西风 发自 凹非寺 量子位 | 公众号 QbitAI 与OpenAI分道扬镳后，Figure不仅技术进展一波接着一波，融资方面也有新进展了。 最新消息，C轮融资已拿到 超10亿美元承 诺资本，投后估 值高达390亿美元 ，一举创下当前公开信息中具身智能赛道的最高估值纪录。 本轮融资由Parkway Venture Capital领投，英伟达继续加注，Brookfield Asset Management、麦格理资本、英特尔资本、Align Ventures、Tamarack Global、LG Technology Ventures、Salesforce、T-Mobile Ventures、高通风投等也都有参与。 宣布好消息的同时，Figure不忘发布"招贤令"，AI-Helix、BotQ制造、电气、设施、运营等13个方向开启招聘。 | | figure.ai | | | | | | --- | --- | --- | --- | --- | --- | | | Careers Figure | | | | | | | 招贤纳士 数字 | | | | | | | We're bringing the huma ...

文章核心观点 - Figure机器人展示了其通用人形机器人Figure 02在无需新算法或特殊工程的情况下，仅通过增加新数据即可掌握洗碗机餐具装载这一新技能 [4][20][25] - 这表明公司基于Helix架构的机器人正朝着可扩展的通用智能方向迈进，同一系统通过数据驱动即可逐步学习多样化任务 [25] Helix架构技术特点 - Helix架构是公司与OpenAI分道扬镳后开发的第一个成果，是一个端到端的"视觉-语言-动作"模型，使机器人能像人类一样感知、理解和行动 [21] - 该架构采用单一统一模型，仅使用一组神经网络权重即可在各种任务中实现强大性能，包括精准拾取放置物品、操控抽屉与冰箱、协调多机器人灵巧交接以及操控数千种新物体 [24] - 架构由两个经过端到端训练并可通信的系统组成，能够处理洗碗机装载、包裹分拣和毛巾叠放等看似不相关的任务 [22][25] 机器人技能展示与性能 - 在洗碗机装载任务中，机器人掌握了从杂乱堆叠中分离餐具、重新调整角度、双臂协同传递、处理光滑易碎物品的指尖级精细操作等技能 [16][17][26] - 机器人具备应对不同装载情境的能力，能够适应新奇的餐具、凌乱的初始摆放和突发的碰撞，并保持稳定可靠的表现 [18][19][26] - 此前，机器人已展示过长达一小时的物流场景包裹分拣能力，其操作灵活性和速度已接近人类水平，并能完成叠毛巾和衣服的任务 [7][9] 技术实现路径与行业意义 - 机器人新技能的获取完全依赖于数据驱动，无需新的算法或特殊的工程设计，凸显了公司以数据为核心的技术扩展路径 [4][20] - 这种通过单一通用架构处理多样化任务的能力，标志着人形机器人行业在实现可扩展的通用智能方面取得了实质性进展 [25]

人形机器人技术突破 - Figure人形机器人通过神经网络学习叠衣服技能，无需架构改变仅增加数据即可完成新任务[2][7] - 机器人具备自然交互能力，包括眼神交流、点头和手势反馈[4][5] - 叠衣服任务采用端到端方式运行，从视觉语言输入到运动控制完全自主[9] 技术挑战与解决方案 - 叠衣服是极具挑战性的灵巧操作任务，需处理易变形、形状多样的物体[15][16] - 机器人需精细协调手指控制以追踪边缘、捏住角落并实时调整[17][18] - Helix架构是关键，作为端到端"视觉-语言-动作"模型实现通用人形机器人控制[21] Helix架构技术细节 - 由视觉记忆、状态历史和力反馈三部分组成[23][26][29] - 视觉记忆模块可从视频帧组合特征形成短期记忆[23][24] - 状态历史通过动作分块确保模块间连续性和稳健性[26][27] - 力反馈实现触感，帮助动态调整运动过程[29][30] 应用场景扩展 - 同一模型从物流分拣扩展到叠衣服任务，展现强大泛化能力[12][14] - 机器人已掌握洗衣服、叠衣服等家务技能，接近完成家务闭环[36][38] - 技术可应用于多种场景，包括物流、家庭服务等[12][38] 行业进展对比 - 擎天柱机器人10个月前已具备叠衣服能力[10][32] - WRC展会上也有类似功能的机器人展示[34] - Figure机器人技术持续迭代，在灵活性、速度和泛化能力方向持续提升[20]

核心观点 - Figure人形机器人通过Helix架构实现端到端神经网络控制，在不改变架构仅增加数据的情况下，成功从物流分拣扩展到叠衣服等高难度灵巧操作任务 [1][14][21] - 叠衣服任务展示了机器人对高度可变性物体的处理能力，包括实时边缘追踪、褶皱调整和多模态交互（眼神/手势） [6][18][21] - Helix架构整合视觉记忆、状态历史和力反馈系统，使机器人具备环境感知、动作连续性和动态调整能力 [23][24][27][28] 技术突破 任务扩展性 - 同一模型两个月前完成物流包裹分拣（处理数千种物体，成功率接近人类水平），现直接迁移至叠衣服任务，无需修改架构或超参数 [12][14][21] - 叠衣服难度显著高于刚性物体操作：需应对无固定几何形状、易变形缠结等特性，依赖实时视觉反馈和毫米级手指控制 [15][16][17] Helix架构特性 - 多模态处理：统一模型处理视觉/语言输入到运动控制的端到端流程，支持任务间知识迁移 [8][22] - 视觉记忆系统：通过视频帧特征组合形成短期记忆，避免重复操作（如包裹分拣时记忆已检查面） [24][25][26] - 状态历史机制：分块执行动作序列并保留上下文，使纠错延迟缩短50%以上（包裹抓取失败时快速恢复） [27][28] - 力反馈闭环：实时调整运动轨迹（如检测传送带接触后暂停下压），提升操作成功率30% [28][29] 行业对比 - 该机型为首个采用多指手完成端到端衣物折叠的通用人形机器人 [21] - 竞品如擎天柱10个月前已实现类似功能，但未展示多任务迁移能力 [9][31] - 近期WRC展会上其他机器人仅能完成单一家务（抓娃娃等），而Figure已覆盖分拣/折叠/洗衣等多场景 [33] 发展计划 - 未来重点扩大现实世界数据规模，提升灵活性/速度/泛化能力 [20] - 持续优化Helix在非结构化环境中的表现，探索更多家庭服务场景 [22][33]