Figure AI 24 小時自動倉庫測試：3 部人形機械人不停分揀 28,000 件包裹

需要留意的是，這些數據主要來自公司直播與媒體報導，而不是第三方工業測試，因此仍屬於早期示範成果。

Helix‑02：控制整個身體的 AI 系統

支撐這次測試的是 Figure 最新的機械人自主系統 Helix‑02。

公司形容，Helix‑02 是一個 由視覺輸入直接控制機械人全身的神經網絡系統。換句話說，機械人看到環境後，AI 會即時決定手腳動作，包括行走、保持平衡，以及抓取物件。

這種設計跟傳統工業機械人大不相同。一般工廠機械人多數依賴預設動作或專用機械臂，而 Helix‑02 目標是讓機械人能在環境中 一邊移動一邊操作物件，研究人員稱為「loco‑manipulation」任務。

在這次倉庫場景中，機械人主要做三件事：

• 透過視覺辨識包裹與條碼
• 用靈巧手部抓起包裹
• 按指定方向把包裹放到輸送帶上完成分揀

最初測試只計劃運行 8 小時完整班次，但當系統在期間沒有出現故障後，公司把直播延長，結果機械人持續工作超過 24 小時。

速度與產量：接近人類工作節奏

在這次示範中，Figure AI 特別強調幾個指標：

• 24 小時處理超過 28,000 件包裹（三部機械人合計）
• 平均 2.6 秒處理一件包裹，接近人類倉庫分揀速度
• 原本目標的 8 小時自動班次順利完成後再延長運行

如果以整體效率計算，代表每部機械人每天可處理數千件貨物。對於物流自動化而言，這種吞吐量已開始接近實際商業應用門檻。

不過，目前公開資料仍主要來自公司示範，因此與真正商業倉庫的長期運行表現仍有距離。

多機協作：其中一部停下，其餘繼續

另一個值得注意的設計是 多機器人協作系統。

報導指出，如果其中一部機械人遇到問題，系統會讓它 自動退出工作流程，而其他機械人繼續分揀包裹，避免整條線停擺。

這個概念其實和大型雲端系統很相似：

• 不依賴單一設備
• 工作負載分散到多個單位
• 個別設備出問題時整體系統仍能運作

目前關於排程系統、故障判斷條件以及恢復機制的技術細節仍未公開，但核心概念就是：整個倉庫流程可以容許單一機械人暫停或離線。

背後訊號：Figure 正準備大規模部署

從產業角度看，這次示範更重要的可能不是 24 小時本身，而是背後透露的部署策略。

Figure 表示，他們的機械人生產已經透過 BotQ 製造工廠開始擴大規模。公司稱目前已交付 超過 350 部機械人，而生產速度亦從 每日一部提升到 每小時一部。

這意味著公司正嘗試從「單一原型展示」轉向 機械人群體部署（fleet deployment）——這正是很多機械人公司最難跨越的一步。

物流與倉庫通常被視為人形機械人的第一個大型應用場景，原因包括：

• 工作流程重複性高
• 環境相對可控
• 勞動力短缺問題嚴重

因此這類場景成為測試通用機械人能力的理想起點。

人形機械人真正工作的早期樣貌

這次示範之所以受到關注，是因為它同時結合了三個在機械人領域並不常見的條件：

• 接近人類速度的操作能力
• 長時間自主運行
• 多機器人協同工作

當然，目前仍有不少問題需要在真實工業環境中驗證，例如可靠度、安全認證，以及是否具備成本效益。

即使如此，這次測試仍反映出人形機械人的發展速度正在加快。幾年前，這類機械人仍在學習基本抓取動作；現在，一些公司已開始測試 小型機械人團隊在物流流程中全天候運作。

如果這些能力能在真實倉庫中長期運作，包裹分揀很可能會成為人形機械人最早大規模落地的應用之一。