Figure 发布 Figure 02

背景

人形机器人是照着人的身体结构造出来的机器：两条手臂、两条腿、一个头和一双手。做成这个样子不是出于好看，而是出于实用。工厂、仓库和工具本来就是按人的身形布置的，机器如果长得像人，原则上就能直接进入这些空间干活，不必为了它把周围环境全部改造一遍。

至今仍然难以自动化的，多是要求手和眼配合的任务——从料箱里取出一个零件，对准槽口，用合适的力推到位。人形机器人开发者瞄准的正是这类工作，而工业客户是他们最先争取的市场。

发生了什么

北京时间 2024 年 8 月 6 日晚，Figure AI 发布 Figure 02 ^[1]。公司称它是「地球上最先进的 AI 硬件」，并把这次发布说成是向工业客户销售量产人形机器人又近了一步 ^[1]。

这一定位决定了应该怎样理解这次发布：它是一场产品发布，也是在客户工厂里开始训练工作的起点，而不是已经完成的商业部署。

关键细节

Figure 表示，这次对硬件和软件做了彻底重新设计，涉及 AI、计算机视觉、电池、传感器和执行器 ^[1]。执行器是真正驱动关节运动的电机和机构，这部分重新设计，直接关系到机器动得顺不顺、使不使得上力。

感知方面，机器人身上装了 6 个 RGB 摄像头，分布在头部、胸部和背部 ^[1]。RGB 摄像头按红、绿、蓝三个通道记录颜色，就是手机和网络摄像头里常见的那种图像传感器。把几个摄像头分散装在身体四周，可以获得互相重叠的视野，既能看到自己的手，也能看到身后的情况。

这些摄像头的数据交给一个机载视觉语言模型（vision-language model），用于常识性的视觉推理 ^[1]。视觉语言模型用图像与文本配对的数据训练，因此它不只是给画面贴上固定标签，还能描述场景、回答关于画面内容的问题。「机载」指的是计算在机器本身上完成。

手部是第四代设计，有 16 个自由度，可以抓取 25 公斤 ^[1]。自由度是一个机构能够独立运动的坐标轴数量，自由度的数目越多，能摆出的抓握姿势就越多，手可以随物体形状调整，而不是只用一种固定方式合拢。25 公斤这个数字说明的是手能握住多重的物体。

发布时，这些机器人正在宝马（BMW）位于斯帕坦堡（Spartanburg）的工厂里接受钣金件插装训练 ^[1]。所谓钣金件插装，是在装配过程中把成型好的金属件对准并装入槽位或夹具，机器需要先找到零件，再对准，然后用受控的力度把它推到位。

意义

Figure 02 体现了这一轮人形机器人的共同做法：新硬件与用于训练它的 AI 模型、工厂任务一起发布。多自由度的手、分布在周身的摄像头、能对所见之物进行推理的模型，都是为了让一台通用机器接手原本需要人来完成的工作。这些能力能否汇成工业客户愿意购买的产品，取决于它在车间里的实际表现——也正因为如此，在斯帕坦堡的训练并不是发布故事的点缀，而是其中的一部分 ^[1]。