美國人形機器人企業Figure在10月22日於官方YouTube頻道釋出了一段時長一小時的內部全員大會影片，創始人兼CEO Brett Adcock在影片中覆盤了公司的研發底座，並披露了第四代機器人Figure 04、全球資料採集專案Index、35億美元算力合作以及新一代Helix模型的內部測試進展。與常見的新品釋出會不同，這次大會沒有展示炫酷樣機，而是集中呈現了一條工程路線：當硬體迭代進入收斂期，Figure試圖通過規模化預訓練與超大算力讓機器人逐步變聰明。

硬體方面，Figure 04已完成設計鎖定，零部件進入交付與驗證週期。與已在寶馬產線執行物流分揀任務、實現長時間自主作業的Figure 03相比，Figure 04並非簡單最佳化續航與負載，而是圍繞Helix模型的操控需求重新標定執行單元，新一代驅動器、電池與靈巧手同步進入可靠性測試階段。Adcock稱這是歷代改進幅度最大的一次，並明確Figure 03的量產落地已完成硬體可行性驗證，Figure 04的目標是打造適配通用家庭與複雜工業混合場景的標準化硬體底座，支撐模型在更多陌生環境中穩定執行長序列任務。靈巧手是研發團隊投入精力最多的部分之一。

支撐模型迭代的根基是名為Index的全球資料採集專案。與多數同行依靠實驗室人工採集或遠端操作不同，Index通過面向全球使用者開放的採集App，招募普通人記錄居家、辦公、倉儲等場景下的日常操作行為。截至大會時，該專案已積累3750萬條人類操作影片，覆蓋上百個國家，資料採集速率提升至每秒約81分鐘影片，相當於每天新增約11.66萬小時的內容。海量長尾場景資料被認為是Helix模型零樣本泛化能力提升的關鍵——此前Helix 2.5依託Index預訓練，在從未見過的家庭環境中將任務完成率從9%提升至56%。不過Adcock也坦言這條路線成本高昂，單週資料相關投入就達到810萬美元，他判斷未來12個月公司在資料採集方面的投入可能超過大多數機器人企業迄今獲得的全部融資。

算力是機器人進一步迭代的基礎。Adcock的邏輯是，現實任務種類繁多，不可能為每項工作單獨採集資料並後訓練模型，因此必須先用大規模人類行為資料做預訓練，再用少量任務資料適配具體技能。為消化指數級增長的訓練資料，Figure與AI算力雲廠商Nscale敲定了初始規模35億美元的算力合作，計劃部署最多10萬顆基於輝達Vera Rubin平台的GPU，算力資源計劃在2027年下半年於德州巴斯特基地上線，後續合作規模還有望拓展至60億美元。

演講尾聲，Adcock透露團隊用迄今最大規模的預訓練資料和GPU資源訓練了一個新模型，幾周前在公司內部代號Black Box的實驗室完成測試。他沒有給出任何評測細節，只表示看到了此前從未見過的機器人表現，稱之為自己從事機器人研究以來最重要的時刻之一，並用Baby AGI形容早期感受。團隊正在訓練規模更大的版本，預計數週內有新進展，未來六個月還計劃開展更大規模訓練。

從行業視角看，Figure此次披露的資訊勾勒出一條清晰路徑：硬體迭代不再是主要變數，資料規模與算力儲備成為決定機器人智慧水平的核心工程能力。Index專案以眾包方式獲取長尾場景資料，在成本與覆蓋面上與傳統實驗室採集形成差異，但單週810萬美元的投入也意味著這是一場資本密集的競賽。35億美元算力訂單與後續可能擴至60億美元的規模，進一步凸顯訓練資源在機器人競爭中的權重。對關注人形機器人賽道的人而言，Figure的進展提供了一個觀察樣本：當硬體設計趨於標準化，模型預訓練與算力基礎設施的厚度，可能比單款機器人的引數更值得跟蹤。