200 小時的連續倉儲運行

這項實驗在 Figure AI 位於加州 Sunnyvale 的設施中進行。最初只計畫做短時間展示，但在系統穩定運行後，團隊決定讓它持續運作，最終變成一場長達約 200 小時的壓力測試。

公開報告的核心數據包括：

• 運行時間：約 200 小時連續自主作業
• 處理量：接近 250,000 件包裹
• 可靠性：零硬體故障

部分報導給出的精確數字為 249,558 件或 249,560 件，因此多數媒體以「接近 25 萬件」描述成果。

不過也有資料提到 149,000+ 件的處理量，顯示直播期間公開數據存在一些差異。

即便如此，這次展示仍證明機器人可以在沒有遠端操控的情況下連續運行超過一週的倉儲工作時間，對實際商業應用而言是一個重要里程碑。

機器人的工作速度

測試的核心指標是吞吐量（throughput），也就是每件包裹處理所需時間。

Figure AI 之前表示，其物流系統已接近「人類等級效率」，平均速度低於每件 3 秒。

在演示中，機器人需要完成一系列典型倉儲任務：

• 用視覺辨識包裹
• 調整方向讓條碼可掃描
• 掃描或確認標籤
• 放到正確的輸送帶路線

在數十萬件包裹的情境下仍維持約 3 秒一件的速度，顯示系統不只是短時間展示，而是接近實際生產節奏。

背後的 AI：Helix‑02

F.03 的能力主要來自 Figure 自家開發的 AI 系統 Helix‑02。

Helix‑02 被描述為一種 Vision‑Language‑Action（VLA）模型，也就是把三種能力整合在一起的神經網路：

• 視覺感知
• 語言與任務理解
• 身體動作控制

與傳統機器人由多個模組控制不同，Helix‑02 透過單一神經系統把相機輸入直接轉換為機器人的全身動作，實現所謂的 「pixels‑to‑actions」（從影像直接到動作）。

這讓機器人可以：

• 使用相機與感測器辨識物體
• 理解任務或指令
• 控制手臂、手指與身體完成操作

在物流環境中，它能處理不同包裝形式，例如箱子、信封或軟袋，並自動調整抓取與翻轉方式以掃描條碼。

10 小時「人類 vs 機器」對決

為了更直觀比較效率，Figure 還安排了一場 10 小時人機競賽。

參賽者是：

• 一台 F.03 人形機器人
• 公司實習生 Aime

兩者的任務完全相同：掃描包裹條碼並放到輸送帶。

最終結果非常接近：

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

人類只領先 192 件包裹，整體差距約 1.3%。

換句話說，在整整 10 小時的工作中，機器人的節奏幾乎與人類一致，只差了 0.04 秒/件。

為什麼這次測試重要

過去人形機器人的展示通常只有幾分鐘到幾小時，而不是連續幾天。

Figure 的實驗之所以引發關注，主要因為三個原因：

1. 長時間耐力
機器人能連續運行 200 小時，顯示硬體與控制系統已具備長時間工作的可靠性。

2. 接近人類效率
每件約 3 秒的處理速度，使機器人開始接近人類在重複性物流任務中的產能。

3. 完全自主運作
測試期間據稱沒有遠端操控，由 AI 系統直接負責感知與操作。

這些因素意味著人形機器人正從「技術展示」逐步走向實際倉儲應用的可能性。

仍需保持現實

即使成果亮眼，仍有一個重要限制：目前的證據大多來自 Figure 自家的測試與直播，而不是大規模獨立部署。

因此，這次實驗更像是技術進展的證明，而不是證明機器人已準備好全面取代倉儲人力。

不過有一點已經很明確——在人形機器人與人類之間的差距，如今不再是數倍效率，而是每件包裹幾十分之一秒的差距。

200 小時的連續倉儲運行

這項實驗在 Figure AI 位於加州 Sunnyvale 的設施中進行。最初只計畫做短時間展示，但在系統穩定運行後，團隊決定讓它持續運作，最終變成一場長達約 200 小時的壓力測試。

公開報告的核心數據包括：

• 運行時間：約 200 小時連續自主作業
• 處理量：接近 250,000 件包裹
• 可靠性：零硬體故障

部分報導給出的精確數字為 249,558 件或 249,560 件，因此多數媒體以「接近 25 萬件」描述成果。

不過也有資料提到 149,000+ 件的處理量，顯示直播期間公開數據存在一些差異。

即便如此，這次展示仍證明機器人可以在沒有遠端操控的情況下連續運行超過一週的倉儲工作時間，對實際商業應用而言是一個重要里程碑。

機器人的工作速度

測試的核心指標是吞吐量（throughput），也就是每件包裹處理所需時間。

Figure AI 之前表示，其物流系統已接近「人類等級效率」，平均速度低於每件 3 秒。

在演示中，機器人需要完成一系列典型倉儲任務：

• 用視覺辨識包裹
• 調整方向讓條碼可掃描
• 掃描或確認標籤
• 放到正確的輸送帶路線

在數十萬件包裹的情境下仍維持約 3 秒一件的速度，顯示系統不只是短時間展示，而是接近實際生產節奏。

背後的 AI：Helix‑02

F.03 的能力主要來自 Figure 自家開發的 AI 系統 Helix‑02。

Helix‑02 被描述為一種 Vision‑Language‑Action（VLA）模型，也就是把三種能力整合在一起的神經網路：

• 視覺感知
• 語言與任務理解
• 身體動作控制

與傳統機器人由多個模組控制不同，Helix‑02 透過單一神經系統把相機輸入直接轉換為機器人的全身動作，實現所謂的 「pixels‑to‑actions」（從影像直接到動作）。

這讓機器人可以：

• 使用相機與感測器辨識物體
• 理解任務或指令
• 控制手臂、手指與身體完成操作

在物流環境中，它能處理不同包裝形式，例如箱子、信封或軟袋，並自動調整抓取與翻轉方式以掃描條碼。

10 小時「人類 vs 機器」對決

為了更直觀比較效率，Figure 還安排了一場 10 小時人機競賽。

參賽者是：

• 一台 F.03 人形機器人
• 公司實習生 Aime

兩者的任務完全相同：掃描包裹條碼並放到輸送帶。

最終結果非常接近：

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

人類只領先 192 件包裹，整體差距約 1.3%。

換句話說，在整整 10 小時的工作中，機器人的節奏幾乎與人類一致，只差了 0.04 秒/件。

為什麼這次測試重要

過去人形機器人的展示通常只有幾分鐘到幾小時，而不是連續幾天。

Figure 的實驗之所以引發關注，主要因為三個原因：

1. 長時間耐力
機器人能連續運行 200 小時，顯示硬體與控制系統已具備長時間工作的可靠性。

2. 接近人類效率
每件約 3 秒的處理速度，使機器人開始接近人類在重複性物流任務中的產能。

3. 完全自主運作
測試期間據稱沒有遠端操控，由 AI 系統直接負責感知與操作。

這些因素意味著人形機器人正從「技術展示」逐步走向實際倉儲應用的可能性。

仍需保持現實

即使成果亮眼，仍有一個重要限制：目前的證據大多來自 Figure 自家的測試與直播，而不是大規模獨立部署。

因此，這次實驗更像是技術進展的證明，而不是證明機器人已準備好全面取代倉儲人力。

不過有一點已經很明確——在人形機器人與人類之間的差距，如今不再是數倍效率，而是每件包裹幾十分之一秒的差距。