文 | 芯智能头条，作者 | Time，编辑 | Cloudy
在宝马工厂搬过零件之后，Figure 的机器人又被带到了别人家。这次等着它们的，是散落的玩具、没叠的毛巾和需要整理的床铺。事情听起来不大，却比站在一个固定工位前，更接近人们想象中的 " 机器人替我干活 "。
9 月 17 日，Figure 发布 Helix 2.5，公布了机器人在 30 个陌生家庭执行这三类任务的测试结果：完整任务成功率 56%。这个成绩距离让人放心交出家务，还有明显差距。不过，能把在别处学到的本领带进这些房间，已经是一次值得关注的尝试。
Figure 也因此有了一个重新被认识的机会。过去几年，介绍这家公司，往往离不开几个更响亮的名字：OpenAI、宝马、特斯拉。如今，它自己做模型、组织数据采集、建设工厂，想做的事情越来越多。30 个家庭只是一次测试，背后却是这家年轻公司对未来生意的判断。
01 换个地方，还会不会干活？
机器人演示有一个让人意犹未尽的地方：我们看到了它做成一件事，却很难知道成功依赖多少条件。桌子是不是必须摆在那里？物体是不是提前练过？换一种毛巾，或者换一张床，原来的动作还能不能继续用 ?
Figure 这次把 " 换地方 " 列为考题。所谓零样本，指没有针对测试家庭和物体采集训练数据、进行适配，任务本身仍然在其他环境中学过。同一预训练底座分别适配了三类任务，也不等于一个机器人已经可以自主包办全屋家务。
56% 的口径同样需要说明：公司按整项任务是否完成来评估，因安全原因需要人工介入，就算失败。在保持其他条件一致的对照试验中，Index 预训练将成功率从 9% 提高到 56%。前一个数字是对照组成绩，并非上一代产品的水平。这是公司公布的测试结果，还不能当成独立验证的产品成绩。
这些限定之外，测试有一个很实际的价值：它开始触及机器人的安装使用成本。
买洗衣机，很少有人担心它到了自己家就不会洗衣服。但如果买一台人形机器人，还要安排工程师上门采集数据、调整模型，甚至隔一阵就重新教一遍，事情就复杂了。机器的价格可以随着产量下降，逐户适配需要的人力却未必如此。
家庭也不会主动迁就机器人。今天椅子放在床边，明天可能挪到窗前；同样是收拾玩具，有的在地毯上，有的滚进了沙发下面。Figure 要解决的，是让机器少依赖一些事先安排好的条件。这比多学会一个固定动作，更关系到它将来能卖给多少人。
02 从 50 人团队，到 390 亿美元估值
Figure 成立于 2022 年，但创始人 Brett Adcock 并非第一次创业。在此之前，他做过招聘平台 Vettery，也创办了电动垂直起降飞行器公司 Archer。他的经历横跨软件与复杂硬件，到了 Figure，目标变成了能够承担体力劳动的人形机器人。
这家公司起步时，就在努力把有经验的人聚到一起。2023 年 3 月正式对外亮相时，Adcock 介绍，团队成员来自波士顿动力、特斯拉、苹果等公司，覆盖机械、电气、控制和 AI。两个月后，Figure 宣布获得 7000 万美元 A 轮融资，当时公司只有 50 人，已完成 Figure 01 早期原型的制造、集成与测试。
早期路线倒是很务实。Adcock 把制造、物流、仓储等行业列为优先进入的市场，从相对结构化、重复性的工作做起，家庭则放在更远的位置。先让机器人找到一份要求明确的工作，再慢慢扩大能力范围，这是 Figure 最初给自己安排的顺序。
到了 2024 年，资金和合作伙伴开始加速聚集。Figure 宣布完成 6.75 亿美元 B 轮融资，估值达到 26 亿美元，投资方包括微软、英伟达、OpenAI 创业基金等。同一时期，它与 OpenAI 建立技术合作，共同开发面向人形机器人的模型。
这让 Figure 多了一个格外醒目的身份：一家与 OpenAI 合作的机器人公司。大模型已经展示出很强的语言能力，把它接到一个能行走、有双手的身体上，很容易让人产生期待。Figure 也在当年推出第二代机器人 Figure 02，继续推进机载计算、感知和操作能力，并开展宝马相关应用的开发与测试。
宝马后来提供了一组比演示更具体的记录。今年 2 月，宝马披露，Figure 02 在斯帕坦堡工厂约 10 个月的应用中，累计运行约 1250 小时，搬运超过 9 万个零件。它承担的是特定生产工序，并非独立造车，但至少已经进入真实流程，让客户来检验动作是否有用。
资本给出的预期，比工厂里的实际应用走得更快。2025 年 9 月，Figure 宣布 C 轮获得超过 10 亿美元的承诺资本，投后估值达到 390 亿美元。从 26 亿到 390 亿美元，前后不到两年。这笔融资将支持模型、制造和数据等方面的投入，而不只是增加几条机器人生产线。
这样的估值所需要的业务体量，显然远超几个工厂项目。Figure 必须让外界相信，今天为一个工序开发的能力，未来能够扩展到更多工作；今天投入的钱，最终可以分摊到大量被使用的机器人身上。家庭市场的吸引力就在这里，只是这个市场有多大，和眼下能不能做成，是两回事。
03 离开 OpenAI 之后，摊子越铺越大
回头看，2025 年是 Figure 方向变化很明显的一年。那年 2 月，Adcock 宣布结束与 OpenAI 的技术合作，称公司在自研机器人 AI 上取得了进展。随后推出的 Helix，把视觉、语言与动作联系起来。Figure 开始更直接地掌握从理解指令到驱动身体的核心系统。
这件事不能简单解释成哪一家的模型不行。机器人需要面对的问题，本来就不止语言理解。它可以很准确地解释 " 把杯子拿过来 "，但手伸过去之后，杯子被遮住怎么办、有没有握稳、碰到旁边的物体怎么办，还得由控制系统处理。
今年 1 月发布的 Helix 02，把学习式控制进一步扩展到全身。按照 Figure 披露的架构，系统有不同层级，分别处理目标理解、动作生成和平衡控制，并结合人类动作数据与仿真训练。理解一句话和应对身体失衡，要求的反应速度并不一样，" 端到端 " 也没有取消这些工程上的分工。
Figure 对身体的改造同样在继续。2025 年 10 月发布的 Figure 03，加入掌心摄像头和指尖触觉感知。手伸进柜子，头部摄像头可能看不清；碰到物体，画面也未必能说明是否抓稳。这些看起来细碎的改进，恰好决定机器人能不能顺利完成最后几个动作。
但身体和模型都有了，还需要经验。让机器人一遍遍练习，机器、人员、场地都要花钱。只靠真机采集数据，如何覆盖不同家庭里那么多琐碎的变化，也是个难题。
今年 8 月，Figure 公布 Index，开始更大规模地组织人类活动视频的采集。按照公司当时披露的数据，参与者上传的视频超过 1600 万段，Figure 已经向贡献者支付 1500 万美元。人们原本就在不同环境里做各种事情，公司希望把其中一部分经验变成机器人的训练材料。
" 看人干活 " 听起来容易，转化起来却没那么直接。镜头能够记录手拿起杯子的过程，未必完整记录抓握时的受力和摩擦变化。人的手与机器人的手也不同，看到一种做法，不等于这具机械身体就能照着完成。因此，人类视频是在扩充经验，真机数据、仿真和实际执行仍然不可缺少。
从这条线索看，Helix 2.5 的意义就更清楚了。Figure 已经为数据组织付出成本，现在需要证明这些材料确实能帮助机器人干活。30 个陌生家庭的测试，给了它一个初步结果，但还不足以回答以后继续增加数据，能力会提高多少、每次提高又要花多少钱。
一家造机器人的公司，就这样把模型、数据、传感器和制造都揽到了自己身上。好处是可以一起调整，问题是每一项都需要投入。Figure 正在争取更快的迭代速度，也承担了越来越重的成本。
04 和特斯拉比，差在哪里？
谈 Figure，很难绕开特斯拉。但把两者简单分成 "Figure 懂 AI，特斯拉懂制造 "，并不准确。Figure 自己做关键硬件、建设工厂，特斯拉也把视觉、规划、神经网络和高效推理硬件放在机器人路线的重要位置。双方都要处理软件与身体如何配合的问题。
更明显的区别，是两家公司带进这场竞争的家底。
特斯拉已经做过大规模制造，知道供应商怎么管理，产品怎样从样机变成批量生产的商品，也有软硬件持续更新的经验。它还有自己的工厂，可以为机器人寻找测试和学习的场所。这些条件有价值，Figure 需要一项项建设，还要与宝马这样的外部客户协调，把机器送进真实业务。
不过，造车经验不会直接变成机器人能力。道路上的数据不能自动教会手指整理床单，汽车工厂的规模也不能替 Optimus 证明灵巧操作已经可靠。特斯拉有机会少走一些工业化的弯路，但机器人本身的难题，仍然需要重新解决。
Figure 则已经公开了比较具体的家庭任务评估，也有宝马提供的应用记录。它的优势至少可以落到一些可讨论的任务上，不必完全依赖远期设想。只是这些记录还没有回答完整的成本问题，也不足以据此宣布它在通用能力上超过特斯拉。
制造数量尤其容易被放大。今年 4 月，Figure 称 BotQ 已经制造并交出超过 350 台 Figure 03，生产节拍提高到每小时一台。但这些机器包含内部研发、数据采集和商业应用开发用途，不能全部算成客户购买的产品。
特斯拉 7 月发布的二季度材料则披露，弗里蒙特工厂正在安装 Optimus 首代生产线，计划年内开始生产，最初制造的机器人将用于 Optimus Academy 的数据采集和功能开发。按这份披露，当时的重点仍包括为训练和研发准备更多机器。
这也是两家公司一个颇有意思的共同处境：它们都需要先造一批机器人，帮助自己把机器人教得更好。制造规模能否最终变成商业规模，还要经过客户使用这一关。
05 家务这门生意，没那么好做
Figure 从工厂走向家庭，并不意味着它放弃了工业应用。今年 6 月，宝马还宣布推进 Figure 03 项目，探索物流中的零件分拣与排序。工厂让它检验稳定性和作业要求，家庭则不断提出新的环境变化，两边遇到的困难并不相同。
家用产品还有一个格外挑剔的地方：用户是为了省事才买它。机器人慢一点，也许可以接受；工作时还要人在旁边照看，就很容易让人失去耐心。抓空了能不能重试，东西掉了能不能发现，卡住以后会不会自己调整，都会影响它究竟省下了多少时间。
这些问题也会回到公司的账上。每台机器需要多少售后支持，远程接管要安排多少人，硬件出故障多久能修好，都是售价之外的成本。Figure 减少逐户训练的尝试很重要，但只有这些后续工作也能被控制住，业务扩大才不会带来同样庞大的服务负担。
从一家 50 人的早期团队，到获得高额融资、进入宝马工厂，再到自己搭建模型和数据体系，Figure 确实走得很快。如今，它已经有了足够多值得讨论的进展，也有了足够高的外界期待。接下来需要补上的，是更长时间的使用记录，以及客户愿意继续使用、扩大使用的理由。
对于一次陌生家庭测试，56% 值得认真看；对于每天都要面对的家务，用户还会继续等。等到机器人铺床时，自己不必惦记着过去检查，也许 Figure 才算真正拿到了这份新工作。
