需要注意的是，这些数据主要来自公司直播和媒体报道，而不是独立机构的正式评测。但这次展示仍然反映出：人形机器人正从短时间演示逐步走向持续的工业任务。

核心技术：Helix‑02 全身自主控制系统

此次测试的关键技术是 Helix‑02。Figure 将其描述为一个 从视觉输入直接控制机器人全身动作的单一神经系统。

换句话说，机器人通过摄像头看到环境后，AI 会同时生成行走、保持平衡、抓取和放置物体等动作。这种方式与传统工业机器人不同：后者通常依赖预设动作脚本或固定机械臂。

在机器人研究领域，这类能力被称为 “长时序运动‑操作（loco‑manipulation）”：机器人不仅要移动，还要在移动过程中操作物体。

在仓库任务中，机器人会：

• 通过视觉识别包裹和条码
• 用灵巧的机械手抓取包裹
• 将包裹按正确方向放到传送带上进行分拣

整个流程由 AI 连续决策完成。

最初的目标只是完成 8小时自主班次。在运行过程中没有出现失败，公司决定继续直播，最终将测试延长到 24小时以上。

关键性能指标：速度与处理量

Figure 在演示中公布了几项关键指标：

• 24小时内处理超过2.8万个包裹（由3台机器人完成）
• 平均约2.6秒处理一个包裹，接近人类分拣速度
• 在达到原定 8小时自主运行目标后继续运行，并未报告故障

这些数字意味着，在类似物流任务中，一台机器人每天可能处理数千件包裹。

不过，由于这些数据主要来自公司演示和直播记录，目前仍被视为 早期性能展示，而非经过独立验证的工业基准。

多机器人协同：故障时自动“让位”

这次测试的一个重要设计是 多机器人协同系统，而不是依赖单台机器人完成全部任务。

报道显示，如果某台机器人遇到问题，它可以 自动退出当前工作流程，其他机器人继续完成分拣任务，从而保持生产线持续运转。

这种思路类似于分布式计算系统：

• 不依赖一台绝对可靠的机器
• 而是通过 多台设备分担任务和提供冗余

目前关于调度软件、故障检测机制和恢复策略的公开技术细节仍然有限，但基本原则很明确：单个机器人暂停，不会让整条物流流程停下来。

背后更重要的信号：规模化生产

从产业角度看，这次测试的意义可能不仅是“24小时运行”，而是它暗示了 规模部署的准备阶段。

Figure 表示，他们正在通过名为 BotQ 的制造设施扩大产能。公司称该工厂已经生产 超过350台机器人，并在扩产过程中将生产速度从 每天1台提高到大约每小时1台。

在人形机器人行业，从原型机走向批量生产通常是最难跨越的一步。若这一生产能力持续提升，意味着未来可能出现 机器人“车队式部署”，而不是实验室里的单个样机。

为什么物流仓库是第一站

物流仓库被认为是人形机器人最现实的早期应用场景之一，原因包括：

• 工作任务高度重复
• 环境相对可控
• 自动化带来的经济收益明显
• 许多国家面临劳动力短缺

因此，包裹分拣成为许多机器人公司的“试验场”。

人形机器人迈向真实工作环境的一步

综合来看，这次演示同时展示了三件在人形机器人领域较少同时实现的能力：

• 接近人类速度的物体操作
• 超过24小时的持续自主运行
• 多机器人协同工作

当然，目前公开证据仍主要来自公司演示，而非独立工业验证。关于 长期可靠性、安全认证以及成本效率 等问题，仍需要更多真实部署数据。

即便如此，这次测试仍显示出行业发展的速度。几年前，人形机器人还在解决基础抓取问题；如今，一些公司已经开始测试 小规模机器人团队在真实物流流程中连续工作的能力。

如果这些能力在实际仓库中得到验证，包裹分拣可能会成为 通用人形机器人最早实现大规模落地的应用之一。

需要注意的是，这些数据主要来自公司直播和媒体报道，而不是独立机构的正式评测。但这次展示仍然反映出：人形机器人正从短时间演示逐步走向持续的工业任务。

核心技术：Helix‑02 全身自主控制系统

此次测试的关键技术是 Helix‑02。Figure 将其描述为一个 从视觉输入直接控制机器人全身动作的单一神经系统。

换句话说，机器人通过摄像头看到环境后，AI 会同时生成行走、保持平衡、抓取和放置物体等动作。这种方式与传统工业机器人不同：后者通常依赖预设动作脚本或固定机械臂。

在机器人研究领域，这类能力被称为 “长时序运动‑操作（loco‑manipulation）”：机器人不仅要移动，还要在移动过程中操作物体。

在仓库任务中，机器人会：

• 通过视觉识别包裹和条码
• 用灵巧的机械手抓取包裹
• 将包裹按正确方向放到传送带上进行分拣

整个流程由 AI 连续决策完成。

最初的目标只是完成 8小时自主班次。在运行过程中没有出现失败，公司决定继续直播，最终将测试延长到 24小时以上。

关键性能指标：速度与处理量

Figure 在演示中公布了几项关键指标：

• 24小时内处理超过2.8万个包裹（由3台机器人完成）
• 平均约2.6秒处理一个包裹，接近人类分拣速度
• 在达到原定 8小时自主运行目标后继续运行，并未报告故障

这些数字意味着，在类似物流任务中，一台机器人每天可能处理数千件包裹。

不过，由于这些数据主要来自公司演示和直播记录，目前仍被视为 早期性能展示，而非经过独立验证的工业基准。

多机器人协同：故障时自动“让位”

这次测试的一个重要设计是 多机器人协同系统，而不是依赖单台机器人完成全部任务。

报道显示，如果某台机器人遇到问题，它可以 自动退出当前工作流程，其他机器人继续完成分拣任务，从而保持生产线持续运转。

这种思路类似于分布式计算系统：

• 不依赖一台绝对可靠的机器
• 而是通过 多台设备分担任务和提供冗余

目前关于调度软件、故障检测机制和恢复策略的公开技术细节仍然有限，但基本原则很明确：单个机器人暂停，不会让整条物流流程停下来。

背后更重要的信号：规模化生产

从产业角度看，这次测试的意义可能不仅是“24小时运行”，而是它暗示了 规模部署的准备阶段。

Figure 表示，他们正在通过名为 BotQ 的制造设施扩大产能。公司称该工厂已经生产 超过350台机器人，并在扩产过程中将生产速度从 每天1台提高到大约每小时1台。

在人形机器人行业，从原型机走向批量生产通常是最难跨越的一步。若这一生产能力持续提升，意味着未来可能出现 机器人“车队式部署”，而不是实验室里的单个样机。

为什么物流仓库是第一站

物流仓库被认为是人形机器人最现实的早期应用场景之一，原因包括：

• 工作任务高度重复
• 环境相对可控
• 自动化带来的经济收益明显
• 许多国家面临劳动力短缺

因此，包裹分拣成为许多机器人公司的“试验场”。

人形机器人迈向真实工作环境的一步

综合来看，这次演示同时展示了三件在人形机器人领域较少同时实现的能力：

• 接近人类速度的物体操作
• 超过24小时的持续自主运行
• 多机器人协同工作

当然，目前公开证据仍主要来自公司演示，而非独立工业验证。关于 长期可靠性、安全认证以及成本效率 等问题，仍需要更多真实部署数据。

即便如此，这次测试仍显示出行业发展的速度。几年前，人形机器人还在解决基础抓取问题；如今，一些公司已经开始测试 小规模机器人团队在真实物流流程中连续工作的能力。

如果这些能力在实际仓库中得到验证，包裹分拣可能会成为 通用人形机器人最早实现大规模落地的应用之一。