Figure AI创始人：人形机器人是AGI终极载体，个位数年进入家庭

7月6日，Figure AI创始人Brett Adcock在播客中首次系统性阐释人形机器人技术革命路径——“硬件可靠性突破+神经网络实战化”正推动行业跨越临界点。

当一台人形机器人仅需60小时训练即可胜任物流分拣，成本较前代骤降90%，而全球48%的年度增速，正在让这一全新赛道进入爆发倒计时。

Brett Adcock表示，"我们的下一个重大推动是在未来四年内推出10万个机器人。这是我们正在努力做的。"

而去年8月在接受《纽约时报》畅销书作者Peter H.Diamandis访谈时，他认为3年内机器人将走进家庭。到2040年，将有30亿-50亿人形机器人投入到劳动力市场。

谈及中美在这一赛道的竞争，他表示，最终还要看谁能更快地实现技术突破和商业化落地。

Figure AI创始人Brett Adcock

为何必须是人形？

经济模型倒逼形态革命

AGI需要能在人类环境自由行动的物理化身。Adcock2022年创立Figure AI首日，即锚定人形路线。

Adcock认为，虽然有其他选择，比如给机器人装上轮子和其他类型的末端执行器，如爪子等，"但这基本上是一个局部最优解——它会成为一个重大问题，如果你从第一天开始就没有设计正确的系统，试图到达你真正需要去的地方，这基本上会成为企业的巨大拐杖。"

国内各种论坛也反复提及机器人是否人形的问题。对于这个问题，Adcock的理解简单通透：首先，人类社会的基础设施都是为双足直立行走设计的，人形机器人确实是与现有环境兼容性最好的方案。

其次，虽然专用机器人在特定场景下效率更高，但通用性是无法比拟的。

随着AI能力的提升，通用性的价值越来越突出。一台Figure机器人可替换仓库分拣、设备巡检、病房护理等多岗位，带来成本边际递减。

对比专用机器人需按场景采购，人形机器的单任务成本随应用扩展指数级下降。

所以，他认为，人形机器人将成为AGI的终极部署载体。

他说，"我们很快就会有超级智能AI了，但它们现在只能生活在服务器里。问题是，这些超级智能需要在现实世界做很多事情——搬东西、修理设备、做家务。如果我们不给它们造个'身体'，它们就只能指挥人类去做这些体力活。"

Figure AI的愿景就是，创造能够执行类人任务的通用人形机器人。如今，Figure AI已获得超7.5亿美元融资，背后站着包括英伟达、微软、英特尔资本、OpenAI以及亚马逊创始人杰夫·贝索斯等的投资人。

硬件与AI的双重质变

技术拐点正在浮现

如果说特斯拉的擎天柱更多表现了运动能力，X1喜欢表现家庭人机互动，Figure AI则经常展示机器人的认知能力。

Adcock认为，当前的机器人技术发展有两个关键突破，这些突破是五到十年前无法想象的。首先便是人类已经能够构建出真正有能力且可靠的硬件。

换句话说，硬件可靠性已经突破死亡线。

Adcock表示，"十年前世界上最好的机器人可能是波士顿动力的Atlas，那是一个液压系统，只能运行大约20分钟，到处漏油，每个液压阀门的压力大约是2000到3000磅每平方英寸，在人类旁边工作极其危险。"

Adcock表示，"即使你拥有世界上最好的AI，如果硬件平庸，你也无法完成任务。必须是真正有能力的硬件。"

他将当前的机电系统比作火箭和涡轮风扇等复杂机械系统，强调机器人硬件的复杂性极高，但他们已经能够构建出极其可靠的系统。

现在，"我们有了电动系统，我会说它们是安全的、可靠的，正朝着这个趋势发展。"

Adcock进一步表示，即使你在他们的工厂里待上一整天，也很难看到任何硬件故障。

第二个关键突破是神经网络在机器人领域的成功应用。"机器人实际上是一个神经网络问题，直到最近几年，我们才真正看到神经网络在机器人上表现良好。"

他举例说明了这一突破的实际应用："你可以看到我们大约一周前发布的更新，一个机器人连续60分钟进行物流工作，那是一个单一的S1 Helix神经网络在机器人上运行，看起来就像人类会做的事情一样，几乎在某种程度上模仿了人类的特征，我们正在接近人类的速度和性能。"

这两个突破的结合——可靠的硬件和有效的神经网络——为机器人技术的指数级增长奠定了基础。

落地路径：从工厂到家庭的“降维”

人形机器人进入家庭，还有个位数年

家庭环境变异性比工厂高1000倍，但劳动力市场占全球GDP 50%。

Adcock的务实策略直指商业痛点。Figure AI有双重战略聚焦：专注于投放家庭和专注于劳动力市场。

前者是一个非常非结构化、高变异性的环境，后者是让机器人去做物流、制造、医疗保健、建筑工作。

Adcock认为，家庭比劳动力市场难得多。劳动力市场，变异性要低得多，而工程挑战与变异性成正比。较低的变异性会更容易集成自主系统。

虽然在劳动力市场中，你可能收取比家庭高一个数量级的费用，但Adcock表示，家庭是一个比劳动力市场大1000倍的市场。

而他们采用的方法是：尝试构建一个通用机器人，只要机器人具有运动范围、有效载荷和速度，理论上能够在签约客户的设施内做人类能做的大多数事情。

在签约物流公司案例中，机器人直接切入人力短缺最严重的夜间分拣环节，单机效能已达人类员工80%，且24小时无休。

而Figure AI最新发布的60分钟连续作业视频中，单一神经网络S1 Helix驱动机器人以3.5秒/个的速度处理包裹，甚至自主执行“移动包裹→推动相邻物→扫描条码→翻转定位”的类人决策链。

更震撼的是：60小时新增训练数据，就让机器人从零掌握完整物流技能，验证了“物理场景数据驱动”和神经网络撕碎编程桎梏的可行性。

这种学习能力的潜力让Adcock对机器人的未来充满信心。