這次測試還包括直播以及一場「人類 vs 機械人」的實戰比賽，成為目前最接近真實物流工作的機械人基準案例之一。

200 小時自主倉庫測試

測試在 Figure AI 位於 Sunnyvale（矽谷附近） 的設施內進行。原本只是短時間示範，但因為系統表現穩定，最後延長成為一場長達多天的耐力測試。

主要結果包括：

• 運行時間： 約 200 小時連續運作
• 處理量： 約 249,000–250,000 件包裹
• 可靠性： 測試期間 沒有硬件故障

有報導列出最終數字為 249,558 件，亦有資料提到 249,560 件，因此通常會以「接近 25 萬件」描述。

不過數據並非完全一致：另一來源曾提到 149,000+ 件包裹，顯示直播過程中不同報導對總數的統計略有差異。

即使如此，測試仍顯示這些機械人可以 連續一星期以上執行倉庫工作，而且不需要遠端人工操控。

機械人工作速度有多快？

這次測試的核心指標是 吞吐量（throughput）。

Figure AI 之前表示，他們的物流系統已經接近 「人類水平」速度：平均 每件包裹少於 3 秒。

在示範中，機械人大致會完成以下流程：

• 透過相機辨識包裹
• 調整包裹方向讓條碼可被掃描
• 掃描或確認標籤
• 把包裹放到正確的輸送帶

能夠在 幾十萬件包裹 的規模下維持約 3 秒一件 的速度，意味這不只是短時間爆發速度，而是接近真正生產環境的持續效率。

Helix‑02：控制機械人的 AI「大腦」

F.03 的能力很大程度來自 Figure 自家開發的 Helix‑02 AI 系統。

Helix‑02 屬於 Vision‑Language‑Action（VLA）模型——一種把感知、理解與動作控制整合在同一神經網絡架構的系統。

換句話說，系統會：

• 用相機與感測器理解環境
• 判斷需要完成的任務
• 直接生成機械人的手臂與身體動作

Figure 把這種方式形容為 「pixels‑to‑actions」（由影像直接生成動作）。

在物流場景中，這意味機械人可以處理不同形態的包裹，例如：

• 紙箱
• 信封
• 軟質塑膠包裹

並且自動調整抓取方式、翻轉包裹、找到條碼位置再完成掃描。

「人類 vs 機械人」10 小時對決

為了更直接比較效率，Figure 還安排了一場 10 小時的人機對決。

參賽者包括：

• 一台 F.03 機械人
• 公司實習生 Aime

兩者的任務完全相同：掃描包裹條碼並放到正確輸送帶。

最終成績：

• 人類實習生： 12,924 件（約 2.79 秒/件）
• F.03 機械人： 12,732 件（約 2.83 秒/件）

人類只贏了 192 件包裹，差距大約 1.3%。

換句話說，在整整一個工作班次內，機械人的速度已經 幾乎與人類相同。

為何這次測試重要？

人形機械人示範其實多年來都有，但很多只是持續幾分鐘或幾小時。

Figure 這次測試之所以受到關注，主要因為三個原因：

1. 長時間耐力
能夠 200 小時連續運作，顯示機械結構與控制系統已具備長時間工作的穩定性。

2. 接近人類效率
平均 約 3 秒處理一件包裹，已經接近倉庫員工的實際工作速度。

3. 真正自主運作
測試過程中據稱沒有遠端操作，而是完全由 AI 系統控制。

這些因素結合起來，意味人形機械人正逐漸從「展示技術」走向 具商業價值的物流工作。

仍需要注意的現實限制

即使數據看起來很亮眼，目前的證據仍然主要來自 Figure 自家的示範和直播測試，而不是大規模獨立部署。

因此更合理的理解是：

這次測試展示的是 技術進步的證據，而不是證明機械人已準備好全面取代倉庫員工。

不過，人類與機械人在物流任務中的差距，如今已經縮小到 每件包裹幾百分之一秒的速度差——這個變化，本身已經相當值得注意。

這次測試還包括直播以及一場「人類 vs 機械人」的實戰比賽，成為目前最接近真實物流工作的機械人基準案例之一。

200 小時自主倉庫測試

測試在 Figure AI 位於 Sunnyvale（矽谷附近） 的設施內進行。原本只是短時間示範，但因為系統表現穩定，最後延長成為一場長達多天的耐力測試。

主要結果包括：

• 運行時間： 約 200 小時連續運作
• 處理量： 約 249,000–250,000 件包裹
• 可靠性： 測試期間 沒有硬件故障

有報導列出最終數字為 249,558 件，亦有資料提到 249,560 件，因此通常會以「接近 25 萬件」描述。

不過數據並非完全一致：另一來源曾提到 149,000+ 件包裹，顯示直播過程中不同報導對總數的統計略有差異。

即使如此，測試仍顯示這些機械人可以 連續一星期以上執行倉庫工作，而且不需要遠端人工操控。

機械人工作速度有多快？

這次測試的核心指標是 吞吐量（throughput）。

Figure AI 之前表示，他們的物流系統已經接近 「人類水平」速度：平均 每件包裹少於 3 秒。

在示範中，機械人大致會完成以下流程：

• 透過相機辨識包裹
• 調整包裹方向讓條碼可被掃描
• 掃描或確認標籤
• 把包裹放到正確的輸送帶

能夠在 幾十萬件包裹 的規模下維持約 3 秒一件 的速度，意味這不只是短時間爆發速度，而是接近真正生產環境的持續效率。

Helix‑02：控制機械人的 AI「大腦」

F.03 的能力很大程度來自 Figure 自家開發的 Helix‑02 AI 系統。

Helix‑02 屬於 Vision‑Language‑Action（VLA）模型——一種把感知、理解與動作控制整合在同一神經網絡架構的系統。

換句話說，系統會：

• 用相機與感測器理解環境
• 判斷需要完成的任務
• 直接生成機械人的手臂與身體動作

Figure 把這種方式形容為 「pixels‑to‑actions」（由影像直接生成動作）。

在物流場景中，這意味機械人可以處理不同形態的包裹，例如：

• 紙箱
• 信封
• 軟質塑膠包裹

並且自動調整抓取方式、翻轉包裹、找到條碼位置再完成掃描。

「人類 vs 機械人」10 小時對決

為了更直接比較效率，Figure 還安排了一場 10 小時的人機對決。

參賽者包括：

• 一台 F.03 機械人
• 公司實習生 Aime

兩者的任務完全相同：掃描包裹條碼並放到正確輸送帶。

最終成績：

• 人類實習生： 12,924 件（約 2.79 秒/件）
• F.03 機械人： 12,732 件（約 2.83 秒/件）

人類只贏了 192 件包裹，差距大約 1.3%。

換句話說，在整整一個工作班次內，機械人的速度已經 幾乎與人類相同。

為何這次測試重要？

人形機械人示範其實多年來都有，但很多只是持續幾分鐘或幾小時。

Figure 這次測試之所以受到關注，主要因為三個原因：

1. 長時間耐力
能夠 200 小時連續運作，顯示機械結構與控制系統已具備長時間工作的穩定性。

2. 接近人類效率
平均 約 3 秒處理一件包裹，已經接近倉庫員工的實際工作速度。

3. 真正自主運作
測試過程中據稱沒有遠端操作，而是完全由 AI 系統控制。

這些因素結合起來，意味人形機械人正逐漸從「展示技術」走向 具商業價值的物流工作。

仍需要注意的現實限制

即使數據看起來很亮眼，目前的證據仍然主要來自 Figure 自家的示範和直播測試，而不是大規模獨立部署。

因此更合理的理解是：

這次測試展示的是 技術進步的證據，而不是證明機械人已準備好全面取代倉庫員工。

不過，人類與機械人在物流任務中的差距，如今已經縮小到 每件包裹幾百分之一秒的速度差——這個變化，本身已經相當值得注意。