Figure机器人预告“台阶式跃升”：通用机器人到底卡在哪，明天可能给答案

8月25日，Figure机器人联合创始人Brett Adcock在社交媒体上发了一条意味深长的动态：公司正在经历“能力的又一次台阶式跃升”，明天（8月26日）将分享一项对解决通用机器人问题至关重要的更新。

Brett Adcock这个人不是第一次语出惊人。他之前还创办了Verge（电动飞机公司）和Arch（电动摩托），都是硬核赛道的连续创业者。他说“台阶式跃升”，大概率不是指跑快了0.5秒或者多了个手指关节这种渐进式优化。

通用机器人到底卡在什么地方

过去两年，人形机器人赛道最大的矛盾是：硬件进步飞快，但“通用性”始终差一口气。什么意思？就是你看到的每一个Demo都很酷，但放到真实场景里就露怯。

波士顿动力的Atlas能后空翻，但你让它去仓库搬个箱子试试；特斯拉的Optimus能叠衣服，但换个房间它就不认识了。问题出在哪？不是硬件不行，而是“大脑”不够通用。

现在的机器人大多还是“任务专用”模式：训练一个抓杯子的策略，它就只会抓杯子；换个物体、换个光照、换个角度，可能又要重新来。这和十年前AlphaGo的问题很像——下围棋天下无敌，但你让它下象棋它就是个废物。

Figure走的是什么路线

Figure从一成立就走了和其他机器人公司不同的路。他们没有先做Demo再补AI，而是从第一天就在死磕“端到端”的神经网络控制。

2024年，Figure和OpenAI合作，把大语言模型接入机器人的决策系统。Figure 02能一边对话一边干活，你说“把那个红色的东西递给我”，它真的能理解“红色”和“那个东西”是什么意思。

但说实话，之前的版本还是“演示级”的。动作慢、成功率不够高、场景一变就容易出错。这也是整个行业的瓶颈：把大模型的“理解力”真正转化成机器人的“执行力”，中间差了一个巨大的工程鸿沟。

Brett Adcock说的“台阶式跃升”，如果真能解决这个问题，那就是从“能演示”到“能干活”的质变。

明天可能发布什么

根据行业趋势和Figure之前的技术路径，有几个合理猜测：

第一种可能：端到端控制模型的重大突破。比如一个新的神经网络架构，让机器人能在更多样化的场景中自主完成任务，而不需要为每个任务单独训练策略。这是“通用性”的核心。

第二种可能：新的“世界模型”能力。就是机器人能在脑子里“想象”一个动作的后果，而不是靠试错。这会让机器人的学习效率高出一个量级。

第三种可能：实际场景的部署案例。不再是实验室Demo，而是在真实工厂、仓库、家庭环境中的工作视频。这对行业的说服力完全不同。

当然，也不排除是硬件层面的突破，比如新的灵巧手或者新的关节驱动方案。但从“通用机器人问题”这个措辞来看，大概率是软件/算法层面的。

为什么这件事值得关注

刚结束的世界人形机器人运动会上，400米冠军成绩从去年的1分28秒缩短到38秒，百米最快从21秒缩短到9秒多。硬件层面的进化速度已经非常惊人了。

但真正决定机器人能不能走进千家万户的，不是它跑多快、跳多高，而是它能不能“通用”——能不能在不确定的环境里，处理没见过的任务。这才是从“表演”到“实用”的关键一步。

如果Figure明天真的给出了一个令人信服的答案，那个人形机器人赛道的估值逻辑可能要重写了。