「合成人類」新突破：Figure AI 機器人觸覺 + 短期記憶，處理小包裹 1 小時不間斷

「我的信念是，人形機器人不只將建立我們所見過規模最大的商業模式，而且會是史上規模最大的產品發表，」AI 機器人新創 Figure AI 執行長 Brett Adcock 在《Bloomberg》訪談中分享人形機器人技術、商業模式和市場觀察，並揭露自家技術最新進展，「你基本上是在打造『合成人類』，讓他們出去做像人類一樣的工作。」

目前 Figure AI 已將技術推進至初步商業化階段，旗下 Figure 2 機器人已投入實際作業場域，包含在 BMW 工廠協助移動鈑金，並於 UPS 物流場域進行初步部署。

當《Bloomberg》詢問目前有多少任務需要「遠端遙控」或「預先撰寫程式」，Adcock 回應，雖然目前在數據收集和測試時會使用遙控操作，但在實際自主活動中完全不使用。他強調，若希望機器人大規模部署、實現完全自主，從組織成立第一天就必須設定此目標。

單件小包裹處理時間縮短至 4.05 秒，關鍵技術是什麼？

技術層面，Figure AI 自主開發的機器人 AI 模型 Helix ，已優化在物流環境中的表現，並在社群平台 X 釋出影片展現成果。據其說法，Helix 已能連續執行 60 分鐘無中斷的小包裹處理任務，單件處理時間從 5 秒降至約 4.05 秒，掃描條碼成功率提升至 95%。

Figure AI 解釋，小包裹物流這類任務挑戰在於，每件包裹形狀、材質、條碼位置皆不一致，且作業需兼顧速度與準確性。Helix 透過新整合的「觸覺回饋」與「視覺短期記憶」模組，提升操作靈活性。除了模型架構改進，Figure AI 也將訓練資料從 10 小時擴展至 60 小時。

視覺短期記憶允許 Helix 保留影像序列，讓機器人能記得先前觀察到的畫面，並針對條碼定位與包裹翻轉採取動作。觸覺回饋（即力回饋），則使機器人能感知包裹與表面接觸時的壓力變化，進一步優化抓取與操作細節。例如，Helix 能在處理軟質塑膠包裝時「輕拍」表面，讓條碼區域更加平整以利辨識。這類行為並非透過程式明確指令，而是從示範數據中自主學習而成。

Figure AI 指出，這類複雜場景是傳統以程式碼規則驅動的機器人難以應付的，而透過深度學習模型與自主學習，Helix 能適應不同包裹尺寸、形態、材質，展現更接近人類操作員的靈活行為。

像「消費電子產品」般製造機器人，目標年產 1.2 萬台

值得關注的是，Brett Adcock 強調 Figure AI 的製造策略更接近「消費電子產品」，而不是汽車生產。他透露，目前已打造好名為「bot Q」的製造流程和基礎設施，並正在開發第三代人形機器人 Figure 3。Adcock 預計，每條生產線將具備年產 12,000 台機器人的能力，並稱「 4 年內出貨 100,000 台機器人」的目標有望實現。

Adcock 表示，Figure 3 成本比 Figure 2 便宜了 90-93%，而當更多人形機器人投入市場並執行有價值的任務、人們也願意為此付費，將推動規模經濟，持續降低成本；此外，這些機器人每天都在學習、優化，並且能將成果回饋給整個機器人社群。

自主開發 AI 模型，瞄準「贏家通吃」市場

Figure AI 曾和 OpenAI 合作打造機器人的 AI 模型，但後來選擇全面自主研發。Adcock表示，原因有很多，第一是他們自己做得更好，第二，OpenAI 對他們幫助有限。目前，Figure AI 自建 AI 模型 Backbone 和 Helix，皆採開源，表示這能賦予機器人擁有語義智慧能力。

Adcock 還認為，人形機器人產業未來可能呈現「贏家通吃」的格局，擁有最佳性能、成本優勢且能大規模將機器人推向市場的企業將佔據主導地位。

這或許也能解釋，Brett 強調 Figure AI 不是販售硬體或模型供應商，而是提供垂直整合的全棧式解決方案，致力於打造能自主執行工作的人形機器人──最終目標是讓使用者可以直接透過語音指令與機器人互動完成工作。這意味著，Figure AI 需要自己設計並製造所有的硬體、電子元件、軟體、模型訓練，並負責整合和服務。

＊本文開放合作夥伴轉載，資料來源：《Bloomberg》、Figure AI 1、FigureAI 2，首圖來源：FigureAI。

加入『 TechOrange 官方 LINE 好友』 掌握最新科技資訊！