Figure AI 24 小時倉庫直播實測：人形機械人距離真正上班仲有幾遠？

對工業設備嚟講，呢種測試非常重要。因為實際工廠或物流中心最關心嘅唔係花式動作，而係：

• 能唔能夠連續工作一整個班
• 故障率有幾低
• 出錯時可唔可以自己恢復

在特定任務上接近人類速度

直播中，機械人主要做一個固定工作：

• 從輸送帶拎起包裹
• 掃描條碼
• 放到指定位置

相關報導指，處理速度 接近人類分揀員的水平。

但要注意，呢個「接近人類速度」係有前提：

• 任務非常單一
• 工作環境高度結構化
• 物件尺寸與流程都經過設計

即係話，佢哋未必可以立即做所有倉庫工作。不過，能夠在一個真實物流流程中達到人類吞吐量，對人形機械人嚟講已經係重要里程碑。

Helix‑02：控制整個機械人身體的大腦

今次測試核心其實唔係機械人硬件，而係 Helix‑02 AI 系統。

Helix‑02 屬於一種「視覺‑語言‑動作」（Vision‑Language‑Action）模型，可以直接由影像輸入控制整個機械人動作。

簡單講，佢將以前分開嘅幾個能力合併成一個系統：

• 視覺感知環境
• 理解任務與物件
• 規劃動作
• 控制手臂與身體

Figure 之前亦展示過 Helix‑02 在家庭場景工作，例如兩部機械人協作整理房間、收拾物品等。

而今次直播則顯示，這套系統似乎亦能支撐長時間的工業流程。

多機協作與持續運作

直播另一個重點係 多部機械人同時工作。

三部機械人共用同一條分揀線，持續維持輸出效率。對真實倉庫而言，呢點非常重要——因為實際部署從來唔係一部機械人，而係整個機械人隊伍。

報導亦提到，系統透過 輪流工作與充電來維持長時間運作，令整條分揀線可以持續運行。

為何整個行業都在關注

近年人形機械人公司（例如 Figure、Tesla 等）都在競爭同一個目標：

打造能做「通用工作」的機械人。

而評估標準亦開始改變。

以前大家睇的是：

• 手指靈活度
• 開門、搬箱示範

現在開始關注的是更像工業設備的指標，例如：

• 連續運作時間
• 每班處理量
• 故障與恢復能力
• 多機協作效率

呢啲先係企業會真正計算 ROI（投資回報）的指標。

直播其實證明咗什麼？又未證明什麼？

即使今次直播相當吸睛，但仍然未能證明人形機械人已經全面準備好商業化。

原因包括：

第一，環境非常受控。

輸送帶分揀比起真實倉庫其他工作（例如堆疊、搬運不規則物件、與人類互動）簡單得多。

第二，證據主要來自公司直播。

部分觀察者亦質疑示範是否完全反映無監督的真實環境。

第三，成本仍然未知。

企業最終會問的問題是：

• 比傳統自動化更便宜嗎？
• 比人工更可靠嗎？

如果答案不是「是」，部署就很難大規模發生。

Figure 正在為大規模生產鋪路

Figure 將 Figure 03 定位為第一款為量產而設計的人形機械人。

公司建立了一個名為 BotQ 的生產設施，目標是用工業化方式製造大量機械人。

官方資料表示，工廠已經生產 數百部第三代機械人，並把產能提升到 每小時一部 的速度。

同時，Figure 亦在融資上取得巨大支持：

公司 Series C 融資超過 10 億美元，估值約 390 億美元，資金將用於擴展 Helix AI 與機械人部署。

下一步：真正的現場測試

這場直播其實標誌住一個轉變。

人形機械人終於開始接受類似工業設備的測試，而不是單純的技術展示。

不過真正的關鍵仍未到來。

要證明可以大規模部署，Figure 03 還需要展示：

• 幾個月甚至更長時間的穩定運作
• 在客戶倉庫而非自家實驗環境工作
• 與人類安全協作
• 整體成本低於其他自動化方案

如果這些條件最終達成，那麼這次長時間倉庫直播，很可能會被視為一個重要時刻——

一個新型勞動力開始走向現實的早期預告：與人類並肩工作的自主機械人。