台。
| 代际 | 官方定位 | 工程上该看什么 | 不要误读成什么 |
|---|---|---|---|
| Figure 01 | 第一代基础平台，官方称 2023 年 5 月迈出第一步 | 机器人身体、执行器、控制、感知和软件栈能否形成最小闭环 | 成熟产品或可规模部署平台 |
| Figure 02 | 面向 workforce / real-world deployment | 工厂任务边界、可靠性、手部、电池、热管理、现场校准、失败记录 | 已经具备通用家务能力 |
| Figure 03 | 面向 Helix、home 和 world at scale | 家庭安全、感知密度、触觉、掌心相机、无线充电、量产设计、fleet data | 家庭机器人已经成熟落地 |
Figure 01 的意义是把第一代 humanoid body 跑起来。它不适合被当成产品看，更像是 Figure 对整机集成能力的早期证明。
Figure 02 的价值在于进入更真实的 workforce 场景。Figure 官方披露，Figure 02 在 BMW Group Plant Spartanburg 做过 11 个月部署，执行 sheet-metal loading 这类 pick-and-place 任务；官方给出的数据包括 90,000+ parts loaded、1,250+ hours runtime，以及参与 30,000+ X3 vehicles 的生产。这些数字很值得看，但它们仍然首先说明一个边界清楚的工业任务，不等于家庭泛化已经解决。
Figure 03 则是路线上的关键拐点。官方把它描述为 designed for Helix, the home, and the world at scale。也就是说，Figure 03 不是只换外壳，而是围绕 AI、家庭、安全和量产重新设计的一代平台。
Figure 03 的规格，应该放回家庭场景里看
Figure 官方页面给 Figure 03 的规格是：身高 5'8"，重量 61kg，payload 20kg，runtime 5 小时，速度 1.2m/s，电驱系统。
这些指标单独看很容易被误读。比如 20kg payload 听起来很强，但家庭任务不是“举得动”就够了。机器人要拿杯子、盘子、衣服、杂物，真正难的是末端接触、抓取姿态、物体遮挡、失败恢复和安全停机。
Figure 03 更值得看的，是它围绕 Helix 做了哪些输入输出改造。按官方介绍，Figure 03 的视觉系统相机帧率提高到 2 倍、延迟降到 1/4、单相机视场扩大 60%；手部加入掌心相机和触觉传感器，官方称 fingertip sensor 可以检测 3g pressure；同时支持 10Gbps mmWave data offload，用于 fleet 级数据上传。
这些变化的工程含义很清楚：Figure 03 不只是“一个更像家的机器人”，而是试图给 Helix 提供更密的视觉、更近距离的 in-hand sensing、更可靠的触觉输入，以及更顺畅的数据回流。
家庭场景也解释了 Figure 03 为什么强调 soft goods、multi-density foam、可拆洗覆盖、无线充电和电池安全。一个 61kg 的机器人进入家庭后，安全接触、跌倒风险、噪音、维护、充电和用户交互都会比工厂更敏感。
Helix 是 Figure 路线里的中枢，不是一个 AI 标签
Figure 现在最核心的技术叙事是 Helix。
按官方资料，Helix 是一个 generalist Vision-Language-Action model，试图把 perception、language understanding 和 learned control 接起来。早期 Helix 更偏 upper-body control：手腕、躯干、头部、手指等；官方资料里提到 System 2 / System 1 结构：System 2 负责较慢的场景理解和语言理解，System 1 负责较快的 visuomotor control。
到了 Helix 02，Figure 把叙事推到 full-body autonomy。官方称 Helix 02 引入 System 0，作为 1kHz 的 whole-body controller，处理 balance、contact 和全身协调；System 1 扩展成 all sensors in / all joints out，把 head cameras、palm cameras、fingertip tactile sensors、full-body proprioception 接到腿、躯干、头、手臂、手腕和手指。
这套说法最重要的地方，不是“AI 更强了”四个字，而是 Figure 想把过去拆开的几件事合起来：
- 语言指令怎么变成任务目标；
- 视觉怎么变成物体、空间和状态判断；
- 手部、躯干和腿怎么在同一个任务里协调；
- 抓取失败后怎么重试、回退或停止；
- 真实任务数据怎么回到训练和部署系统里。
Figure 官方称 Helix 02 做过 4 分钟 dishwasher unload/reload，全程 onboard sensors、无人工介入、无 reset，并包含 61 个 loco-manipulation actions。这个 demo 很重要，因为它把移动、抓取、双手协调、任务顺序和全身平衡放进同一段连续任务里。
但它仍然需要谨慎读。4 分钟厨房任务证明的是一个高价值样本，不自动证明它能跨厨房、跨家庭、跨物品、跨用户长期稳定复现。
BMW 和物流：Figure 为什么先跑边界清楚的场景
Figure 02 的 BMW 部署，是目前最值得认真看的真实场景信号之一。
按 Figure 官方披露，BMW 场景的第一用例是 sheet-metal loading：把钣金件从 racks 或 bins 放到 welding fixture，再由六轴工业机器人继续焊接。这是一个典型的工业 pick-and-place 场景，任务目标明确，物体类型有限，工位边界清楚，KPI 也可以被量化。
Figure 官方列出的 KPI 包括 cycle time、placement accuracy 和 interventions。例如 cycle time 要求是 84 秒 total / 37 秒 load，placement accuracy 目标是每班 >99%，interventions 目标是每班 0 次。
这些 KPI 比“机器人走得很像人”更有意义。因为它们开始接近真实部署会关心的问题：节拍够不够，放置准不准，需要人救场几次，硬件哪里最容易坏。
Figure 官方还提到一个很有价值的失败学习：Figure 02 的 forearm 是 BMW 部署里的主要硬件 failure point，后续 Figure 03 重新架构 wrist electronics，去掉 distribution board 和 dynamic cabling，以降低复杂度、改善可靠性和热管理。
这就是现场部署真正有价值的地方：不是证明“机器人很酷”，而是暴露哪个子系统在真实节拍、真实热负载、真实维护条件下先撑不住。
物流场景也是类似逻辑。Figure 官方称 Helix 在 package sorting 任务中处理 poly bags、flat envelopes 和 rigid boxes，handling time 从约 5 秒降到 4.05 秒，barcode orientation success 从约 70% 提升到约 95%。这里值得看的不是“它会分拣包裹”，而是 Figure 把 vision memory、state history 和 force feedback 加进了控制策略，说明任务失败正在被拆成可改进的系统输入。
家庭场景：Figure 03 真正难的地方才刚开始
Figure 03 明确把家庭放到路线中心，但家庭不是工厂的简单放大版。
工厂和物流场景可以改造环境、限制物体、定义流程、记录失败。家庭场景则相反：桌上可能有杯子、线缆、玩具、衣物、宠物、孩子；用户说“把这里收拾一下”，这个“这里”和“收拾好”的定义本身就可能含糊。
Figure 的 Project Go-Big 和 Brookfield 合作，正是围绕这个问题展开。Figure 官方称，它在建设大规模 humanoid pretraining dataset，并借助 Brookfield 的 residential、office、logistics 空间采集多样真实环境数据。官方还称 Helix 已经用 100% egocentric human video 做到 speech-to-nav / zero-shot human-to-robot transfer，让机器人根据自然语言在 cluttered home environment 中导航。
这个方向很值得关注，因为家庭机器人不可能靠工程师给每个房间、每件衣服、每个盘子写规则。它需要从大量真实行为里学到“人通常怎么理解空间和任务”。
但这里也必须保留疑问：这些 human video 数据如何授权？隐私边界如何处理？从导航迁移到操作、整理、清洁、失败恢复，还差多远？这些问题不能被“互联网规模数据”几个字盖过去。
BotQ：人形机器人的竞争不只是算法，也是制造和运维
很多人看人形机器人，只看模型和动作。但 Figure 的 BotQ 说明另一件事：制造能力本身就是人形机器人的核心技术。
Figure 官方称 BotQ 是 high-volume manufacturing facility，第一代产线目标 up to 12,000 humanoids/year。后续 Figure 又披露，BotQ 已交付 350+ Figure 03，生产率从 1/day 提升到 1/hour，并提到 50+ in-process inspection points、80+ functional verification tests、battery line first-pass yield 99.3%、end-of-line first pass yield >80% 等数据。
这些数字都需要继续验证，但它们指向的工程问题非常真实：人形机器人不是把一台样机复制一万遍就行。
量产会把隐藏问题全部放大：
- 执行器批次一致性；
- 电池 pack 安全和良率；
- 线束、腕部、手指这类高运动部位的疲劳；
- 每台机器人出厂前的 EOL test；
- burn-in 如何发现早期失效；
- 现场坏了以后如何诊断、返修、OTA 和召回。
Figure 官方提到 Field Service Management、Fleet Management System、OTA、fallback ladders 和 failure analysis diagnostics。对我们来说，这些比单个演示视频更值得跟踪。因为只有进入 fleet 规模，机器人公司才会真正遇到长期可靠性、服务成本和版本管理问题。
现场 first-look 决策表：看 Figure 的 demo 或新闻，先压回哪一层证据
以后看到 Figure 的新视频、新融资、新产能数字，可以先用这张表把判断压回来。
| 先看到什么 | 第一怀疑层 | 先拉什么信号 | 今天先不要下什么结论 |
|---|---|---|---|
| 一条很流畅的家务 demo | 任务边界是否被强控制 | 起始状态、物体种类、剪辑方式、重试次数、是否有人介入 | 不要直接说“通用家务机器人已成熟” |
| Figure 03 新硬件规格 | 指标是否真的服务任务闭环 | 传感器延迟、触觉精度、手部失败率、续航在真实负载下的变化 | 不要把 payload / speed 当成全部能力 |
| Helix / Helix 02 技术发布 | 模型是否跨场景复现 | 训练数据、测试环境、失败案例、跨家庭/跨任务结果 | 不要把一次 demo 等同于通用全身自主 |
| BMW 或物流部署数据 | 场景是否高度结构化 | cycle time、intervention、placement accuracy、运行小时、硬件 failure point | 不要把工业场景成功直接推到家庭 |
| BotQ 产能或良率数据 | 是否能稳定交付和维护 | FPY、EOL tests、burn-in、返修率、OTA、召回机制 | 不要把产能目标当成可靠量产事实 |
| 大额融资或高估值 | 钱是否转成工程能力 | GPU、产线、数据采集、招聘、客户部署的具体落点 | 不要用估值证明技术领先 |
这张表的用处，是防止被两种东西带跑：一种是“视频看起来很像人”，另一种是“公司讲得很宏大”。人形机器人最后要靠任务、数据、可靠性和服务闭环说话。
那么，Figure 到底为什么值得长期跟踪？
我认为 Figure 值得跟踪，不是因为它已经证明了所有东西，而是因为它把最关键的几条矛盾同时摆到了台面上。
它没有只讲硬件，也没有只讲大模型；没有只停在实验室，也没有只讲商业合作；没有只发家庭 demo，也在强调制造、测试、fleet、服务和数据回流。
这条路线如果成立，Figure 的价值不只是“造出一台机器人”，而是证明通用人形机器人可以通过真实部署、fleet 数据和量产体系持续变强。反过来，如果这条路线卡住，卡点也会非常有研究价值：可能卡在家庭长尾，可能卡在手部可靠性，可能卡在数据授权，可能卡在产线良率，也可能卡在服务成本。
对做人形机器人或关注机器人落地的人来说，Figure 是一个很好的观察样本。不是拿来崇拜，而是拿来拆。
后续我会重点跟踪这几条线
- Figure 03 的真实家庭能力：是否能跨家庭、跨物体、跨用户稳定完成任务，而不是只完成单个高质量 demo。
- Helix / Helix 02 的边界：VLA、System 0/1/2、全身控制、失败恢复分别做到什么程度。
- BMW 与物流部署的长期数据：运行小时、intervention、硬件故障、节拍、维护成本。
- BotQ 的量产和测试体系：良率、EOL test、burn-in、field failure、OTA 和召回机制。
- Project Go-Big 与家庭数据路线：人类视频预训练是否真的能迁移到机器人操作，以及授权和隐私边界如何处理。
- Figure 01/02/03 之后的代际变化：每一代到底是在补硬件短板、数据短板、制造短板，还是商业部署短板。
如果要用一句话收口：Figure AI 不是一个只靠 demo 判断的公司，它更像是一条人形机器人系统路线的公开样本。看它，重点不是问“它像不像人”，而是问：这个系统能不能在真实任务、真实制造和真实运维里持续闭环。
参考来源
- Figure 官方首页：https://www.figure.ai/
- Figure 03 产品页：https://www.figure.ai/figure
- Figure Company 页面：https://www.figure.ai/company
- Figure Master Plan：https://www.figure.ai/master-plan
- Introducing Figure 03：https://www.figure.ai/news/introducing-figure-03
- Helix: A Vision-Language-Action Model for Generalist Humanoid Control：https://www.figure.ai/news/helix
- Introducing Helix 02: Full-Body Autonomy：https://www.figure.ai/news/helix-02
- F.02 Contributed to the Production of 30,000 Cars at BMW：https://www.figure.ai/news/production-at-bmw
- Scaling Helix Logistics：https://www.figure.ai/news/scaling-helix-logistics
- BotQ: A High-Volume Manufacturing Facility for Humanoid Robots：https://www.figure.ai/news/botq
- Ramping Figure 03 Production：https://www.figure.ai/news/ramping-figure-03-production
- Project Go-Big：https://www.figure.ai/news/project-go-big
- Figure Series C：https://www.figure.ai/news/series-c