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

近年人形機械人經常做示範，但大多只維持幾分鐘到幾小時。美國機械人公司 Figure AI 最近做了一次更長時間的測試：三部 Figure 03 人形機械人 在倉庫環境中連續工作 超過 24 小時，不停分揀包裹，期間據稱沒有需要人工介入，也沒有出現故障。

根據公司公開的直播與報導，三部機械人在這段時間內一共處理 超過 28,000 件包裹，平均速度大約 每件 2.6 秒，公司形容已接近真人倉務員的工作效率。

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。