最近，Figure 创始人 Brett Adcock 参加了播客节目《Shawn Ryan Show》，在长达 3 小时的访谈中，Brett Adcock 就机器人技术路径、产业应用和 AI 泡沫等问题进行了详细探讨。
作为全球估值最高（390 亿美元）机器人公司的创始人，Brett Adcock 素有「马斯克 2.0」的称号。所以在机器人领域，Figure 和特斯拉都偏爱追求百万台级别的产能。
在采访中他提到，目前 Figure 的工厂每 90 分钟就能产一台机器人，满负荷产能约为每年 4 到 5 万台，长期目标是希望未来 10 年内，能达到每年 100 万台的产能。
而对于很多人在聊的 AI 泡沫问题，Brett Adcock 则认为现在才是 AI 大规模落地物理世界的起点而已。
只不过现在机器人还太缺数据，对此他也给出了一个比较激进的观点：「如果能立刻获得足够的数据，输入 Helix 02 模型，我相信我们现在就能解决通用机器人的难题。」
所以在这个过程中，Figure 也正在构建一个数据、模型、硬件、规模落地产生数据后再反哺模型，从而提升机器人能力的自我迭代闭环。
编程行不通、移动操作非常重要
最近一两年因为 AI 赋能，机器人行业出现了非常大的变化，在这个过程中，依靠编程驱动的机器人已经无法满足复杂场景的需求了。
Brett Adcock 给出了一个非常直观的解释：一台人形机器人，大约有 40 个自由度，如果计算其所有可能姿态，其数量是：360 的 40 次方（远超宇宙原子数量），这也就意味着，不可能用代码穷举这个系统。
对于机器人来说，再简单的动作，背后都是一个全身协调问题，而这一切都是在动态平衡中实时发生的：
- 主控制器：每秒钟会向所有关节发送 200 次甚至更多的指令，确保机器人能保持平衡。
- 力反馈系统：频率达到 5 到 6 千赫兹，直接传输到马达的控制系统。数据再反馈到主控制器，主控制器通过控制软件，在每一个时间点告诉整个身体该做什么，保持平衡。
在这个过程中，Figure 也逐渐发现了如果只聚焦机器人的上半身操作，很难保证在真实环境中的稳定性。毕竟人类有时候在干活的时候，也会边走边工作，姿态不总是一成不变的。
所以 Figure 在年初发布了 Helix 02 模型，其中 System 2 负责理解任务和场景，System 1 会持续地产生全身动作。
而新加入的 System 0 就可以理解为「肌肉记忆」，是一层让所有动作成立的身体基础。也正因为有这一层，System 1 才可以放心地生成连续动作，不用每一步都考虑机器人会不会倒下。
不过 Brett Adcock 也坦言，即便是自己公司的机器人产品在家里测试，他也不太放心让机器人和孩子单独相处一整天。
尽管机器人有一定的安全策略，但要让它们真正理解现实生活中的危险边界，还有很长的路要走。
与 OpenAI 分手，AI 绝不存在泡沫
作为一家成立于 2022 年的初创公司，Figure 能达到如今的 390 亿美元估值，在成立初期也离不开大厂的资金支持。
2024 年初，OpenAI 就参与了 Figure 6.75 亿美元的 B 轮融资，随后 OpenAI 团队也加入 Figure 董事会，合作推进人形机器人的模型研发，但仅仅一年的时间，双方就选择了分道扬镳。
Brett Adcock 谈到这个话题时并没有觉得可惜，他认为 Figure 应该独立研发 AI 技术，加上未来可能会和 OpenAI 成为具身领域的竞争对手，所以为了规避信息共享带来的长期风险，双方选择分道扬镳也是必要的。
值得一提的是，其实 OpenAI 在推出大家熟知的 ChatGPT 之前，也有过一段时间的机器人研发史：
- 2017 年：在机器人控制算法领域，发布 Roboschool 开源软件。
- 2019 年：在灵巧操作方面，研发出能用单只机械手复原魔方的系统。
- 2020 年底到 2021 年夏：因为训练数据匮乏等原因，解散机器人团队。
相比较具身模型的数据，大语言模型的数据显然来源更广，更容易获得，所以不久后 OpenAI 就带来了轰动世界的 ChatGPT，加速了整个 AI 领域的发展。
但时间过去三年多，这段时间来关于 AI 有没有泡沫的讨论也越来越激烈，毕竟连 OpenAI 都要在 ChatGPT 里面加广告来变现，并且还关闭了非常「烧钱」的 AI 视频生成工具 Sora。
对此，Brett Adcock 坚定地认为，AI 绝不存在泡沫。相反，现在大家正站在 AI 大规模落地物理世界的起点，如果能在物理世界部署数百万台人形机器人，也会带来前所未有的生产力提升。
而且他认为在 2 年内，机器人就可以很好地完成生活中的琐事，成为人类的助手。
不过在这个过程中，数据成为了整个行业非常大的卡点，目前全球各大机器人公司都在这个问题上发愁，真实数据好，但成本高、不容易获得；互联网数据规模大，但数据质量不太高，所以很多企业折中选了仿真数据。
其中，Figure 主要还是发力真实数据这个领域，在去年完成 C 轮 10 亿美元融资期间，Figure 就宣布了与全球最大的另类资产管理公司之一 Brookfield 合作，为训练 Helix 模型创造大量真实家庭场景。
尽管数据已经是 Figure 区别于其他机器人公司最大的壁垒了，但 Brett Adcock 还是觉得数据不够用：「如果能立刻获得足够的数据，输入 Helix 02 模型，我相信我们现在就能解决通用机器人的难题。」
Brett Adcock 这么说也有他的道理，毕竟此前不久其公布的演示视频中，Figure 就强调机器人自主整理客厅就只是通过增加新的训练数据获得的，并没有针对每个动作来进行单独设计。
所以只要数据足够，相信 Figure 还是能够带来一些机器人领域更大进展的，只是真实数据这条路并不好走，依然需要时间和资金来沉淀。
人形机器人会首先落地商业领域
在人形机器人落地应用这个领域，很多人认为既然目标是进入家庭，为什么不直接从家庭开始？
但 Brett Adcock 给出的判断非常明确，人形机器人会首先落地商业领域。这背后其实也是当下的技术和经济结构共同决定的结果。
单从技术角度看，人形机器人落地最大的难点就是能否在复杂环境中稳定完成任务，而家庭场景就是一个高度复杂的环境：
- 空间布局高度个性化，每个家庭都不同。
- 物体种类极其丰富，且不断变化。
- 人类行为不可预测，尤其是孩子和宠物。
- 任务没有明确边界，随时变化。
更关键的是，这些变量往往不独立存在，经常是叠加在一起的，非常复杂，机器人目前还做不好这些。
相比之下，Brett Adcock 也提起了商业场景的优势，像制造、物流等场景。有固定的工作区域，工作流程可以写在纸上，每一个步骤都有明确的要求，安全防护的难度更低。
所以，这也让问题从开放世界变成了受限系统。也就是说，商业场景相对容易收敛，这对于一个依赖数据驱动的机器人系统来说，非常重要。
并且还有一个更现实的因素，那就是经济结构。Brett Adcock 提到一个很直接的数据，全球约 40% 的 GDP 来自人类劳动力。
所以人形机器人如果要产生真实价值，最直接的切入点就是，替代具有明确经济价值的劳动，而商业场景，恰好满足三个条件：
- 需求刚性，企业必须完成这些工作 。
- 成本可量化，可以直接对比人工成本，回报明确，ROI 清晰。
- 盈利空间大，家庭机器人的月费大概在 500 美元左右，商业领域的收费是家庭的 10 倍以上。
所以除了家庭场景那些进展，Figure 在商业领域同样有许多成果，比如 Brett Adcock 聊到的 Figure 机器人在宝马汽车工厂工作，这也是他们第一次把机器人部署到真实的工业场景，去完成实际的工作。
在宝马工厂，Figure 机器人的核心工作就是抓取钣金件，放到指定的夹具上，并且每天有 10 小时的轮班。
在工厂实际工作时，很多人都会质疑机器人到底能不能长时间稳定运行，如果只能撑得住一周、一个月，那实际可用性就会大打折扣。
但 Brett Adcock 透露，核心工作的机器人即便连续上班六个月，硬件也完全没有问题。所以他也在这个过程中逐渐思考了一个问题，能不能造出成千上万台机器人，在全球各地的工厂落地。
90 分钟产一台，量产不是最大问题
对于机器人来说，目前的商业领域是不错的落地场景，但这些同样需要量的支撑，才能逐渐兑现业绩，所以规模化生产机器人也成为了各大厂商要去面对的问题。
Brett Adcock 表示，目前 Figure 的制造工厂生产线现在每 90 分钟就能产出一台，后续产能还会持续增长。
并且目前的工厂满负荷产能约为每年 4 到 5 万台，Figure 的长期目标是希望未来 10 年内，能达到每年 100 万台的产能。
Brett Adcock 强调，现在机器人行业有两个核心问题，一个是大规模量产，另一个就是技术，让机器人能在家庭场景中完成所有的工作。
但他认为，目前最大的难题不是量产，而是技术，即能否把机器人放到一个从未去过的家庭，让它在 5 小时内，自主完成所有需要的家务。谁能第一个实现这个目标，谁就会成为全球最大的公司。
过去一年，Brett Adcock 几乎在所有公开场合反复强调，系统级的自主行为能力，也就是机器人能不能在没有人为干预的情况下，理解环境、规划任务，并持续执行。
而围绕这个目标，Figure 在做的事情，其实也可以归结为 3 条主线：
- 数据：构建一种更接近人类行为的数据体系，围绕完整任务流程展开，并且在落地过程中逐渐形成数据飞轮。
- 模型：把视觉、语言、动作融合成一个连续决策系统，在这个基础上进一步强调高频、低延迟的身体控制能力，并加强机器人的移动操作能力。
- 硬件：在 Figure 的逻辑里，硬件不只是一个先验固定的载体，更需要围绕模型能力去反向设计，不断迭代。
把这三点合在一起，其实可以看到一个更清晰的趋势，Figure 正在尝试构建一个完整的软硬件协同再到落地系统闭环，在量产落地中，数据不断跑起来后会反哺模型，从而提升机器人的能力。
就像 Brett Adcock 前面提到的，只要数据足够，现在就能解决通用机器人的难题。
从这个角度看，产能的意义也在发生一些细微的变化。即将机器人大规模送入真实世界，启动决定上限的数据引擎。
一旦这个闭环真正跑起来，行业的竞争逻辑就变成了谁的系统能够更快进入现实、获取更多数据、再以更快速度完成自我迭代。
所以 Figure 真正走的其实是一条更长期的路径，让机器人在现实世界中持续学习，直到有一天，它们可以像人一样，在陌生环境中自己找到答案。