这场实验通过直播进行，并包含一次机器人与人类的正面对决，成为目前人形机器人在真实物流场景中最清晰的一次性能基准之一。

200小时仓库极限运行

测试地点是 Figure AI 位于美国加州的设施。最初，这只是一个较短的演示任务，但在没有出现问题后，公司决定持续运行，最终变成一场持续数天的耐力实验。

公开报道中的核心数据包括：

• 运行时长： 约200小时连续自动运行
• 处理数量： 约249,000–250,000件包裹
• 可靠性： 测试期间 零硬件故障

一些报道给出的精确数字为 249,558件 或 约249,560件，因此“接近25万件”成为最常见的统计。

不过也有个别报道提到 149,000多件 的数据，说明直播过程中不同统计口径存在差异。

即便如此，这次实验仍证明：这些机器人能够 连续运行超过一周的仓库式工作，而且无需远程人工操控。

机器人分拣速度有多快

物流行业最重要的指标是吞吐量——也就是每个包裹处理需要多少时间。

Figure AI 之前表示，其系统已经接近 “人类效率水平（human parity）”，平均处理速度 低于3秒/件包裹。

在实际分拣流程中，机器人需要完成多步操作：

• 通过视觉识别包裹
• 调整包裹方向以露出条形码
• 扫描或确认标签
• 将包裹放到正确的传送带线路

能够在 约3秒一个包裹 的速度下持续处理数十万件物品，意味着系统不仅能短时间冲刺，而是具备接近生产环境的稳定效率。

Helix‑02：机器人的“AI大脑”

F.03 的能力很大程度上来自 Figure 自研的 Helix‑02 AI 系统。

Helix‑02 被称为一种 视觉‑语言‑行动（Vision‑Language‑Action，VLA）模型。它将感知、理解和运动控制整合在同一个神经网络中。

简单说，它可以把摄像头看到的画面直接转化为机器人动作，也被称为 “从像素到动作（pixels‑to‑actions）” 的控制方式。

这让机器人能够：

• 通过摄像头和传感器理解环境
• 判断任务目标
• 控制双臂和手指进行抓取与操作

在物流场景中，这意味着机器人可以处理不同类型包裹——例如纸箱、信封或软包装袋——并自动调整抓取方式，甚至翻转包裹以找到条形码。

“人类 vs 机器”10小时对决

为了更直观地比较效率，Figure AI 还安排了一场 10小时的人机比赛。

参赛者包括：

• 一台 F.03 人形机器人
• 一名公司实习生 Aime

双方的任务完全相同：扫描包裹并将其放到正确的传送带上。

最终成绩非常接近：

• 人类实习生： 12,924件（约 2.79秒/件）
• F.03机器人： 12,732件（约 2.83秒/件）

人类只领先 192件包裹，也就是 约1.3%的差距。

换句话说，机器人几乎达到了相同速度，但在这一轮单班次比赛中仍略逊一筹。

为什么这次实验受到关注

人形机器人并不是新概念，但过去大多数演示只持续 几分钟或几小时。

这次测试之所以重要，主要体现在三个方面：

1. 长时间稳定运行
200小时连续工作证明硬件和控制系统能够支撑真实工业环境。

2. 接近人类生产效率
每件包裹约3秒的速度已经接近仓库工人的平均水平。

3. 完全自主操作
机器人在测试中据称没有人工远程操控，所有感知与操作由AI系统完成。

这些指标结合在一起，意味着人形机器人正在从“演示阶段”逐渐走向 真正的商业物流应用场景。

仍然需要保持谨慎

尽管数据令人印象深刻，这些结果大多来自 Figure 自己的实验和直播演示，而不是独立机构的大规模部署测试。

因此，这更像是 技术进展的证明，而不是表明机器人已经准备好在短期内取代大量仓库岗位。

不过，这次人机对决透露了一个重要信号：

在人形机器人和人类之间的效率差距，已经不再是数量级的差距，而是 每个包裹仅几百分之一秒的差距。

这场实验通过直播进行，并包含一次机器人与人类的正面对决，成为目前人形机器人在真实物流场景中最清晰的一次性能基准之一。

200小时仓库极限运行

测试地点是 Figure AI 位于美国加州的设施。最初，这只是一个较短的演示任务，但在没有出现问题后，公司决定持续运行，最终变成一场持续数天的耐力实验。

公开报道中的核心数据包括：

• 运行时长： 约200小时连续自动运行
• 处理数量： 约249,000–250,000件包裹
• 可靠性： 测试期间 零硬件故障

一些报道给出的精确数字为 249,558件 或 约249,560件，因此“接近25万件”成为最常见的统计。

不过也有个别报道提到 149,000多件 的数据，说明直播过程中不同统计口径存在差异。

即便如此，这次实验仍证明：这些机器人能够 连续运行超过一周的仓库式工作，而且无需远程人工操控。

机器人分拣速度有多快

物流行业最重要的指标是吞吐量——也就是每个包裹处理需要多少时间。

Figure AI 之前表示，其系统已经接近 “人类效率水平（human parity）”，平均处理速度 低于3秒/件包裹。

在实际分拣流程中，机器人需要完成多步操作：

• 通过视觉识别包裹
• 调整包裹方向以露出条形码
• 扫描或确认标签
• 将包裹放到正确的传送带线路

能够在 约3秒一个包裹 的速度下持续处理数十万件物品，意味着系统不仅能短时间冲刺，而是具备接近生产环境的稳定效率。

Helix‑02：机器人的“AI大脑”

F.03 的能力很大程度上来自 Figure 自研的 Helix‑02 AI 系统。

Helix‑02 被称为一种 视觉‑语言‑行动（Vision‑Language‑Action，VLA）模型。它将感知、理解和运动控制整合在同一个神经网络中。

简单说，它可以把摄像头看到的画面直接转化为机器人动作，也被称为 “从像素到动作（pixels‑to‑actions）” 的控制方式。

这让机器人能够：

• 通过摄像头和传感器理解环境
• 判断任务目标
• 控制双臂和手指进行抓取与操作

在物流场景中，这意味着机器人可以处理不同类型包裹——例如纸箱、信封或软包装袋——并自动调整抓取方式，甚至翻转包裹以找到条形码。

“人类 vs 机器”10小时对决

为了更直观地比较效率，Figure AI 还安排了一场 10小时的人机比赛。

参赛者包括：

• 一台 F.03 人形机器人
• 一名公司实习生 Aime

双方的任务完全相同：扫描包裹并将其放到正确的传送带上。

最终成绩非常接近：

• 人类实习生： 12,924件（约 2.79秒/件）
• F.03机器人： 12,732件（约 2.83秒/件）

人类只领先 192件包裹，也就是 约1.3%的差距。

换句话说，机器人几乎达到了相同速度，但在这一轮单班次比赛中仍略逊一筹。

为什么这次实验受到关注

人形机器人并不是新概念，但过去大多数演示只持续 几分钟或几小时。

这次测试之所以重要，主要体现在三个方面：

1. 长时间稳定运行
200小时连续工作证明硬件和控制系统能够支撑真实工业环境。

2. 接近人类生产效率
每件包裹约3秒的速度已经接近仓库工人的平均水平。

3. 完全自主操作
机器人在测试中据称没有人工远程操控，所有感知与操作由AI系统完成。

这些指标结合在一起，意味着人形机器人正在从“演示阶段”逐渐走向 真正的商业物流应用场景。

仍然需要保持谨慎

尽管数据令人印象深刻，这些结果大多来自 Figure 自己的实验和直播演示，而不是独立机构的大规模部署测试。

因此，这更像是 技术进展的证明，而不是表明机器人已经准备好在短期内取代大量仓库岗位。

不过，这次人机对决透露了一个重要信号：

在人形机器人和人类之间的效率差距，已经不再是数量级的差距，而是 每个包裹仅几百分之一秒的差距。