机器人做家务”走进现实。
就在上个月，美国人形机器人公司Figure宣布，公司C轮融资筹集了超10亿美元（约合人民币71亿元），投后估值达390亿美元（约合人民币2774亿元），资金将用于加速通用人形机器人在现实场景的规模化落地。
本月初，Figure发布了第三代人形机器人产品Figure 03。这款人形机器人专为Helix系统而生，面向家庭场景与全球规模化应用。
Figure 03 围绕「让 Helix 实现全场景的智能推理」展开优化，核心改进集中于 “感知-操作-数据” 三大环节，确保 Helix 能在真实场景中落地。
◎感知层：新一代视觉系统将帧率提升 2 倍、延迟降至 1/4、视场角拓宽 60%，提供密集稳定的环境感知流，解决复杂场景（如家庭杂乱空间）的导航难题；
◎操作层：手部嵌入宽视场角低延迟摄像头（解决主摄像头遮挡问题），自研触觉传感器可检测 3 克压力（能识别回形针重量），实现对不同物体的精细抓握与实时自适应控制；
◎数据层：10 Gbps mmWave 数据卸载能力支持 TB 级数据上传，为 Helix 提供持续学习的 “数据燃料”，支撑端到端 “像素-动作” 学习，最终实现“推理-动作”闭环。
针对家庭场景的设计，Figure 03 的安全性与易用性实现了双提升。
在安全性优化方面，Figure 03 的关键位置采用多密度泡沫材质防止夹伤，外覆盖柔性织物以替代硬质机械部件，避免碰撞伤害。相比 Figure 02，重量降低9% ，体积显著减小，更易在狭窄家庭空间（如走廊、厨房）移动。另外，在电池安全上，Figure 03采用多层防护设计，覆盖 BMS、电芯、互联、电池组层级，已通过UN38.3 标准认证，降低安全隐患。
在易用性优化方面，Figure 03的外覆材料可水洗，且无需工具即可拆装更换，支持定制服装，包含防割、耐用材质选项，以适配不同家庭需求。此外，Figure 03 升级后支持更自然的实时语音交互，相比Figure 02，扬声器尺寸×2、功率×4，麦克风重新定位以提升收音清晰度与性能。在充电方式上，Figure 03 支持2kW 无线感应充电，机器人脚部内置充电线圈，只需踏上传感底座即可补能，可自动 docking 实现“按需充电”。
Figure 虽专注于家庭市场，但丝毫不会削弱 Figure 03 在商业市场的潜力。家庭场景的技术改进，比如感知、续航、定制化，“反哺”提升了 Figure 03 的商用适配性。
基于 Figure 03 的高效操作能力，其执行器速度提升2 倍，扭矩密度显著优化，直接提升 “拾取-放置” 操作效率，适配物流、制造等商用场景的高效作业需求；另外，为 Helix 改进的视觉与手部触觉系统，可让机器人在仓库、工厂等商用环境中稳定抓取金属薄片、可变形塑料袋等多样物体。
此外，得益于Figure 03 的持续运行能力，依赖2kW 无线感应充电与休息时数据卸载，机器人可在作业间隙踏上传感垫快速补能，无需人工干预；休息时返回 docking 无缝完成数据上传，不占用作业时间，适配物流、制造等场景24 小时间歇作业的需求。
01.
产品迭代，Figure层层递进
Figure 成立于2022年，三年来迭代速度快。Figure 01作为技术验证原型，聚焦工业场景基础能力；Figure 02则着力商用落地过渡，优化算力与外观，首次交付客户；Figure 03的目标是量产化、跨场景，覆盖家庭 + 商用。
从落地场景来看，Figure 01 到 Figure 03 实现了从单一工业场景（宝马工厂，Figure 01）扩展至仓储制造商用场景（Figure 02），再到覆盖家庭 + 物流 + 酒店多场景（Figure 03）的递进。
总的来看，Figure 的路径是从工业场景验证技术，再通过商用场景打磨落地能力，进而实现量产化覆盖全场景，核心是通过快速迭代，先在 B 端（工业、仓储）验证稳定性，再向 C 端（家庭）延伸，最终实现通用人形机器人的目标。
02.
首个“双系统”VLA模型Helix
Figure 产品的迭代升级，离不开首个用于通用人形机器人控制的Vision-Language-Action (VLA) 模型Helix。
今年2月，Figure与OpenAI终止合作，转而进行完全自主研发的端到端机器人AI模型——Helix。
据介绍，作为首个“双系统”VLA模型，Helix用于实现人形机器人上半身的高频灵巧控制，支持多机器人协作完成复杂任务，攻克机器人领域多个长期难题，更是实现了多个“第一”。
首个能输出 “手腕、躯干、头部、单个手指” 全上半身高频率连续控制信号的 VLA。
首个可同步在两台机器人上运行，使其协作完成 “从未见过物品” 长时程操控任务的 VLA。
搭载 Helix 的 Figure 机器人，仅通过自然语言指令，即可拾取几乎所有小型家居物品（含数千个训练中未接触过的物品）。
用单组神经网络权重学习所有行为（拾取放置、操作抽屉 / 冰箱、跨机器人交互），无需任何任务专属微调，区别于传统多任务需单独调整的方案。
首个完全在低功耗嵌入式 GPU上机载运行的 VLA，可直接部署至商用场景。
而家庭是机器人应用的最大难点场景，与可控的工业环境差异显著。首先，家庭场景的物品多样性极高，包含易碎玻璃器皿、褶皱衣物、散落玩具等，形状、尺寸、颜色、材质均不可预测。另外，需机器人按需生成新行为，尤其针对训练中未接触过的物品。
传统方法无法满足家庭场景的 scaling 需求，AI 领域的Vision Language Models (VLMs) 已实现 “即时泛化”，Helix 的核心目标是：将 VLM 捕捉的海量常识语义知识，直接转化为机器人可执行的动作，让原本需数百次演示的新技能，通过自然语言指令即可即时获取，改变机器人行为的 scaling 轨迹。
然而，传统 VLA 存在矛盾：VLM 骨干泛化强但速度慢，机器人视觉运动策略速度快但泛化弱。Helix 通过双系统端到端训练（可协同通信） 解决该问题。
Helix 可实现速度与泛化兼顾，匹配单任务行为克隆策略的速度，同时实现对数千个新测试物品的零样本泛化。同时支持高维动作空间，直接输出连续控制信号，避免传统 VLA 的 “动作 token 化” 方案（仅适用于低维控制如二进制平行夹爪），突破人形机器人高维控制瓶颈。
另外，在架构方面，基于开源组件（S2 用开源开权重 VLM，S1 用简单 Transformer 视觉运动策略），降低开发复杂度。而且S1 与 S2 可独立迭代，无需统一观测空间或动作表示，提升研发效率。
在数据效率方面，仅用~500 小时遥操作数据（为传统 VLA 数据集的 < 5%）实现训练，且通过 VLM 自动生成语言指令降低标注成本，同时保证对数千未知物品的零样本拾取，大幅降低规模化资源门槛。
今年6月，Figure 发文透露，自初步部署于物流场景后仅三个月，Helix 依托 “基于学习的机器人技术路径” 的可扩展性，在核心能力与实际应用表现上实现了跨越式提升，核心目标是向全自主包裹分拣迈进，逐步缩小与人类操作在灵活性、速度和可靠性上的差距。
Helix 在物流包裹处理中，从初步部署到升级后，核心性能提升集中在包裹处理范围、包裹处理速度条码扫描定向率以及自适应行为这四个方面，直接降低物流分拣的人工依赖，向全自主分拣落地迈进。
包裹处理范围：从仅处理刚性箱子扩展至可变形塑料袋、扁平信封等复杂类型，解决物流中包裹形态多样的核心痛点；
包裹处理速度：从 5.0 秒 / 件降至 4.05 秒 / 件（提速 20%），接近人类操作速度，可提升分拣线整体效率；
条码扫描定向率：正确定向率从 70% 升至 95%，减少因条码识别失败导致的分拣延误；
自适应行为：新增轻拍抚平包装等动作，无需人工干预即可应对包装褶皱问题。
Helix 的性能提升，离不开“数据规模化”和“架构优化”双路径。
数据规模化（10 小时→60 小时演示数据）解决了模型泛化能力不足的问题，通过更多人类操作案例，让模型学会处理多样包裹和复杂场景（如褶皱标签），数据量增加直接带来 58% 的吞吐量提升和 6.2% 的条码成功率提升。
另外，架构优化解决了操作效率与稳定性问题。例如，视觉记忆消除冗余动作、力反馈提升抓取精度，单独依赖架构优化无法覆盖多样包裹处理的需求（需数据支撑泛化）。
但是，仅靠数据无架构优化，模型无法高效利用数据，比如会因无记忆模块导致重复动作；仅靠架构无数据支撑，模型缺乏学习样本，无法应对实际物流中的复杂变量，比如不同材质包裹。因此，二者缺一不可。
可以预见的是，Helix 的灵活性和稳健性正在稳步提升，正在缩小学习到的机器人操作与实际任务需求之间的差距。正在进行的工作将继续拓展其技能组合，并确保其在更高速度和更高负载下的稳定性。
03.
Figure 03，为量产而生
针对人形机器人量产难、成本高、产能低的行业痛点，Figure 03 通过“设计重构-供应链建设-专属工厂”三位一体优化的解决路径，试图“趟”出一条路，打破人形机器人“原型化”困境。
首先，Figure 03 的设计与工艺近乎重构。
Figure 03 重构几乎所有组件，减少零件数量、装配步骤及非必要功能组件。在工艺上，从 Figure 02 的CNC加工为主转向压铸、注塑、冲压等工具化工艺，虽然需要前期工具投入，但单台制造成本大幅降低，且产量越高经济性越好。
其次，Figure 03 的全新供应链建设。
Figure 03 的核心模块，比如执行器、电池、传感器、结构件、电子元件等，均由 Figure 自研并垂直整合生产，避免依赖外部技术，实现垂直整合。另外，针对非核心零件，Figure 则筛选具备“高产能、严时效、高标准”的供应商，构建可随 Figure 成长的全球合作网络，满足数千至数百万件的量产零件需求。
最后，建立BotQ 专属制造工厂。
Figure 专为 Figure 03 打造的 BotQ 制造工厂，首条产线年产能1.2 万台，四年内目标总产量10 万台。该工厂核心系统自研生产，确保质量、迭代速度与生产效率，配备的自研制造执行系统（MES），所有子装配与总装均实现全流程追溯，保障质量一致性与持续改进。
就比如，今年7月，Figure 正式发布F.03 电池，则是由旗下 BotQ 团队完全自研自产。
该电池从 F.01 的外部背包式 bulky 矩形模块迭代而来，实现能量密度提升 94% 并直接集成于机器人躯干，关键性能包括2.3 kWh 容量支持 5 小时峰值运行、2 kW 主动冷却快充、成本较 F.02 降低 78% ，同时采用多层安全架构，是首款推进 UN38.3 与 UL2271 认证的人形机器人电池，可通过 1 米跌落、热失控等严苛测试，且支持 BotQ 年产 12,000 台人形机器人的量产需求。
04.
写在最后
美国《时代》杂志10月9日的报道中指出，Figure 03在发布后还没有准备好供家庭使用，实际上还不能用于家庭用途。
尽管如此，Figure 03 的发布已为行业树立标杆，或许这正标志着人形机器人发展迈入新阶段，因为量产落地应用始终是机器人绕不开的核心关卡。
就目前而言，Figure 03 以 BotQ 工厂、十万台量产规划锚定落地核心，其将硬件升级与 Helix AI 结合的思路，正推动行业从技术演示走向实用化探索，这恰是新阶段的核心特征。
沪公网安备31010702008139