Loading...
Loading...
Figure AI CEO Brett Adcock（布雷特·阿德科克）：人形机器人将催生史上最大规模产品发布撰文：Techub News 整理
导语
在 2025 年于旧金山举行的 Bloomberg Tech Summit 上，人形机器人公司 Figure AI 的创始人兼 CEO Brett Adcock（布雷特·阿德科克）接受了深度访谈。三年前几乎同一周，Adcock 在特拉华州正式注册成立了 Figure，目标直指通用人形机器人领域。自成立以来，Figure 以惊人的速度推进，而 Adcock 本人也因对2025 年 6 月机器人可实现目标的大胆预测而备受关注，同时也伴随着不小的质疑。此次对话正值 Figure 发布其第二代机器人 Figure 02 展示全新物流用例视频之际，Adcock 详细阐述了公司的技术路径、商业化进展、制造野心以及对整个行业格局的思考。
摘要
人形机器人将催生史上最大规模的产品发布和商业帝国，其市场潜力远超现有任何行业。
Figure 采取软硬件全栈自研的垂直整合策略，旨在直接“出售劳动”，而非单纯销售硬件或模型。
公司已与宝马（BMW）在车身车间展开实际部署，并与一家物流巨头（据报道为 UPS）合作，让机器人每日执行真实商业任务。
制造被重新定义为消费电子模式而非汽车制造，公司设定了四年内出货10万台机器人的激进目标，并已建立相应产线。
AI 能力核心在于单一神经网络处理视觉输入并输出动作，其泛化能力可使机器人处理从未训练过的物体（如草莓）。
商业化蓝图：从工厂车间到家庭客厅
Brett Adcock（布雷特·阿德科克）开宗明义地表达了他的核心信念：人形机器人不仅将建造一个规模空前庞大的商业帝国，其倍数将远超现有任何行业，而且这将成为史上最大规模的产品发布。他将此形容为“合成人类”出去从事类人工作，并称这是创始人所能面对的最终极、最具挑战性，但也可能是一生中最重要的创业问题。
Figure 的市场进入策略清晰分为两大领域：一是将机器人部署到商业劳动力市场，二是进入消费者家庭场景。Adcock 指出，全球劳动力人口正在下降，而商业劳动力市场占据了约一半的 GDP，潜力巨大。在家庭场景中，机器人需要完成诸如洗衣、收拾碗碟、整理儿童玩具等日常任务。为此，Figure 在设计硬件时，就以能让机器人完成普通人所能做的大部分事情为目标，在运动范围、力量（有效载荷）和速度等方面向人类看齐。
目前，Figure 的机器人已经每日在商业环境中工作。Adcock 强调，公司的目标是在市场上完全摒弃远程操控或遥操作。当前，遥操作仅用于数据收集和测试，真正的自主活动中并不需要人为干预。他认为，要实现规模化部署，就必须设定“无人在环”的终极目标，否则很容易陷入局部最优的陷阱。
制造野心与客户实践： scaling the future
当被问及与特斯拉 Optimus 的类比及制造规模时，Adcock 透露了 Figure 的制造设施细节。公司内部称其为“Bot-Q”，目前每条产线具备年产 12，000 台机器人的安装产能。他重申了在四年内出货 10 万台机器人的目标，并承认需要大幅提升产能。
Adcock 分享了一个关键认知转变：制造人形机器人更像是消费电子产品制造，而非汽车制造。机器人虽然结构复杂，但制造流程的难度比汽车低几个数量级。过去一年，Figure 深入理解了制造环节，建立了从零开始的制造流程、自研的制造执行系统（MES），并在产线上实现了广泛的自动化，这让他对实现大规模交付的信心大增。
在客户实践方面，Adcock 证实了与宝马的合作。目前，Figure 的机器人已在宝马的车间从事移动钣金件的工作，目标是将零件放置到夹具上，以便后续焊接成汽车底盘。他强调，这种合作关系带来的最大价值是让公司学会了如何在客户现场每日稳定运行机器人，处理网络、安全、与制造执行系统（MES）集成等问题，并致力于将每日所需的人工干预降至零。
此外，Adcock 也确认了在物流领域有第二位客户（彭博社报道为 UPS），并正在启动初步部署。他特别提到了当日发布的新视频：机器人能够自主分拣纸箱包装和塑料膜包装的包裹，并抚平塑料膜以露出条形码。Adcock 指出，物流场景的挑战在于每个包裹的每次出现对机器人而言都是全新的，无法用传统代码解决，必须依靠 AI 的泛化能力。机器人需要以人类的速度（每件 3-4 秒）处理不同尺寸的包裹，并完成定位条形码、抚平等动作。
全栈自研的 AI 哲学与竞争优势
Adcock 明确了 Figure 的“首要指令”：出售劳动。公司旨在让机器人出去完成制造、建筑、家务等各种工作，并按产出收费。因此，所有设计决策都围绕如何高效实现这一目标展开。Figure 不打算只卖硬件或模型，而是提供垂直整合的全栈解决方案，让用户仅通过语音就能指挥机器人智能地完成工作。
为了实现这一目标，Adcock 认为别无他法，必须自研一切：硬件、电子设备、软件、模型训练、制造、集成和服务。当被问及是否曾考虑基于 OpenAI 等公司的模型开发时，他给出了否定的答案。原因有二：一是 Figure 自己做得更好；二是与外部巨头合作反而会在招募顶尖团队时带来“别人已搞定 AI”的误解。事实上，Figure 自行完成了大部分 AI 工作。
在技术栈上，Figure 使用了开源的视觉语言模型（VLM）作为骨干网络，为机器人提供语义理解基础（例如，知道“草莓”是什么以及该如何处理）。在此之上，所有数据收集、模型开发、训练和推理测试均由 Figure 自主完成。Adcock 自信地表示，Figure 在人形机器人的 AI 工作上做得比地球上任何其他人都好。
关于数据与学习，Adcock 指出，公司目前面临的是数据和机器人数量问题，而非 GPU 算力问题。他描绘了一个强大的增长飞轮：部署更多能完成有用工作的机器人 → 通过制造经验曲线降低单位成本 → 机器人在市场中每日学习并改进 → 学习成果通过神经网络共享给整个机队。这可能导致赢家通吃或赢家多数的市场格局，即拥有最智能、学习最快且成本最低的机器人的公司将获得显著优势。
资本、竞争与未来展望
针对公司传闻以约 400 亿美元估值融资的消息，以及从上一轮 26 亿美元估值跃升的压力，Adcock 并未直接确认，但强调 Figure 资产负债表上的现金可能比整个人形机器人领域历史上筹集的总资金还要多。他表示，公司资金充足，足以支持训练、制造数万乃至更多机器人，并招募和激励全球最优秀的团队。当前重点在于保持团队精干、行动迅速，并持续交付每日可用的产品。
谈及与特斯拉 Optimus 的竞争，Adcock 表示公司不花太多时间关注竞争对手，但他认为，Figure 或许已经在全球范围内展示了人形机器人在 AI 和实际应用方面最好的真实进展。公司有动力继续保持市场领先地位。
最后，Adcock 展望了下一阶段：硬件已经可靠工作；AI 能够执行类人任务，并向人类学习，随时间不断改进；成本已大幅下降（他透露 Figure 03 的成本比 Figure 02 降低了约 90-93%）。这一切都无需硬件变更，只需通过软件和数据迭代即可实现，这令整个团队对未来的篇章感到兴奋。
Figure CEO Brett Adcock（布雷特·阿德科克）：人形机器人将比汽车更普及，家庭应用Alpha测试今年开始撰文：Techub News 整理
导语
在由未来学家 Peter Diamandis（彼得·迪亚曼迪斯）主持的《Moonshots》播客第156集中，人形机器人公司 Figure 的创始人兼 CEO Brett Adcock（布雷特·阿德科克）接受了深度访谈。此次对话发生在 2025 年的 Abundance 360 峰会，正值 Figure 发布其突破性的 AI 系统“Helix”并展示机器人协同完成家庭任务之后，时机关键。Brett Adcock（布雷特·阿德科克）曾成功创办并领导电动垂直起降飞行器公司 Archer，此次他分享了为何选择投身于“可能是最难进入的行业”——通用人形机器人，以及 Figure 如何以惊人的迭代速度，在硬件和AI软件上同时取得突破，旨在将人形机器人带入千家万户和全球劳动力市场。
摘要
人形机器人是AGI的终极载体：Brett Adcock（布雷特·阿德科克）认为，若AGI仅存在于服务器中是“近乎反乌托邦”的未来，人形机器人是为AGI提供物理身体、使其在现实世界行动的最佳部署载体。
“Helix”AI模型带来历史性突破：Figure自研的视觉-语言-动作大模型“Helix”，仅需单一英语指令，即可让机器人完成从未在训练中见过的任务，实现了关键的“语义接地”与泛化能力。
硬件迭代速度远超行业认知：Figure每12-18个月就完成一次全新硬件平台的设计，从公司注册到第一台机器人行走用时不到12个月，展现了惊人的工程执行力。
市场需求“无限”，家庭应用时间表提前：来自宝马等大型企业的需求远超当前供给，公司预测人形机器人单机月成本可降至300美元。因AI进展超预期，家庭场景的Alpha测试将于今年启动。
从飞行汽车到人形机器人：为何选择“最难的路”
在成功创办并运营电动航空企业 Archer 之后，Brett Adcock（布雷特·阿德科克）为何会选择挑战一个被普遍认为更艰难的领域——通用人形机器人？他的回答直指人工智能发展的核心矛盾。
“我们需要找到一种方法，给AGI（通用人工智能）一个身体。” Brett Adcock（布雷特·阿德科克）表示，如果人类解决了AGI问题，但它却只能存在于某个服务器中，那将是一个“非常负面、近乎反乌托邦的未来”。这个比全人类都更智能的存在，若想在物理世界做任何事情，都不得不请求或“贿赂”人类去执行。因此，人形机器人被视为AGI的“终极部署载体”。
他进一步解释，解决物理世界交互问题，非人形机械体莫属。你需要一个单一的硬件平台，在不做任何硬件改动的情况下，能够完成人类所能做的一切。同时，这个平台还必须非常适合神经网络运行。在人形机器人上，神经网络可以通过迁移学习进行学习，并能跨多种不同应用进行多任务处理。Figure的目标是构建一个单一的、如同大语言模型般的“基础模型”，来驱动整个机器人端到端地完成所有任务。
“iPhone时刻”与惊人的迭代速度
从零开始，Figure 仅用 31 个月就造出了第一台可运行的机器人并开始交付。Brett Adcock（布雷特·阿德科克）将这种速度归因于对硬件迭代规律的深刻理解和对极限执行的追求。
“我的经验法则是，第一代或第二代硬件总是很糟糕，”他坦言，就像第一代iPhone并不完美。在硬件领域，你不可能第一次就做对。你必须预见五年后的未来，确切知道产品需要做什么，然后从第一天起就为那个确切的目标进行全新设计。一旦在设计中出错，你无法在漫长的供应链和制造周期中回头修改。因此，Figure 坚持每 12 到 18 个月就设计一个全新的硬件平台。事实上，在公司注册成立（C Corp）之时，他们就已经让机器人实现了行走，整个过程不到12个月。
这种速度的背后是彻底的垂直整合。由于人形机器人没有现成的供应链——没有成熟的电机供应商、执行器供应商、传感器或电池系统供应商——Figure 不得不从零开始，自主设计一切：包括硬件（运动学设计、关节、电机、电池系统、传感器）、软件（固件、嵌入式系统、操作系统、中间件、控制）以及所有AI工作。此外，测试、制造、集成、车队运营和交付也全部由自己完成。
目前，Figure 已拥有两个商业客户。第一个是宝马（BMW），在其位于美国南卡罗来纳州斯帕坦堡的最大工厂中，Figure 的机器人已经每天运行，负责将钣金件放置到夹具上，这项工作完全自主，以所需的速度运行，无需人工干预。第二个客户是全球最大的物流公司之一，Figure 的团队仅用不到30天就利用其AI系统完成了端到端的任务部署。
成本、市场与“比汽车更普及”的未来
当被问及未来大规模生产时的价格目标，Brett Adcock（布雷特·阿德科克）重申了 2 万至 3 万美元的区间。他做了一个生动的计算：如果以每月300美元的价格租赁一台价值3万美元的机器人，相当于每天10美元，每小时仅40美分。
“问题是，在每月300美元、7x24小时无休、无怨言、不会和男女朋友吵架的情况下，你会拥有多少台这样的人形机器人？”他反问道，“这个数字很可能是一个人拥有多台。”他预测，人形机器人将迎来“iPhone时刻”，并且将成为我们一生中建造的最大产业，其规模将远超其他行业。
他指出了两个并行市场：商业劳动力市场和家庭市场。商业劳动力市场约占全球GDP的一半，是人类劳动的最大市场，规模高达50-60万亿美元，需求“无限”。目前仅两个客户的需求就已能吞下十万台量级的机器人，而潜在客户名单长达数十家财富100强公司。另一方面，家庭市场虽然更具挑战性（如同自动驾驶中的城市道路），但却是创新的终极场景。Brett Adcock（布雷特·阿德科克）以自己为例，表达了让机器人处理洗碗、收拾玩具等家务的强烈愿望：“我永远不想再做那些事了。”
自研AI“Helix”：历史性的机器人智能突破
访谈中最引人注目的部分，是关于 Figure 决定放弃与 OpenAI 的合作基线，转而自主研发 AI 系统“Helix”的关键时刻。Brett Adcock（布雷特·阿德科克）播放了一段视频，展示了这一决定的成果。
视频中，两个 Figure 机器人仅接受了一条简单的语音指令：“把 groceries（食品杂物）收好”，没有被告知物品是什么或该放在哪里。关键在于，这些物品（包括一个会唱歌的卡通仙人掌玩具）在机器人的训练数据中被特意 withheld（保留），这意味着机器人是第一次“看见”它们。机器人需要理解“沙漠物品”与“仙人掌”之间的语义关联，并成功将其拾起。整个过程由单一的神经网络（Helix）控制，机器人之间甚至出现了“眼神交流”以协调物品传递——这是一种从训练中“涌现”出的行为。
“我认为这可能是机器人学历史上最重要的AI更新，” Brett Adcock（布雷特·阿德科克）大胆断言，“未来所有会动的东西都将是机器人，并将由像这样的AI智能体驱动。” Helix 是一个大规模视觉-语言-动作模型，它解决了机器人领域的“圣杯”问题：通过语音，让机器人理解从未见过的事物并执行端到端的任务，即实现了“语义接地”。这项训练仅用了约500小时的数据，显示出极高的数据效率。
这一突破直接改变了公司的时间表。Brett Adcock（布雷特·阿德科克）透露，原本需要一年完成的宝马用例部署，在应用 Helix 后，第二个客户的类似用例在30天内就完成了。他认为，如果重做，这个过程甚至可以缩短到48小时以内。“机器人学会做某件事的时间将是以小时计，而不是十年后。这让我们家庭应用的时间线提前了数年。”
Figure 03与即将到来的家庭Alpha测试
关于下一代机器人 Figure 03，Brett Adcock（布雷特·阿德科克）难掩兴奋。他形容从 Figure 01 到 02 是一次巨大的飞跃，而从 02 到 03 将是同等甚至更大程度的跨越。Figure 03 经过了18个月的重新设计，目标是成本降低90%，体积更小，质量更轻，传感器更好，其手、头和脚都是为神经网络专门设计的。
“这绝对是我职业生涯中最自豪的工程时刻。”他说道。Figure 03 将于今年投入生产制造，并成为公司推向世界的主力机型。
最重要的是，他给出了一个明确的时间预测：Figure 将于今年启动家庭场景的Alpha测试。这意味着机器人将开始在内部员工（包括他本人）的家庭中进行实际任务测试。他认为，阻碍家庭应用的最长技术瓶颈——“语义智能”（理解任何环境中发生的事情）——已经通过 Helix 看到了明确的解决路径。现在的主要限制是数据量，公司正处于“数据瓶颈”阶段，只需将训练 Helix 的数据集扩大几个数量级，能力就能再次飞跃。
“我认为在本世纪内，你们就会看到它（人形机器人）进入家庭，” Brett Adcock（布雷特·阿德科克）总结道，“仅通过语音，它就能完成非常长周期的任务，没有任何问题。”他坚信，一个由智能人形机器人广泛融入物理世界的未来，已经近在眼前。
Figure CEO Brett Adcock（布雷特·阿德科克）：人形机器人已能胜任枯燥物流工作撰文：Techub News 整理
导语
2025 年 6 月，人形机器人公司 Figure 的创始人兼 CEO Brett Adcock（布雷特·阿德科克）做客科技播客《Brighter with Herbert》，进行了一场长达一小时的深度对话。这场对话的核心，是首次向公众完整展示了一段长达60分钟、未经任何剪辑的 Figure 02 人形机器人工作视频。视频中，机器人持续不断地进行着小件包裹的物流分拣作业，其流畅度和稳定性引发了行业广泛关注。Brett Adcock（布雷特·阿德科克）不仅解读了视频背后的技术突破，更深入探讨了人形机器人商业化面临的真实挑战、公司战略以及对未来应用的展望。在当前人形机器人领域演示视频多以短片段为主的背景下，此次长时间、无剪辑的实景演示具有重要的里程碑意义。
摘要
Figure 02 机器人通过单一神经网络 Helix S1 驱动，仅用约60小时训练数据，即可在复杂的小件包裹分拣任务中达到高成功率。
成功的关键在于对 Helix 模型的根本性改进，包括引入立体视觉、力反馈感知和时间记忆（时空记忆）能力。
公司的目标是让人形机器人执行“枯燥、肮脏、危险”的重复性劳动，其核心优势在于通用性，能适应为人类设计的世界，并通过数据飞轮持续进化。
下一代机器人 Figure 03 已在内部进入测试阶段，在速度、视觉和手部灵巧度上均有显著提升，且公司宣称目前不存在供应链瓶颈。
Brett Adcock（布雷特·阿德科克）认为，硬件与 AI 的协同设计、规模化数据收集与制造能力，是赢得人形机器人竞赛的关键。
从“炫技”到“实干”：一小时的无声宣言
与许多机器人公司发布的精心剪辑、展示跑酷或舞蹈的短视频不同，Figure 此次选择展示一段长达60分钟、单一视角、未经剪辑的原始视频。视频内容甚至有些“枯燥”：Figure 02 机器人站在传送带旁，不断从杂乱的包裹堆中识别、抓取小件包裹（包括塑料袋和纸箱），将其平整、翻转以使条形码朝下对准扫描器，然后放置到指定位置。整个过程循环往复。
正是这种“枯燥”，成为了最有力的技术宣言。Brett Adcock（布雷特·阿德科克）指出，小件包裹物流分拣一直是通用机器人领域的“阿喀琉斯之踵”。塑料袋会在抓取时变形，包裹状态永不重复，无法通过传统编程和启发式算法解决。这是一个“完美适配神经网络”的问题。视频证明了 Figure 02 能以接近人类的速度（当时约4-5秒/件，最新数据已达3.54秒/件）和超过95%的成功率，稳定、持续地完成这项复杂任务。
Brett Adcock（布雷特·阿德科克）强调，Figure 的使命是“出售人类的工作”，即让机器人替代人类从事物流、制造、建筑等领域的实际劳动，并最终进入家庭。因此，他们优先考虑的是输出、可靠性和投资回报率，而非表演性的功能。这段一小时视频所体现的鲁棒性和持久性，正是评估机器人能否投入实用场景的关键指标。
Helix 大脑的进化：视觉、触觉与记忆
实现这一性能突破的核心，是 Figure 自主研发的 AI 系统 Helix。Brett Adcock（布雷特·阿德科克）详细解释了为此次任务对 Helix S1 模型所做的几项根本性改进：
1. 立体视觉与感知记忆：模型采用立体相机对输入图像，并引入了“时间记忆”能力。机器人可以记住过去几秒内摄像头帧的信息。这对于动态变化的环境至关重要。例如，机器人转头执行动作时，可能暂时看不到左侧的包裹，但凭借记忆，它知道那里仍有包裹需要抓取。Brett Adcock（布雷特·阿德科克）甚至观察到机器人出现“将手臂伸到身后抓取已移出视野的包裹”这类类人行为。
2. 力反馈集成：将力传感数据整合到模型的状态输入中，使机器人能感知抓取力度，更灵巧地处理易变形的塑料袋等物体。
3. 模型规模扩大：Helix S1 本身也是一个参数量更大的模型，规模的扩大直接带来了性能提升。
这些架构改进，结合约60小时的针对性训练数据，共同促成了机器人速度和成功率的显著提升。Brett Adcock（布雷特·阿德科克）特别指出，这些神经网络层面的改进是通用的，会惠及公司所有机器人和应用场景，形成强大的技术协同效应。
超越人类：速度、成功率与通用性之争
对话中，主持人及嘉宾深入探讨了人形机器人相较于传统自动化方案（如专用机械臂）的优劣势。Brett Adcock（布雷特·阿德科克）和嘉宾们提出了几个核心论点：
市场现实：当前全球有数百万工人在从事类似的重复性分拣工作，而非全自动化的机械臂。许多中小型企业没有足够的资本投入高度定制化、专用的自动化产线。人形机器人提供了一种通用的、可重新部署的解决方案。
通用性优势：专用机械臂只能完成单一任务。而人形机器人的形态天然适配为人类设计的世界（工具、楼梯、门廊等）。通过一个通用的“身体”（人形平台）和“大脑”（如 Helix），理论上它可以学习执行无数种任务。在物流场景中学到的抓取、识别等能力，可以迁移到制造、家居服务等其他场景，实现“转移学习”。Brett Adcock（布雷特·阿德科克）认为，人形机器人是“通用人工智能的终极部署载体”。
关键绩效指标：除了单次任务的速度和成功率，真正的商业化还需考核其他 KPI：正常运行时间/故障率：机器人能否连续工作8小时、数天甚至数月而无需人工干预或维修？耐用性：机器人的使用寿命和维护成本。人力替代比：一个机器人能替代多少个人类员工？考虑到人类员工需要休息、有高离职率（Brett Adcock（布雷特·阿德科克）称此类岗位年离职率可达100%），机器人即使速度暂时持平，但其7x24小时持续工作的潜力能带来巨大的整体效率提升。
Brett Adcock（布雷特·阿德科克）透露，在演示中，机器人已达到3.54秒处理一个包裹的速度，进入了“优秀人类员工”的平均水平。而由于 Figure 02 的执行器设计峰值速度远高于当前使用速度，他认为通过软件优化，未来几个月内有望将速度提升至3秒以下，年底可能突破2秒，从而大幅超越人类速度极限。
Figure 03 与规模化之路：硬件、数据与制造
尽管 Figure 02 已表现出色，但 Figure 的开发步伐并未停歇。Brett Adcock（布雷特·阿德科克）兴奋地透露，下一代机器人 Figure 03 已在公司内部投入测试，并且进展远超预期。
硬件升级：Figure 03 在多个方面进行了优化：手指开合速度比 Figure 02 快一倍，以应对高频抓取需求；采用了定制设计的摄像头，显著提升了视觉感知能力；手部也进行了重要改进。总体目标是让机器人的运动范围、速度和负载（扭矩）更接近普通人类，以覆盖更广泛的体力劳动场景。
快速迭代：得益于团队经验的积累和软件栈（如 Helix）的复用，Figure 03 从组装到实现双足行走仅用了不到一周时间，而 Figure 02 曾耗时三个月。目前，Figure 03 已能完成一些基本的全自主任务流程。
规模化挑战：Brett Adcock（布雷特·阿德科克）认为，当前的主要瓶颈在于AI 学习和规模化制造。AI 方面，核心是如何高效、大规模地收集训练数据。人形机器人的优势在于其形态与人类一致，可以非常高效地从人类演示中学习。制造方面，Figure 已建立了自己的生产设施“Bot Q”，并开始生产 Figure 03。Brett Adcock（布雷特·阿德科克）自信地表示，公司在 Figure 03 上“目前零供应链问题”，设计之初就考虑了高速率生产，例如其注塑成型的头部部件产线每周产能可达5万个。
他描绘了一个强大的飞轮效应：将更多机器人部署到真实场景中工作，它们会收集海量数据（包括成功和失败案例），这些数据反馈给 Helix 进行再训练，使所有机器人变得更智能。更智能的机器人能完成更多工作，创造更大需求，进而推动更大规模的制造和更低的成本。“最聪明的机器人也将是最便宜的机器人”，Brett Adcock（布雷特·阿德科克）总结道，而能够最快实现十万台、百万台规模部署的公司将赢得巨大先发优势。
未来展望：从工厂到家庭
当被问及机器人何时能进入家庭完成诸如“组装宜家家具”或日常洗碗、洗衣等任务时，Brett Adcock（布雷特·阿德科克）给出了乐观的预测。他认为，只要硬件能力（如活动范围、力量）达标，这些任务都可以通过数据训练来学习。他预计，完成日常家务的机器人可能在“未来两到三年内”出现，而更复杂的任务如阅读说明书并组装家具，也将在“本十年内”（即未来几年）实现。
最后，Brett Adcock（布雷特·阿德科克）驳斥了“AI 是商品，可以轻易移植到任何硬件”的观点。他强调，人形机器人硬件本身是极高维、极复杂的系统，控制难度极大。优秀的 AI 需要与专用的、高性能的硬件协同设计，才能发挥最大效能。他认为，全球范围内最终可能只有少数几家公司（中美各几家）能真正解决人形机器人的硬件、AI 和规模化部署这一完整难题。
这场对话和长达一小时的演示视频，共同向世界传递了一个明确信号：人形机器人技术正从实验室的“炫技”阶段，稳步迈向解决实际经济问题、创造商业价值的“实干”阶段。前方的挑战依然巨大，但路径已愈发清晰。
Figure AI 创始人 Brett Adcock（布雷特·阿德科克）：为何人形机器人将主导万亿级未来撰文：Techub News 整理
导语
2025 年 2 月，Figure AI 创始人兼首席执行官 Brett Adcock（布雷特·阿德科克）做客 Amit Kukreja 播客节目，进行了长达近一小时的深度访谈。作为一位连续成功创业的企业家——从在线招聘平台 Vettery（以约 1 亿美元出售），到电动垂直起降飞行器公司 Archer Aviation（已上市），再到如今雄心勃勃的人形机器人公司 Figure AI——Adcock 分享了其跨越软件与硬件的独特创业视角。本次对话正值 Figure AI 发布新一代机器人并签署重要商业合作之际，Adcock 的见解为我们理解这一前沿科技领域的竞争格局、技术挑战与未来愿景提供了珍贵的一手资料。
摘要
人形机器人是解决全球劳动力短缺和推动生产力增长的终极方案，其市场规模最终将远超智能手机或汽车。
Figure AI 的核心战略是垂直整合硬件设计与 AI 学习，认为这是实现可靠、高性能机器人的唯一路径，而“硬件先行”已取代“软件先行”成为当前阶段的竞争关键。
公司的商业模式分为两条主线：优先解决工商业中重复性、高流动性的体力劳动需求，远期目标是将机器人带入家庭，成为真正的个人助手。
Adcock 预测，人形机器人领域将像电动汽车和自动驾驶一样，最终由少数几家拥有顶尖人才、巨额资本和快速产品迭代能力的公司主导。
从软件到天空，再到机器人：创业者的“多巴胺”之源
Brett Adcock（布雷特·阿德科克）的创业生涯始于 2012 年创立的在线招聘平台 Vettery。他回忆道，创业初期充满起伏，甚至曾贷款 5 万美元支付纽约的生活开销。最终，公司在 2017 年以约 1 亿美元的价格出售，为他带来了“改变人生”的财富。然而，Adcock 并未止步于此。他将这笔财富几乎全部投入了下一个更具挑战性的领域：硬件。出于对航空的热爱和对电动化趋势的坚信，他在 2018 年创立了 Archer Aviation，一家电动垂直起降飞行器公司。在深科技领域融资异常艰难的时期，他不得不再次自我注资，几乎将之前所得全部投入。Adcock 坦言，他享受这种“挑战游乐场”般的状态，每天处理公司最难的问题，解决问题所带来的“多巴胺”是驱使他前进的核心动力。
当被问及为何在 Archer 已步入正轨（现已上市）时，转而投身于看似更难的机器人领域时，Adcock 表示，他从小就阅读艾萨克·阿西莫夫的科幻作品，对机器人充满向往。更重要的是，他看到了一个历史性的机遇窗口：“十年前太早，十年后太晚”。他认为，当前正是人形机器人进入市场的正确节点。技术的发展，特别是神经网络与机器人硬件的结合，正在产生“魔法般”的效果。他相信，Figure AI 所致力于解决的——将 AI 系统赋予物理身体，去完成各种有用的工作——将是“我们一生中可能构建的最重要的资产”。这不仅是一个巨大的商业机会，更是能为人类社会带来根本性变革的事业，例如让他的父亲以及未来的子孙后代无需再从事繁重的体力劳动。
为何人形机器人将定义万亿级未来？
Brett Adcock（布雷特·阿德科克）对未来市场规模有着极其坚定的预测：人形机器人产业将达到“数万亿美元的收入”。他解释道，核心逻辑在于“机械人类”的普适性。人形机器人可以直接部署在人类设计的环境中，无需改造现有基础设施，就能从事从工厂搬运到家庭洗衣的广泛工作。这是一个“绿地解决方案”。
从经济角度看，全球近一半的 GDP 是人力劳动贡献的。Adcock 指出，当前许多行业面临严重的劳动力短缺（仅美国就有约千万职位空缺）和高流动率问题，这些工作往往是重复、枯燥且人们不愿从事的。人形机器人并非简单地一对一取代人类岗位，而是在填补人力无法或不愿覆盖的空白，并最终提升整体生产率和经济产出。他乐观地展望，机器人的普及将使商品和服务变得更丰富、更便宜。
在需求端，Adcock 透露，Figure AI 目前已签署两家大型商业客户，仅这两家在未来四年内就有超过 10 万台机器人的意向需求。此外，还有约 50 家同等级别的潜在客户在排队。市场认知在过去两年发生了 180 度转变：从最初企业高管质疑“机械人类是什么”，到现在主动发出招标书，询问机器人的部署时间表。他相信，未来每个人都想拥有一台机器人，就像今天拥有手机或汽车一样，它将处理一切琐事，从做咖啡、洗衣到遛狗。
硬件与AI的垂直整合：Figure AI的“秘密武器”
在技术路径上，Brett Adcock（布雷特·阿德科克）强调了 Figure AI 与众不同的核心战略：深度垂直整合硬件设计与人工智能学习。他认为，这已成为当前阶段竞争的关键优势，而行业认知在此方面发生了“彻底的翻转”。
Adcock 回顾道，几年前许多人认为 AI（软件和专有数据集）是护城河，而机器人硬件是商品化的。但现在情况正好相反。要训练优秀的机器人神经网络，需要大量、高质量的“领域内机器人数据”。而市场上并没有现成的、高性能的人形机器人硬件可供采购用于训练。因此，Figure AI 从零开始，自主设计了所有硬件，包括电子设备、执行器、电池系统、嵌入式软件等，现已迭代至第三代。优秀的硬件是进行卓越机器人学习的前提。在此基础上，公司再构建专有的神经网络模型。
关于与 OpenAI 的合作关系终止，Adcock 解释称，他们已自主进行 AI 研发约一年时间。机器人 AI 需要两部分：一是用于语义理解的多模态大模型基础，二是关于机器人具体动作（如移动手臂、抓取轨迹）的专有训练数据。后者在大语言模型中并不存在。Figure AI 利用开源模型结合自研模型和内部机器人收集的数据，自建机器人基础模型。他认为，目前世界上没有其他团队在机器人 AI 学习方面展示了比 Figure AI 已公开成果更出色的能力。
他分析了行业中的两类玩家：一类是只专注硬件、对 AI 持“不可知论”的“中国机器人”模式；另一类是只想构建“机器人AI大脑”而不碰硬件的“AI即服务”模式。Adcock 认为，这两种割裂的策略都存在根本性挑战。没有硬件，AI 团队难以获得所需的领域数据和实际部署渠道；而没有深度AI整合的硬件提供商，则可能沦为低利润的代工方。Figure AI 选择的中间道路——同时打造顶尖硬件和为其量身定制的AI——虽然艰难，但在他看来是通向产品成功的唯一可靠路径。
制造、团队与文化：规模化征途上的挑战
实现“数百万台机器人”的宏伟目标，意味着必须攻克大规模制造和团队组织等非技术性挑战。Brett Adcock（布雷特·阿德科克）分享了他的思考。
关于制造，Figure AI 同样采取垂直整合策略，自主设计并运营产线。Adcock 指出，机器人制造与汽车制造有本质区别。机器人部件可由人手直接拿取和组装，这为制造流程带来了更大的灵活性，初期无需建设像汽车工厂那样庞大复杂的全自动化传送系统。他参考了消费电子（如手机）的亿级制造规模，认为机器人制造更接近后者而非前者。公司已设立试产线，并每周进行制造工程评审，目标是以最高水准实现高速率制造，并通过规模效应将成本降至数万美元级别。
在团队与文化方面，Adcock 吸取了此前创业的经验教训。在创立 Figure AI 时，他明确制定了长期愿景和详细的文化文件。公司文化强调扁平化、低官僚主义、快速决策。所有员工，包括总监和他本人，都是亲手写代码或进行工程设计的“实干者”，没有纯管理人员。他作为 CEO，将绝大部分时间投入产品与工程工作，而非投资者会议或外部活动，坚持与工程师团队并肩作战，获取一线的“地面实况”。
他认为，领导力的核心在于两点：一是为公司设定清晰的“北极星”方向并不断重申，确保团队同心协力；二是追求极致的速度。结合正确的方向和顶尖的人才，才能产出用户喜爱的伟大产品。Adcock 坚信，创始人主导、对产品抱有极致热忱的公司，相比雇佣职业经理人管理的公司，拥有根本性的竞争优势。这种全身心投入和“必须获胜”的心态，是他从迈克尔·乔丹等伟大竞争者身上汲取的灵感。
竞争格局与未来展望
谈到与特斯拉 Optimus 等竞争对手时，Brett Adcock（布雷特·阿德科克）认为，这个领域将像电动汽车、自动驾驶一样，最终由少数赢家主导大部分市场。成功需要同时具备几个苛刻条件：巨额资本、顶尖人才、快速的产品进展，以及最终实现海量机器人部署的能力。后者不仅能压低制造成本，更重要的是能形成一个收集数据、共享学习的机器人网络，这是单个机器人或小规模车队无法比拟的优势。
展望未来，Adcock 表示，Figure AI 的2025 年 2 月重点是稳健、安全、高性能地满足工商业劳动力需求，这将为机器人进入家庭铺平道路。他预计，在本十年内，人形机器人将变得非常可靠。而随着机器人的普及，它们将成为经济增长和生产率提升的核心引擎，甚至有助于解决国家债务等宏观经济学问题。
访谈最后，Adcock 流露出一种紧迫感和必胜决心。他表示，已拥有足够财富，无需为金钱继续工作。他投身于此，是为了赢得这场竞赛，打造真正具有变革性的产品和企业。他的目标是“尽快将数百万台机器人推向市场”，并在此过程中，深度重塑世界的运作方式。
独家｜数亿元种子轮背后：光学、GPU龙头押注机器人“团队作战”「单机能力不应该是基础模型的终点。」
文｜王诗涵
编辑｜巴芮
当下，机器人基础模型的竞争几乎都围绕“单机智能”展开：让一台机器人独立完成更难、更长、更陌生的任务。行业基准线正不断抬高，每向前一步，所需数据、算力和工程成本随之攀升。但天花板还在那。
具身智能初创公司芝诺机器人决定把这道题横向展开，提出另一种解法：多机协作。
当单机遇到瓶颈，难以覆盖一整套工作流，多机可以成为新的选择。
以家庭场景为例，面对一系列复杂任务，两台标准化机器人可能先分头行动，各自清理猫爬架、铲猫砂；在任务需要时又会合，互相协助，比如把叠好的被褥放进压缩袋并抽空空气。
芝诺机器人将这种能力称为“协作物理智能”（Collaborative Physical Intelligence）。
他们训练了一个3B参数的基础模型Zeno-1，可以适配多机器人协作场景，每台自研的机器人Malo都会独立运行这一模型。据称，该模型具备跨场景、跨任务、跨本体的能力。
架构上，他们采用“去中心化（decentralized）”策略：机器人不依赖中央控制器统一规划动作，彼此之间没有显式信息传递，不需要访问伙伴的内部状态或动作计划，而是根据视觉画面、本体状态和交互历史作出决策。
通俗点说，它们需要自己学会“看队友眼色行事”。
「暗涌Waves」独家获悉，芝诺机器人于近期完成总额数亿元人民币的种子轮融资，投资方包括全球光学龙头舜宇光学、国产GPU龙头沐曦股份、浙大系基金网新集团、工业AI龙头赛意产业基金等产业资本与和利资本等一线投资机构。
芝诺机器人于2025年11月正式展业，总部位于杭州，在悉尼和匹兹堡设有研发中心。多名核心成员拥有卡内基梅隆大学机器人研究院（CMU RI）背景。联合创始人、首席科学家植伟铭现任悉尼大学计算机学院终身教职轨道助理教授，LOAM作者张楫担任首席机器人架构师。
今年，多机器人协作有多项研究进展。6月，植伟铭团队发布了SAI（已收录在CoRL 2026），提出面向机器人协作的顺序非对称模仿学习方法。同月，斯坦福大学Jeannette Bohg和Chelsea Finn团队发布相关论文预印本，提出基于VLA的分布式多机器人协作框架。
在“协作”这条路线上，芝诺机器人表现出很强的自信。今年5月，Figure AI曾展示两台搭载Helix 02模型的人形机器人协作整理卧室、铺床的视频。植伟铭说，从公开展示看，Zeno-1覆盖了更丰富的高难度协同操作，协作表现超过了Figure AI。
这种表达带着一家年轻公司的自信，也将它置于更严格的检验之下。
以下是「暗涌Waves」与植伟铭的对话，经编辑。
Part01
必经之路
「暗涌Waves」：为什么要做多机“协作”？这是个真需求吗？
植伟铭：人类社会本来就是一个群体协作的社会，机器人也一定是群体协作的。未来，如果要扩展系统、增加机器人，机器人理应要有协作能力，这是一条必经之路。
过去几年，单台机器人在数据学习、灵巧操作等方面已经有了一条baseline，掌握了识别环境、理解指令、抓取、移动和使用工具等能力。
但两个分别会抓、会搬、会操作的机器人放在一起，仍可能因为时序和接触不匹配而失败。单机能力不应该是基础模型的终点。
相关研究群体很早就开始研究多机器人系统。例如，Amazon已经在仓库中部署了大规模机器人车队。这些系统主要采用传统的调度与规划方法，能让大量移动平台并行完成搬运任务，这已经验证了多机器人并行作业在这类场景中的可行性。
但是，目前覆盖的任务大多集中在移动和物流环节，对于需要复杂物理接触的灵巧操作支持有限。
现在，随着单机能力提升，也到了可以为协作铺路的阶段。机器人可以通过协同，做一些高难度的灵巧操作。
「暗涌Waves」：有哪些场景是需要多机协作的？
植伟铭：真正有价值的场景通常具备多个作用点、多个工作空间或者并行操作。例如处理大面积柔性材料、大型物体搬运、共同装配和物品交接。
比如在酒店或家庭里做布草时，被单横截面积很大，单台机器人很难用两只手完成。还有挂裤子，现在大家看到的更多操作是叠裤子，但没有去挂的，这需要一台机器人固定衣架，另外一台机器人把裤子穿过去，再挂起来。
「暗涌Waves」：这些算是高价值场景吗？能让客户愿意多买一台机器人吗？
植伟铭：我们的核心目标不是要卖多台机器人。客户可以先购买一个机器人完成部分工作，如果完成不了一整套工作流，可以根据实际使用情况，增加机器人数量。
多机协同是一个选择，在以前，大家没有这个选择。
至于要不要增加，最后测算的是ROI，本质是客户的选择问题。
「暗涌Waves」：增加一台机器人的效率增量，能覆盖成本吗？
植伟铭：这是一个边际收益问题。
单台机器人接近能力上限后，如果继续挤压它的最后一点性能，投入的成本可能会越来越高。用多台标准化机器人协作，可以把它想象成一个能够选择增加或减少机器人的系统，会提升这套系统的整体能力。这种系统扩展会更经济。
本质上，大家关心的是能不能把增加机器人变成一种低成本、可渐进扩展的能力扩容方式。
「暗涌Waves」：怎么说服场景方换掉已有的成熟产品，用你们的机器人？
植伟铭：不一定是换掉，可以是一种补充。以公寓场景为例，过去的配送机器人能做的事情比较有限，高灵巧性的协作操作可以进入新的工作环节。
「暗涌Waves」：既然你们的模型能跨本体，为什么还要自研机器人，而不是采购现成的？
植伟铭：早期当然可以使用现成的机器人平台来加速训练和验证。但如果希望长期把模型能力推向真实世界，必须掌握硬件迭代的主动权。
过去的具身行业，更多是“硬件定义模型”，下一代具身应该是“模型定义硬件”。当模型具备更强的灵巧操作、移动操作、多机协作能力之后，它对本体的自由度、负载、工作空间、传感配置和末端执行器都会提出新的要求。硬件成为模型能力的一部分。
长期来看，我们希望成为一家以模型能力为核心的全栈Physical AI公司。
Part02
没有总指挥的机器团队
「暗涌Waves」：两台机器人共同完成一件事，技术难点主要在哪？
植伟铭：机器人之间的耦合会突然增强，主要有四个核心难点——
一是部分可观测性。每台机器人只能从自己的视角观察环境，并据此判断伙伴正在做什么。
二是接触动力学。机器人可能通过同一个刚性物体、柔性物体或工具连接起来，其中一台机器人的动作会立即改变其他机器人的物理状态。
三是伙伴行为的不确定性。机器人伙伴可能慢半秒，也可能抓取失败或临时调整位置，预先规划好的协同轨迹很容易随之失效。
四是误差随时间累积。几十秒的任务可能依靠严格同步完成；当任务持续几分钟，时序偏差、抓取变化和物体状态变化都会不断叠加。
训练Zeno-1时，我们把这些问题视为协作操作的核心挑战，实际上也是把多机器人系统、机器人学习、灵巧操作和长时序决策等过去相对独立的研究方向结合到一起。
「暗涌Waves」：假设在真实场景中，你们的机器人遇到了别的机器人，面对同一个任务，怎么判断谁去做？
植伟铭：这其实是一个调度问题，也是一个人为构造的特殊情形。我们的基础模型会从已采集的数据中学习这些规律。
在去中心化策略下，我们的每个机器人都具备自己的推理能力，计算不集中在一个服务器上。每个机器人会通过自己的视觉画面、本体状态和交互历史作出决策。
所以，它会观察和预测另一台机器人是否行动，再决定自己要不要执行任务。
「暗涌Waves」：“去中心化”的体现是什么？
植伟铭：中心化系统最大的优势是信息完整。
中央控制器理论上可以看到整个团队，更容易做全局任务分配和联合优化。但每一次增加机器人，通常要重新训练，不断扩大一个中央联合策略的输入和输出空间。其中一台机器人出现异常，其他几台可能会随之崩溃。
事实上，很多真实世界系统很难完全中心化。自动驾驶如果能完全中心化，也就做成了。
采用去中心化架构，更容易扩展机器人团队的规模。理论上，我们可以不断添加或减少机器人，架构仍然会保持稳定。
「暗涌Waves」：“去中心化”就没有缺点吗？
植伟铭：代价是部分可观测性（partial observability）。机器人只能根据自己看到的信息判断伙伴意图，随着团队扩张，遮挡、局部冲突和信息缺失等情况会更加严重。
「暗涌Waves」：Zeno-1据称能连续运行超过10分钟、完成8个子任务。这是在什么条件下测的？
植伟铭：测试是在我们自己的真实机器人平台和室内场景中完成，主要验证单策略的持续执行能力。全程使用同一个Zeno-1策略，不同子任务之间没有切换模型，也没有重置环境。
「暗涌Waves」：你们如何训练协作能力？
植伟铭：模型训练分为4个阶段。使用第一视角和第三视角视频数据进行预训练，让模型获得物理行为先验。使用约40小时的独立真机数据进行一轮训练，提升单机操作能力。
在此基础上，我们进行闭环伙伴交互（Closed-loop Partner Interaction）训练：先部署其中一台机器人，让它执行已经学到的策略，同时采集另一台机器人与它实际协作的数据。这一轮数据的信息密度很高，约4小时。
在真实交互过程中，机器人会自然遇到伙伴延迟、动作不一致和需要临时调整等情况。我们将这些交互数据用于下一轮微调，让模型学习如何根据伙伴的实际表现调整动作，提高协作的鲁棒性。
「暗涌Waves」：单机智能和多机协作，哪个更难？
植伟铭：取决于具体任务。如果这个场景是用大量标准化单元并行来扩大系统能力，想要提高效率，一定是多个机器人会更有效，且更容易实现。
Part03
卷入浪潮
「暗涌Waves」：你们首轮融资就都是产业资本，这并不常见。是主动选择吗？
植伟铭：是。我们没有把融资理解为单纯的资金问题。机器人最终要进入真实场景，除了模型能力，还要供应链、算力、机器人硬件和客户资源等等。这些在早期就应该布局完。
舜宇、沐曦这样的产业龙头，本身就位于机器人产业链的关键环节，又了解真实生产环境中的能力边界。他们更清楚什么任务具有付费价值，哪些指标能够进入部署，哪些效果还停留在Demo。
对于一家年轻的具身智能公司，这些判断和资源很重要。
「暗涌Waves」：你们是2025年11月才创业，那时候国内外的具身企业都已经非常多了，你看到的机会是什么？
植伟铭：早期在NVIDIA西雅图机器人实验室、CMU RI，在美国的经历让我看到了很强的机器人研究生态。但是，用基础模型去研究机器人的很多核心问题，已经很难依靠小规模实验室推进。它需要大量的机器人，大量的真实数据，非常快速的硬件—模型迭代，以及模型长期部署后形成的数据闭环。
在职业生涯里，我一步步地感受到这个需求。
去年10月底，我和几位核心创始成员在杭州举行的机器人领域顶会IROS上聊了很久，大家都觉得具身智能还是有很多空间。
我们想做“大脑”。当时市场上专门做预训练的团队并不多，我们判断，基础模型层的生态位有机会“卡位”。
我们一致认为，“协同”这件事会在具身智能的终局存在，那时候北美几家巨头还没正式切入这一方向，因此我们决定快速布局。
「暗涌Waves」：多机协作要从Demo到规模化部署，这条路还有多远？
植伟铭：在特定场景进行多机协作，我认为未来一到两年就有机会看到实质性部署。因为任务边界明确，而且协作产生的经济价值容易衡量。
但如果要实现任意几台通用机器人进入陌生环境后自然组成团队，是一个更长期的问题。
「暗涌Waves」：目前的商业化进展如何？
植伟铭：过去一段时间，我们在澳新及其他海外地区开展了一些PoC测试，预计在2027年上半年正式启动规模化进程，目前关注在服务业。
我们优先选择那些在过去已经被验证过的，机器人能规模化应用、场景方具备好的付费意愿与付费能力、技术边界明确的半结构化场景。一方面是酒店、洗衣、养老和其他服务业，另一方面是精密加工及产业场景。
「暗涌Waves」：为什么敢Day1就做全球化？
植伟铭：我们是CMU RI背景唯一在中国创业的一支师生团队，核心团队大多有海外科研和产业经历，本身就是全球化的。并且在悉尼和匹兹堡设有研发中心，会连接当地的头部场景方、渠道商和人才。通过中国丰富的真实应用场景，低成本、快速地做PoC和迭代。
这样形成一个很清晰的分工：中国负责高效率地把产品做出来，海外帮助我们接触全球最好的场景、人才和市场。
「暗涌Waves」：你认为具身智能行业目前高估了什么，又低估了什么？
植伟铭：行业高估了现有单机智能接近通用智能的程度。很多机器人展示了漂亮的Demo，但进入真实世界长期稳定运行，还要解决环境变化、失败恢复、人机协作和硬件可靠性。
行业也容易高估扩大模型参数量对物理智能的解释力。机器人面对的是连续变化、充满物理约束的世界，模型必须和真实数据、感知、控制及执行形成闭环。
协作和执行层的复杂度仍然被低估。“把桌子收拾干净”看起来只是一句话，实际执行中包含先拿什么、从哪里走、怎样避开人、怎样抓取、物品掉落以后如何恢复等连续决策。
从两台机器人、有限任务开始，逐步增加任务宽度、运行时长、机器人数量和环境复杂度，这是芝诺机器人接下来的路径。
排版｜郭栩君
图片来源｜Unsplash
英伟达和京东，为什么同时把AI的下半场押注在物理AI？刚进入9月，全国多地机场突然被一幅醒目的广告牌刷屏——“把AI推向物理世界”，字少，意思也很直接，落款是京东云。
在这张广告牌打出的同时，在9月9日举办的JDD（京东发布会/开发者大会）也将主题明确指向了“物理AI”。
“物理AI”绝对是过去半年中文语境里最重要的热点，物理世界被认为是AI的下一站。
行业经历了两年的技术狂欢，行业疯狂卷推理速度、卷长上下文，甚至卷谁的聊天机器人更像真人。但此刻非常现实，甚至有些残酷的问题被摆到了桌面上：这些消耗了天文数字算力的Token，以及C端积累的海量流量，到底该如何转化成真正的商业价值？
站在产业观察者的视角，这场转向背后映射出两个核心命题：AI为什么必须走出数字世界？以及，为什么是京东这样的企业在抢占这个高地？
当AI开始离开聊天框
AI演进的这几年，本质上是在虚拟的数字世界里刷分。但技术迭代的边际效应递减与高昂的运营成本，让整个行业不得不直面现实——这些能力最终能完成多少工作、创造多少实际价值。
Agent是最明显的信号。
过去的Copilot主要参与人的工作过程，帮程序员写代码、帮销售整理资料、帮财务分析数据；Agent开始进一步接管一段完整任务，读取企业数据、调用不同工具，并把结果重新写回业务系统。OpenAI今年6月发布的一项研究，把这一变化概括为知识工作的基本单位正在从单次交互转向“可委托的长期任务”。
企业衡量AI的方式也随之改变。如果说Token衡量模型生产了多少智能，Task衡量AI能够承担多少工作，那么企业最终需要看到的仍然是成本下降、效率提高、业务闭环，也就是Result。
当底层大模型的通用能力逐渐拉平，“谁的参数大”不再具备绝对护城河。AI竞争的战场，必然转移到“谁能深度接入产业流程，解决具体问题”。
这也是今年JDD上，京东将“物理AI”推到核心位置的背景。
京东的判断是，AI竞争正在从“参数竞赛”走向“生产力竞赛”。在JDD上，京东将云、数据、模型、终端、场景和供应链放进同一套体系，希望让AI进一步进入零售、物流、工业、健康和家庭等真实场景。
相比于行业泛滥地用“物理AI”来笼统代指机器人，京东想要探讨的逻辑显然更为宽广。
机器人是AI直接作用于现实世界的一种典型形态，但更广泛的变化早已在不同产业里悄然发生，零售AI最终需要影响交易和履约，物流AI开始参与仓储与配送，工业AI进入生产流程，而机器人则把模型的判断进一步转化为物理动作。AI开始从生产信息，进一步参与真实世界的生产和服务过程。
这种判断也正在成为全球AI产业的底层共识。今年，英伟达持续强化物理AI布局，从Cosmos世界模型、Isaac仿真框架到GR00T机器人模型，联合ABB、FANUC、Figure等巨头推动技术进入电子装配与工业自动化场景。
物理AI正在从机器人领域的一个技术分支，延伸为AI切入现实生产系统、兑现生产力价值的唯一主航道。
进入物理世界，AI为什么反而更难？
大模型过去几年的快速进步，很大程度上建立在互联网已经积累的海量数字内容之上。网页、书籍、图片、视频和代码可以被持续用于训练；模型完成训练之后，又可以通过API快速部署到不同产品和用户。
但进入物理AI，Scaling Law（规模法则）开始遭遇著名的“莫拉维克悖论”——对AI而言，抽象的逻辑推理变简单了，但在复杂的现实物理世界里抓取一个物体、辨识一个微小障碍，却极其困难。
一个AI进入仓库，需要知道商品在哪里、库存如何变化、不同设备如何协同；进入工厂，需要理解物料、机器和生产流程；进入家庭，需要适配不同空间和硬件；进入机器人，则进一步涉及动作、力、环境反馈，以及不同本体之间的差异。
这也是为什么，物理AI的发展很难简单复制大模型过去几年的Scaling路径。英伟达曾将机器人开发面临的核心问题概括为“data gap”：互联网为大语言模型提供了丰富的预训练数据，但现实世界中的机器人数据数量有限、采集昂贵，大量极端场景也很难通过真实采集覆盖。
具体到产业落地，物理AI需要解决的问题可以进一步归纳为三层：有没有足够的数据学习，有没有足够的场景验证，以及验证成功之后能不能规模化。
这恰好对应了京东在JDD上提出的逻辑：数据让AI进化，场景让AI验证，供应链让AI规模化。
首先是数据。
数字世界的数据主要记录人类已经表达出来的知识，物理AI需要进一步理解人和物体如何运动、动作如何改变环境，以及任务在真实空间中如何被完成。这类数据的生产成本也更高。一段网页文本可以直接被模型读取，一项机器人任务却可能涉及摄像头、传感器、动作轨迹、力反馈等不同模态，还需要经过采集、标注、训练和真实环境验证。
京东选择把数据基础设施向现实世界继续延伸。目前，其具身数据体系已经覆盖“采、存、标、训、评、仿、测”全链路，并计划在两年内累计1000万小时真实场景视频数据。数据来源也从机器人本体数据，扩展到力触数据、仿真数据和人类第一视角操作视频。
数据之外，第二个壁垒是场景。
物理AI最终面对的是持续变化的现实环境，且容错率极低。一项能力在Benchmark或实验室里成立，并不意味着它进入仓库、工厂和家庭之后依然有效。
这也导致了物理AI与通用数字模型的根本差异：在数字AI中，模型通常先完成训练，再被部署到搜索、办公等场景；而在物理AI中，场景与模型之间的关系正在变得更深，场景本身就是AI能力继续迭代的一部分。
真实业务产生数据，数据进入模型训练，模型重新进入业务执行任务，执行结果继续形成新的反馈——数据、模型与场景之间由此形成持续循环的飞轮。
从这个角度看，京东在零售、物流、工业、健康和家庭积累的业务，多了一层AI时代的独特价值。以工业场景为例，京东披露其工业大模型JoyIndustrial累计调用量已超过10亿次，应用从工业知识理解进一步深入到Agent任务规划、工具调用和企业业务系统执行，并将执行结果重新反馈到系统中。
场景不仅是AI能力最终应用的地方，更是AI获取真实反馈、完成自我进化的物理闭环。
第三个壁垒是规模化。
在实验室里完成一次任务，与让大量设备在不同环境中长期稳定运行，中间还有很长的工程和产业链距离。AI进入现实世界之后，模型部署只是其中一个环节，硬件生产、零部件、渠道、物流、安装、维修和售后都会影响最终能否形成商业闭环。
因此，京东“云、数、模、端、场、链”这六个字里，最后的“链”尤其值得关注。
模型解决一项能力能不能实现，场景检验它能不能在真实环境中运行，供应链则决定这种能力能不能进入足够大的现实世界。
这也构成了物理AI更完整的一套产业壁垒：数据决定AI如何理解现实，场景决定AI如何适应现实，供应链决定AI如何规模化进入现实。
当竞争所需要的资源发生变化，大厂之间原有的AI优势排序，也可能随之改变。
物理AI，可能重新定义大厂的AI优势
随着物理AI将竞争变量拉入真实世界，京东过去二十多年积累的实体基础设施，获得了全新的解释空间。
相比许多主要运行在线上的互联网平台，京东的业务很早就深入了商品和服务的实际流通过程。从采购、库存、仓储到配送和售后，再到工业采购、健康服务、家电和智能硬件，大量业务都需要同时连接线上系统和线下履约。
这些能力过去主要服务于电商和供应链效率。进入物理AI阶段之后，它们还可能成为AI获得数据、训练和验证能力，并最终实现规模化部署的基础。
京东在JDD上提出“超级AI供应链”，核心也在于将这套实体网络与AI深度串接。从底层的云、数据和模型，到中间的Agent、开发平台和仿真工具，再连接机器人、家电、医疗器械、无人车等终端，最终进入零售、物流、工业、健康和家庭等实际业务。
机器人产业可以更直接地体现这种“超级AI供应链”的落地方式。
京东目前给自己设定的位置，并不局限于开发某一种机器人产品。按照此次JDD披露的规划，京东希望同时进入具身数据采集、机器人产业基地、核心零部件供应、零售渠道和维修服务等环节。
未来五年，京东计划布局80余个RoboBase；在供应链端，希望通过规模采购、C2M定制和供应链协同，将机器人本体BOM成本降低50%以上；在销售和服务端，则提出未来三年助力100个机器人品牌实现销售额超过10亿元，并建设覆盖全球100多个国家和地区的机器人售后服务网络。
这些布局背后，其实对应着物理AI产业未来尚未确定的问题：如果机器人最终成为一个足够大的智能终端品类，产业价值会如何分配？
PC产业成熟之后，价值分散在芯片、操作系统、整机、软件和渠道等不同环节；智能手机进一步形成了芯片、操作系统、终端品牌、应用生态和供应链的完整分工。如果机器人真正进入工厂、商场和家庭，同样需要模型、数据、核心零部件、整机、渠道、维修和服务体系。
目前，这个产业仍处于早期阶段，最终的产业格局远未形成。但对京东而言，参与物理AI的意义，也因此超出了推出某款机器人或者某个模型。
它正在尝试回答的是：当大量AI终端真正进入现实世界，一家拥有供应链和物理运营网络的平台，可以在其中占据什么位置？
这也是理解京东提出“全球最大的物理世界运营中心”的切口。
京东长期运营的是商品在现实世界中的流动。订单产生之后，背后连接的是采购、库存、仓储、运输、配送和售后，数字系统最终需要在现实世界完成履约。
物理AI让这套能力有了进一步延伸的可能。未来需要被规模化组织的，可能还包括AI如何获得真实数据、进入不同终端、在具体场景中完成任务，并通过供应链和服务体系持续运行。
AI下半场的竞争维度正在被物理世界重新定义，而这恰好是京东积累最深，也最擅长的战场。
图片来源｜AI生成
Figure AI CEO Brett Adcock（布雷特·阿德考克）：人形机器人是通用人工智能的终极载体撰文：Techub News 整理
导语
在2025 年 7 月一期由 Logan Kilpatrick 主持的深度对话中，Figure AI 的创始人兼首席执行官 Brett Adcock（布雷特·阿德考克）毫无保留地分享了他对人形机器人未来、人工智能与物理世界融合的犀利见解。作为一家在短短几年内就让人形机器人从概念走向现实部署的明星公司领导者，Brett Adcock（布雷特·阿德考克）的思考不仅基于 Figure 自身的一线实践，也勾勒了整个行业正面临的范式转变。本次对话之所以关键，在于它揭示了人形机器人如何从一个长期停滞的“科幻概念”，一跃成为 AI 浪潮下最具潜力的物理载体，并可能在未来十年内重塑劳动力市场和家庭生活。
摘要
人形机器人硬件可靠性已发生质的飞跃，从危险、短寿的液压系统进化到安全、持久、可大规模部署的电力驱动系统。
机器人学习的核心已转变为“神经网络问题”，端到端训练模型让机器人能以接近人类的方式执行复杂任务，这是五到十年前所不具备的能力。
Figure AI 的战略是直接攻坚“终极形态”人形机器人，避免因妥协设计而陷入局部最优，并选择从结构化程度较高的劳动力市场（物流、制造）切入，为最终进入高难度的家庭环境积累能力和数据。
人形机器人被视为 AGI（通用人工智能）在物理世界的终极部署载体，未来几年内，其实体部署数量将开始指数级增长，最终将达到与人类数量相当的规模。
机器人交互的默认界面将是自然语言（语音和文本），隐私、安全和规模化集成是当前面临的最严峻挑战之一。
硬件与AI：驱动人形机器人指数级进步的双引擎
Brett Adcock（布雷特·阿德考克）开门见山地指出，当前人形机器人领域之所以能迎来“指数级”发展，主要得益于两个根本性变化：硬件可靠性的巨大提升和神经网络在机器人领域的成功应用。
首先是硬件。Adcock 对比了十年前与现在的差距：“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20分钟左右，到处漏油，压力高达数千 PSI，对人来说极其危险。” 而现在，以 Figure 为代表的公司已经能够建造“极其可靠”的电动人形机器人硬件系统。他充满信心地表示，如果参观他们的工厂，会看到机器人随处可见，并且“一整天都可能看不到一次硬件故障”。这种可靠性是实现规模化部署的前提，好比如果没有可靠的基础硬件，再先进的AI也无用武之地。他将此复杂度与火箭、涡轮风扇发动机相提并论，但坚信人形机器人也能达到类似的工业级可靠性。
其次是AI与学习能力。Adcock 认为，机器人问题“本质上是一个神经网络问题”。直到最近几年，神经网络才真正开始在机器人上发挥威力。Figure 在其机器人上运行的 Helix 神经网络，能够端到端地指挥机器人的手部位置、头部、躯干等整个动作空间。他提到一周前发布的一个视频：机器人连续执行了60分钟的物流工作，全程由单一的、运行在机器人本地的 S1 Helix 神经网络控制。“它的行为方式很像人类……我们正在接近人类的速度和性能。” 这种通过数据驱动学习、模仿人类行为模式的能力，在五到十年前是完全不存在的。
这两大进步——可靠的身体和学习的大脑——构成了人形机器人爆发的基石。Adcock 强调，只有当两者结合，才能解锁机器人在物理世界中完成有用工作的潜力。
为什么必须是人形？从劳动力市场到家庭的攻坚路线
面对“为何不先做更简单的轮式或专用机器人”的疑问，Brett Adcock（布雷特·阿德考克）的回答异常坚定：必须直接攻坚人形机器人。在创立 Figure 的第一天，他就撰写并公开了直接打造人形机器人的“总体规划”。
他的逻辑是，选择其他形态（如轮子、爪子）是一种“局部最优解”，会成为业务发展的巨大“拐杖”，最终阻碍你达到真正的目标——创造能像人类一样在现成人类环境中工作的通用机器人。他认为三年前就已确信直接打造人形机器人是可行的，因此公司从第一天起就专注于设计和建造人形机器人。
关于市场切入路径，Figure 有两大焦点：劳动力市场和家庭。有趣的是，尽管家庭市场潜力巨大，但 Adcock 坦言“家庭比劳动力市场难得多”。原因在于“工程挑战与环境的可变性成正比”。工作场所（物流、制造、医疗、建筑）通常更结构化、可变性较低，更容易集成自主系统。而每个家庭都是独特、高度非结构化的环境，挑战极大。
因此，Figure 采取了务实的“两步走”战略：先在劳动力市场“引导启动”，验证技术、积累数据和实现商业化；同时全力推进家庭场景的研发。Adcock 预测，家庭场景的成熟是“个位数年份（几年内）”的事情，届时机器人将能真正为人类完成有用的自主工作。
他以物流合作为例，说明了他们的灵活策略：与一家物流公司签约时，他们并不知道具体要做什么。经过实地考察，发现小件包裹分拣是痛点和机会。这个任务极具挑战——每个包裹都不同，堆叠方式时刻变化，无法用传统代码编程解决。这促使他们“全力投入学习（learning）路径”，结果很快就看到了成效。他透露，机器人的分拣速度从“每四秒一个包裹”快速提升到“每三点五秒一个包裹”，并且能进行更智能的操作，比如移开一个包裹以便处理另一个，展现出类似“思维链”的推理能力。
最终目标是打造一个通用机器人平台：只要机器人具备相应的运动范围、负载和速度，理论上就能完成人类在其设施内的大多数工作。
规模化挑战：制造、学习与人类共存
将人形机器人从实验室和试点项目推向数百万台的规模，是 Brett Adcock（布雷特·阿德考克）眼中下一阶段的核心挑战。这涉及三个紧密交织的方面：大规模制造、持续学习以及社会接受与集成。
制造瓶颈：Adcock 承认，与软件可以无限复制不同，硬件生产有物理限制。Figure 已经启动了名为“Baku”的内部制造工厂，专门生产新一代的 Figure 03 机器人。这款机器人旨在实现“高速率制造”，成本比前代降低了90%。他的目标是未来四年内生产10万台机器人，并认为这是通向百万台规模的关键一步。“问题是，我们能否达到超过手机年产量的规模？这是一个非常难解决的问题，但我认为有可能。”
学习飞轮：规模化部署的核心价值在于形成“学习飞轮”。Adcock 展望，当大量机器人实体部署到世界各处，它们将通过与环境交互持续学习，数据反馈至中央模型用于预训练，再使整个机队变得更聪明。这种“越用越聪明、越产越便宜”的动态，构成了他眼中的终极护城河。他比喻道：“除了像AI大模型这样的系统，我们从未见过一项技术能够与世界互动，并随着时间推移变得更聪明、更便宜。”
安全、隐私与交互设计：随着机器人进入家庭，安全与隐私成为首要课题。Adcock 详细阐述了其复杂性：物理安全上，机器人需要360度感知，避免碰撞人或宠物；“语义安全”上，要防止碰倒蜡烛引发火灾等。为此，Figure 成立了专门的隐私和网络安全团队。他特别指出，中国制造的机器人可能难以进入欧美家庭市场，因为建立品牌信任至关重要，“这比电脑和手机更为复杂”。
关于机器人外观和交互，Adcock 有鲜明观点。他反对给强大的机器人装上“卡通大眼睛”来显得无害，认为这“非常愚蠢”。机器人应该呈现出与其高能力相匹配的 sophisticated（精密复杂）设计。在交互上，他坚信自然语言（语音和文本）将是默认界面。通过手机或电脑控制机器人“延迟高、带宽低、很奇怪”，未来人们会直接与机器人对话，或通过短信向其发送指令。Figure 的每个机器人都内置了 eSIM 卡，拥有独立的手机号码。
Adcock 预测，人们将很快习惯与机器人共存。“未来会有那么一天，你出门办事，会看到和人一样多的人形机器人。这感觉就像把未来50年拉到了2025 年 7 月。” 他认为社会接受度会随着机器人展现出的实用性和可靠性而自然提高。
人形机器人：AGI的物理化身与未来展望
在对话的最高潮，Brett Adcock（布雷特·阿德考克）将人形机器人的意义提升到了新的高度：它是AGI（通用人工智能）在物理世界的终极部署载体。
他阐述了一个关键论点：我们正在逼近数字超级智能，但这种智能目前“生活在服务器、盒子里”。如果只有数字超级智能而没有解决物理化身问题，那么这些数字代理将需要人类来替它们在物理世界完成任务，人类可能会变成“数字超级智能的奴隶”。而人形机器人，作为能完成人类大多数工作的形态，是解决这一矛盾的完美载体。“你不能把它塞进家里的吸尘器里……没有其他硬件能做到这一点。”
对于未来社会图景，Adcock 描绘了一幅变革性的画面：人形机器人将能够逐年完成更多人类的工作，并最终在大多数任务上超越人类。届时，无论是家务还是职业劳动，都将成为人类的可选项。机器人将大幅提升全球GDP（因为它们本质上是“合成人类”），并可能彻底压低商品和服务的价格，因为成本只剩下机器人本身、能源和可能的场地费用。
他甚至设想，个人拥有的机器人可以被“出借”或“出租”来创造收入，就像今天的特斯拉被用于 Robotaxi 网络一样。每个人都将拥有一个具有“个性”的机器人伙伴，可以调整它的幽默感或严肃程度，通过自然语言与它交流，让它不断地为你工作。
最后，当被问及对2025年的期望时，Adcock 的视野超出了公司本身。他希望人类在推动技术边界上“更上一层楼”，去挑战如海底城市、太空电梯、轨道环（“尼尔结构”）等能够真正在2050年前推进人类文明的宏大构想。“我们需要为人类设定新的标杆……这些在我们的有生之年已经成为可能。” 对他而言，人形机器人不仅仅是生意，更是开启这个激动人心未来的一把关键钥匙。
解读Figure Q3：为何它是当之无愧的RWA第一股？作者： @BlazingKevin_ ，the Researcher at Movemaker
1 研究摘要
Figure Technology Solutions（以下简称“Figure”）正处于金融服务行业变革的前沿，致力于通过区块链技术重塑传统的借贷与资本市场。作为一家垂直整合的金融科技公司，Figure 不仅是美国最大的非银行房屋净值信贷（HELOC）发起方，更是现实世界资产（RWA）代币化领域的关键基础设施提供商。截至 2025 年 12 月，Figure 已成功完成IPO，市值稳定在 75 亿美元至 90 亿美元区间 。
本报告的核心论点在于，Figure 代表了金融科技发展的第三阶段：从“在线化”（如 Rocket Mortgage）到“平台化”（如 SoFi），再到如今的“链上化”。Figure 利用其基于 Cosmos SDK 开发的公链 Provenance Blockchain，成功解决了传统金融中最为棘手的“中后台效率”问题。通过将资产（如房贷、所有权记录）直接在链上铸造、登记和交易，Figure 能够将贷款发起和证券化的成本降低超过 100 个基点，并将处理时间从传统的 30-45 天缩短至 5 天以内 。
2025 年是 Figure 的转折之年。公司不仅实现了 GAAP 盈利，Q3 净利润接近 9000 万美元 ，还完成了与 Figure Markets 的战略合并，重新整合了其借贷业务与数字资产交易平台 。这一举措构建了一个闭环生态系统：消费者可以抵押房产获得资金，资金以生息稳定币（$YLDS）的形式发放，并可直接在 Figure Markets 交易所进行投资或Democratized Prime协议中进行再次质押。这种“资产端”与“资金端”的打通，展示了 RWA 赛道的终极愿景。
本报告将剖析 Figure 的Q3财报，并从其收入来源和商业模式的最近更新来评估其“区块链原生”策略是否构成了真正的护城河，以及其在日益拥挤的 RWA 赛道中的长期投资价值。
2 业务板块与产品线
在 2025 年 7 月完成与 Figure Markets 的合并后，Figure 的业务架构变得更加紧密和垂直整合。Figure 的核心竞争力在于通过 Provenance 区块链将资产的生命周期（发起、登记、交易、融资、结算）全部数字化。基于此，我们整理了Figure的四大核心业务模式：RWA 资产发起与分发、资本保障与证券化、DeFi 融资与借贷、计息稳定币与支付结算。如下图，我们将这个四大业务串联在一起，试图厘清Figure的完整商业模型。
2.1 RWA 资产发起与分发
2.1.1 HELOC
这是 Figure 的“基本盘”，旨在解决传统信贷市场手工操作、纸质依赖且成本高昂（行业平均 11,230 美元）的痛点。以HELOC为主，值得注意的是，Q3中DSCR贷款的交易量大幅猛涨。先说HELOC，它是 Figure 的旗舰产品。
产品机制与用户体验： 传统银行办理 HELOC 通常需要 30 到 45 天，涉及繁琐的线下评估和公证。Figure 利用自动估值模型（AVM）和区块链上的不可篡改记录，实现了“5 分钟审批，5 天放款”的极致体验 。这一速度优势直接切中了市场痛点，特别是在高利率环境下，房主倾向于通过 HELOC 获取流动性而非出售房屋，从而避免失去原有的低利率抵押贷款。
市场地位： 自成立以来，Figure 已累计发放超过 190 亿美元的贷款，成为美国最大的非银行 HELOC 发起方 。其在非银机构中的市场份额具有绝对统治力。
HELOC+ 则是该协议中最高等级的溢价贷款池。其底层抵押品是由 Figure 及其合作伙伴发起、并在 Provenance 链上完成代币化处理的HELOC资产包，这些资产的信用质量与获得标普AAA 评级的资产属于同类产品。
从另一个角度来看，围绕HELOC业务，从贷款的发起到最后RWA资产的证券化过程中，涉及的利益相关者及其行为目的如下：
借款人（个人/小微企业）：
◦ 通过 Figure 的 100% 数字化流程申请房屋净值信贷（HELOC）或小微企业贷款（SMB）。
◦ 授权系统自动核实收入、资产（AVM 自动估值）和信用评分，实现“5 分钟审批、5 天放款”。
发起合作伙伴（银行、信贷联盟、独立抵押贷款机构）：
◦ 利用 Figure 的白标贷款发起系统（LOS），按照统一的承销标准生产标准化的信贷资产。
◦ 向 Figure 支付基于交易量的技术处理费。
◦ 将生产出的信贷资产包放在 Figure Connect 市场上进行竞价或根据远期承诺出售，实现资本的高速周转而无需长期占用资产负债表。
Figure Connect 平台（撮合方）：
◦ 将信贷资产转化为 Provenance 链上的“数字孪生”代币，确保所有权、构成和表现历史的唯一性与不可篡改。
◦ 撮合发起银行与资本市场买方（机构）之间的成交，提供实时、原子的链上结算服务。
机构买方（资管公司、保险公司、主权财富基金）：
◦ 通过平台购买具备 AAA 评级潜质的同质化信贷资产包，获得透明、数据丰富的信贷敞口。
◦ 享受比传统二级市场快数倍的结算速度（从月缩短至天/秒）。
2.1.2 第一留置权 HELOC
在 Figure 的商业模式中，现金套现再融资 业务正通过其“第一留置权 HELOC”这一创新产品进行重塑。这一业务的增长速度极快，2025 年上半年交易量同比增长近 3 倍。接下来说明，现金套现再融资与HELOC业务的核心区别。
在传统金融与 Figure 的区块链原生信贷模型中，这两者虽然都是房主提取房屋净值的手段，但在贷款性质、留置权顺位及资本市场表现上存在显著差异。
1. 贷款性质与信贷结构：开端与循环
HELOC： 在法律与监管框架下（如《贷款诚实法》TILA），HELOC 被定义为“开放式信贷”。其核心特点是房主可以在规定的提款期（通常为 2 到 5 年）内重复提取和偿还资金。Figure 的 HELOC 产品允许借款人在不产生额外自付费用或结清成本的情况下，根据需要多次取款。
现金套现再融资： 这通常属于“闭口信贷”。房主通过申请一笔比原有抵押贷款金额更大的新贷款，清偿旧贷款后，一次性获得剩余的现金差额。它不是一个可循环的额度，而是一次性的债务重组行为。
2. 留置权顺位的区别
HELOC： 通常作为“第二留置权”存在。这意味着它是在房主现有第一抵押贷款之上的额外负债。在清算时，其受偿顺序排在第一抵押贷款之后，因此风险权重通常较高。
再融资业务： 必然涉及“第一留置权”。由于它是通过新贷款取代旧贷款，新贷方将获得该房产的首要留置权。Figure 近年来增长最快的产品之一便是“第一留置权 HELOC”，其本质上是作为传统现金套现再融资的替代品而设计的。
3. Figure 模式下的效率与成本差异
根据 Figure 的业务数据，其利用区块链技术在这两类业务中实现了断层式的成本削减：
成本对比： Figure 处理第一留置权贷款（再融资替代品）的成本仅为 1,000 美元，而行业平均成本高达 12,000 美元。对于传统的 HELOC，Figure 的平均生产成本仅为 730 美元，远低于抵押贷款行业的平均成本 11,230 美元。
放款时间： 无论是再融资还是 HELOC，通过 Figure 的自动化贷款发起系统（LOS），房主通常可以在 5 分钟内获得审批，中位放款时间为 10 天，而传统行业中位时间约为 42 天。
4. 资本市场与证券化逻辑
HELOC 证券化： Figure 成功发行了多宗由 HELOC 支持的资产支持证券（ABS），其中优先级债权多次获得标准普尔和穆迪的 AAA 评级。由于 HELOC 往往是第二留置权，评级机构通常会假设其违约损失率高于第一留置权资产。
再融资（第一留置权）的表现： 由于再融资业务持有第一留置权，其资产在资本市场上的吸引力更大，风险定价通常更为优厚。Figure 的第一留置权业务量在 2025 年第三季度增长了近 3 倍。
为什么越来越多的美国房主选择第一留置权HELOC，他们可以获得哪些收益？
◦ 极致的成本节省： Figure 的第一留置权生产成本约为 1,000 美元，而行业平均成本高达 12,000 美元，为用户节省了断层式的结清费用。
◦ 时间效率： 审批只需 5 分钟，中位放款时间从行业平均 42 天缩短至 10 天。
◦ 灵活性： 获得比个人贷款更低的利率，且通常具备未来再次提取净值的灵活性。
从Q3财报公布的数据可知：
在 2025 年第三季度，Figure 消费者信贷市场的总成交量达到 25 亿美元，同比增长 70%。
第一留置权 HELOC 表现：
◦ Q3 2025 ： 第一留置权 HELOC 的成交量占总消费者信贷量的 17%。以此计算，该季度成交额约为 4.25 亿美元。其份额较 2024 年同期的 10.5% 增长了 650 个基点。
◦ 2025 年上半年表现： 其交易量占总发起额的 15%。对应的成交额约为 4.8 亿美元。
◦ 增长速度： 该业务呈现出指数级增长，2025 年第三季度交易量同比翻了近 3 倍。
开放式/标准 HELOC (通常为第二留置权)：
◦ 由于 HELOC 占总量的 99%，除第一留置权以外的绝大部分均属于此类。
◦ 尽管第一留置权增长迅速，但 Figure 资产负债表显示，截至 2025 年 9 月 30 日，其持有的 HELOC 资产中仍有 80% 处于非第一顺位（即作为第二或第三留置权存在）。
2.1.3 DSCR 贷款
专为房地产投资者设计。该产品不看借款人的个人收入，而是基于物业的租金回报率（DSCR）进行审批。
DSCR 贷款是 Figure 将其在 HELOC领域沉淀的成功模式向更广阔的消费者信贷资产类别扩张的核心路径之一。
在 Q3 2025，包括 DSCR 贷款在内的新产品类别贡献了超过 8000 万美元的交易量，显示出强劲的增长势头 。
其参与者结构、行为模式与收益分配逻辑与 HELOC 高度一致，但在底层资产属性上更侧重于投资性物业的现金流。从利益相关者画像来说，除了借款人之外，和HELOC基本保持一致。
指标维度
核心数据 / 指标
市场意义
增长势头
Q2 (0.02%) → Q3 (8000万美元)
爆发式增长： 尽管在 Q2 占比极低，但在 Q3 随着 DSCR 与加密抵押贷款等新产品的发力，交易量迅速攀升。
单笔贷款指标
平均余额：17.4 万美元贷款上限：100 万美元
精准覆盖： 该额度精准切入单户住宅租赁（SFR）投资者的主流融资区间。
市场潜力 (TAM)
200 亿美元 / 年 (证券化规模)
存量替代： DSCR 是美国非合格抵押贷款（Non-QM）市场的核心，Figure 旨在通过区块链技术解决其“透明度低、周期长”的沉疴。
系统支撑 (LOS)
160 亿美元
横向扩张： 利用已在 HELOC 领域跑通并累计生产 160 亿贷款的自动化系统（LOS），实现 DSCR 产品的快速上量。
核心竞争优势
75% RWA 私人信贷市占率
行业定价权： 凭借压倒性的市场份额，Figure 正在将“实时、原子结算”确立为 DSCR 细分市场的行业基准。
DSCR 贷款借款人主要是针对租赁物业进行融资。 借款人通过 Figure 或其合作伙伴的门户提交申请。DSCR 贷款的特殊之处在于，除了常规信用评估，借款人必须提供租赁收入证明（通常为租约），以计算债务服务覆盖率。
DSCR 贷款的逻辑核心在于“以事实（数据）替代信任”。与 HELOC 类似，它通过将极其不流动的房地产债权转化为链上标准化、同质化的代币，实现了资产端与资金端的“帕累托优化”：借款人拿到了钱，机构降低了摩擦成本，而原本处于金融外围的普通 DeFi 用户则成为了这些优质 RWA 资产的共同受益人。
2.2 资本保障与证券化
为了增强市场流动性并作为“最后买方”，Figure 与顶级投资机构建立了战略合作。
Sixth Street（战略合资方）：
◦ 向合资实体 Fig SIX Mortgage LLC 提供 2 亿美元的权益资本。
Fig SIX Mortgage LLC（担保载体）：
双方共同成立的合资实体 Fig SIX Mortgage LLC，在 Figure 生态系统中被定义为关键的“担保载体”（Guarantor Vehicle），并获得了来自 Sixth Street 2 亿美元的可回收权益资本承诺。
在业务运作层面，Fig SIX 在 Figure Connect 电子交易市场上充当了“常驻买家”的关键角色。这一机制为银行、信用社及独立抵押贷款商等发起合作伙伴解决了资产分发的后顾之忧，确保其产生的区块链原生资产能够获得确定的成交执行和更有竞争力的市场定价。这种“总是存在”的出价机制，实质上将原本零散且不透明的私人信贷交易，转变为一个具备高效价位发现功能的标准化市场。
在证券化产品的结构化设计中，Fig SIX 的风险对冲功能更为显著。该载体在发起证券化交易时，会主动保留并持有资产包中的“残值权益”或称“首损部分”（。这种安排使得 Fig SIX 成为信用风险的“首席吸收器”，在底层 HELOC 贷款出现违约时率先承担损失，从而保护了上层债权人的利益。
2.3 DeFi 融资与借贷
该模式通过消除传统的主经纪商和仓库融资中介，实现了资金流的民主化。
资产持有者：
通常为银行或贷款机构，他们将通过 LOS 系统生成的 token 化信贷资产（如 HELOC 资产包）或加密资产存入智能合约作为抵押。这种模式允许机构利用其持有的 RWA 资产获取实时流动性，其融资成本往往低于传统银行提供的仓库线。
协议采用小时级荷兰式拍卖来确定清算利率。借款人设定最高可接受利率，而贷方竞标其目标收益，最终所有入场资金均按统一的市场清算利率计息。这种机制确保了价格发现的即时性和公平性，使市场在 1% 至 30% 的宽幅利率区间内动态调节。
流动性提供者：
Figure 成功将原本仅限顶级金融机构参与的私人信贷市场进行了“颗粒化”改造。
普通 DeFi 用户仅需 100 美元即可通过该协议参与全球信贷资产的融资，这在传统金融体系中是不可想象的。
截至 2025 年年中，贷方通过该协议赚取的年化收益接近 9%，明显高于持有 YLDS 稳定币或在传统货币市场基金中的回报。这种吸引力促使 Figure 进一步将该模式扩展至 Solana 和 Sui 等 Layer 1 生态，通过引入 PRIME 这种流动性质押代币，进一步放大了 RWA 的收益杠杆。
Democratized Prime 协议：
为了确保贷方资金的安全，Democratized Prime 建立了一套基于代码的强硬风险管理体系。
资产确权： 利用 DART 技术 实现了抵押权的完美，确保贷方对底层 RWA 资产拥有 indisputable 的法律和技术追索权。
清算逻辑： 协议实时监控LTV。当 LTV 触发 90% 的阈值时，智能合约会自动启动链上清算流程，通过每周一次的 BWIC 将信贷资产进行拍卖变现，所得资金优先偿还贷方本金。此外，若市场流动性不足以应对赎回，利率会自动跳升至 30%，以强制借款人去杠杆或吸引新资本入场。
2.4 计息稳定币与支付结算
Figure 利用其 SEC 注册的合规身份，将传统货币市场收益引入链上支付体系。
Figure Certificate Company (FCC)（发行人）：
不同于市面上多数基于离岸实体的稳定币，$YLDS 的核心优势在于其法律身份的透明性。
FCC 的角色： FCC 根据美国《1940年投资公司法》注册为投资公司，专门发行票面金额证书，而 $YLDS 正是这些证书的数字表现形式。
底层资产担保： $YLDS 由 FCC 持有的高质量、低风险资产组合（主要为美国国债及类似 prime 货币市场基金持有的证券）提供 100% 担保。这种架构确保了资产的稳定性和监管可追溯性，使其能够作为机构级的生息抵押品。
YLDS 持有者（机构为主）：
$YLDS 为持有者提供了传统金融市场与 DeFi 之间的“帕累托改进”。
收益模型： 持有者可获得相当于 SOFR（担保隔夜融资利率）减去 50 个基点 的收益。在宏观高利率环境下，这使得 $YLDS 成为优于传统非生息稳定币的资产选择。
支付与结算： $YLDS 支持 24/7 的链上点对点转账，且作为 Figure Exchange 的默认结算货币，用户可在几秒内完成资产交换。例如，用户可以直接利用 $YLDS 购买比特币，系统会自动处理底层汇率对冲与清算。
Figure Payments Corporation（资金通道）：
由于 FCC 受限于监管，无法直接持有如 USDC 或 USDT 等通用加密资产，Figure 引入了 Figure Payments Corporation (FPC) 担任关键的资金通道。
镜像订单机制： 当用户在交易所使用 $YLDS 购买加密资产时，FPC 在后台运行镜像订单流程。系统通过 FPC 的自有流动性池，撮合 $YLDS 持有者与持有 USDC 的对手方进行交易，从而打通合规证券代币与公共加密市场之间的边界。
生态规模： 这种合规架构在 2025 年获得了显著增长，其余额从 2025 年第二季度的约 400 万美元，在 11 月迅速攀升至接近 1 亿美元，并已扩展至 Solana 和 Sui 等 Layer 1 生态。
3 Q3收入拆分
Figure 在本季度交出的答卷堪称惊艳，其总净营收达到 1.5637 亿美元，而净利润高达 9,000 万美元，这种接近 57% 的净利润率在传统金融机构中极为罕见，充分证明了区块链底层架构对传统借贷业务的效率重构。这种盈利能力的背后，是其高度多元且互补的收入结构，主要由贷款销售、技术费用、贷款发起以及持续性的服务费和利息组成。
贷款销售净收益作为其最大的收入引擎，贡献了 6,356.1 万美元，展现了 Figure 在二级市场极强的资产流动性。其中，全额贷款销售占 5,172 万美元，通过将房屋净值信贷额度（HELOC）的所有权、风险和现金流完整转让给机构买家，Figure 实现了资本的快速回笼。更值得关注的是其 826.6 万美元的证券化贷款收入，公司通过特殊目的实体（SPE）将标准化贷款注入，发行从 AAA 到 B- 等级的债券。Figure 能够协助这些证券化产品获得标普、穆迪等机构的 AAA 评级，这并非易事，完全得益于其 LOS 系统提供的数据完整性和 Provenance 区块链的可追溯性，这为机构投资者提供了传统金融市场难以企及的底层透明度。
技术与生态系统费在本季度贡献了 3,569.1 万美元，这是 Figure 区别于普通金融公司的核心所在。其中 1,554.8 万美元源于技术提供费，而 1,624.8 万美元则来自于生态系统费，后者本质上是一种“市场准入”或“撮合”溢价。Figure 利用区块链技术将传统的、长达数月的结算周期缩短至几天甚至数秒，这种实时结算能力是其吸引生态合作伙伴的核心资产。通过标准化的承销和文档处理，原本非标的贷款被转化为高度同质化、易于买卖的数字资产，这标志着 Figure 已经成功从一家贷款发起机构转型为金融基础设施提供商。
在业务的前端，Figure 的贷款发放费达到了 2,141.5 万美元，这包含了处理贷款服务的直接手续费、放款时的杂费以及贷款折价收入。这部分收入的爆发式增长离不开其高度自动化的作业流程。Figure 彻底摒弃了传统金融的低效模式，通过连接借款人银行账户实现自动收入验证，并利用自动化估值模型（AVM）取代了耗时的现场房产评估。结合数字留置权匹配、产权搜索自动化以及远程在线公证，Figure 极大地降低了获客成本并提升了用户体验。所有贷款数据在剥离个人隐私后，均以哈希值形式存入 Provenance 区块链，确保了资产在诞生之初就具备不可篡改的信用属性。
除了通过“快进快出”的销售模式获利，Figure 同样展现了深厚的资产管理能力。其利息收入录得 1,786.4 万美元，来源包括核心的 HELOC 组合收益、数字资产抵押个人贷款，以及在资产证券化过程中保留的约 5% 的风险份额收益。此外，Figure 在现金流管理上也表现出加密原生的敏锐度，通过 YLDS 稳定币利息和现金等价物回报来优化资本效率。这种“轻资产运营”与“战略性风险留存”的结合，使公司在保持流动性的同时，也能分享优质资产的长期增值红利。
服务资产与费用的表现则是 Figure 盈利模式中的“长尾效应”体现。本季度服务资产净收益为 933.2 万美元，这反映了公司在出售贷款后保留的服务权公允价值。虽然这部分价值受内部模型估值假设的影响存在一定波动，但其带来的现金流却是实实在在的。服务费及其他收入共计 850.2 万美元，其中 788.2 万美元来自于为银行、保险公司或证券化信托管理贷款组合，包括处理月度还款、账户维护和投资者报告等业务。第三季度其加权平均服务费率保持在 30 个基点（0.30%）左右，为公司提供了稳定的经常性收入支柱。
最后，Figure 在投资布局上也体现了其作为加密领域深度参与者的角色。在本季度的“其他”收益中录得 62 万美元，主要涉及对未并表实体的少数股权投资分成。值得关注的是其对 Domestic Solana Fund 的持仓，该基金持有通过 FTX 破产程序拍卖获得的 SOL 代币。同时，Figure 与 Sixth Street 成立的合资企业 Fig SIX 以及合规投资顾问公司 Reflow 的收益，也为其构建了一个涵盖信贷、投行和合规咨询的完整金融生态闭环。
综上所述，Figure 第三季度的财报不仅展示了强劲的财务数据，更向市场证明了区块链在金融领域不仅仅是一个噱头，而是能切实降低成本、缩短结算周期并提升资产评级的生产力工具。通过将底层贷款哈希化存证、批量变更 Provenance 区块链上的资产包所有权，Figure 已经建立起一套从资产发起、自动审核、实时结算到后期服务的全链条数字化标准。这种模式在提升传统金融效率的同时，也为未来更广泛的 RWA 资产上链铺平了道路。
关于 Movemaker
Movemaker 是由 Aptos 基金会授权，经 Ankaa 和 BlockBooster 联合发起的首个官方社区组织，专注于推动 Aptos 华语区生态的建设与发展。作为 Aptos 在华语区的官方代表，Movemaker 致力于通过连接开发者、用户、资本及众多生态合作伙伴，打造一个多元、开放、繁荣的 Aptos 生态系统。
免责声明：
本文/博客仅供参考，代表作者的个人观点，并不代表 Movemaker 的立场。本文无意提供：(i) 投资建议或投资推荐；(ii) 购买、出售或持有数字资产的要约或招揽；或 (iii) 财务、会计、法律或税务建议。持有数字资产，包括稳定币和 NFT，风险极高，价格波动较大，甚至可能变得一文不值。您应根据自身的财务状况，仔细考虑交易或持有数字资产是否适合您。如有具体情况方面的问题，请咨询您的法律、税务或投资顾问。本文中提供的信息（包括市场数据和统计信息，若有）仅供一般参考。在编写这些数据和图表时已尽合理注意，但对其中所表达的任何事实性错误或遗漏概不负责。第57条 企业Figure AI因解雇内部举报人引发争议……机器人安全问题“爆发”备受投资者关注的机器人初创公司Figure AI因解雇提出内部安全问题的员工而卷入诉讼，引发关于高科技领域伦理与安全标准的广泛争议。
本案由曾任Figure AI安全负责工程师的罗伯特·格伦德尔提起，他声称自己在警告机器人存在致命风险后数周内遭解雇。控诉核心在于，尽管他向管理层报告了正在开发的机器人控制力足以击碎人类头骨的事实，管理层却反将其列为解雇对象。
据格伦德尔律师团队称，他曾通过邮件和报告形式向公司首席执行官布雷特·阿德科克与首席工程师凯尔·埃德尔伯格反映机器人安全问题。其提交的证据包括机器人故障时在钢制冰箱门留下0.6厘米深凹痕的案例，并指出为融资展示的正式安全计划在投资轮结束后突然被废止，主张此举涉嫌欺骗投资者。
对此Figure AI方面予以正面反驳。公司发言人澄清该员工因业绩不佳被解雇，指控内容均属不实。格伦德尔则强调其提出的安全问题被管理层视为碍脚石，表示将通过诉讼揭露人形机器人商业化进程中牺牲公共安全的企业行为。
Figure AI自2023年起陆续获得英伟达、微软及亚马逊创始人杰夫·贝索斯等科技巨头投资。今年9月完成新一轮融资后估值达390亿美元（约57万亿韩元），较去年激增近15倍，被视为行业标杆性独角兽企业。
本案凸显了机器人产业高速发展背后的安全与透明度问题。鉴于其在通过内部举报保护劳动者与消费者、确立技术伦理法律标准方面可能形成重要判例，预计将对行业产生深远影响。企业在追求技术创新的同时，势必需直面履行社会责任与保障安全的社会期待。
Figure 成为美股 RWA 第一股，凭什么？作者：张烽
2025 年 9 月 11 日，Figure Technologies 在纳斯达克成功挂牌上市。这家被称为「RWA 第一股」的公司以每股 25 美元的价格完成 IPO，募资 7.88 亿美元，首日开盘即上涨 36%，市值突破 66 亿美元。一家将贷款资金流搬到链上重写的金融科技公司，用区块链技术重构全球金融基础设施，不仅实现了自身盈利，更打开了数万亿美元的 RWA 市场空间。
一、重构流程，强劲增长
Figure 由 SoFi 联合创始人 Mike Cagney 于 2018 年创立，致力于解决消费信贷市场存在的流程低效、成本高企等痛点。通过自研的 Provenance 区块链平台，Figure 构建了一个涵盖借贷、交易和资产代币化的完整生态系统。其核心业务是房屋净值信贷额度（HELOC），用区块链技术将传统需要约 42 天的审批流程缩短至最快 5 分钟审批、5 天放款。截至 2025 年 6 月，Figure 累计发放超过 160 亿美元贷款，成为美国最大的非银行 HELOC 提供商之一。
Figure 已经展示了其盈利能力和增长潜力。2023 年、2024 年营收分别为 2.1 亿美元、3.41 亿美元；2024 年净利润达 1992 万美元。2025 年上半年，Figure 营收 1.91 亿美元，同比增长 22.4%；净利润 2938 万美元，净利润率达到 15.4%，远高于金融科技行业 8%-10%的平均水平。Figure 的收入来源主要包括：出售贷款收益、贷款服务费、技术平台费用以及稳定币 YLDS 的相关业务。这种多元化的收入结构为其提供了持续的增长动力。
二、拥抱监管，注重透明
Figure 在法律合规方面的核心策略是主动拥抱监管、获取必要牌照、创新采用「混合确权」模式，并注重透明披露。其主要做法可概括如下：
牌照先行，全面覆盖：Figure 深知金融业务的强监管属性，因此积极获取各类牌照。它已持有超过 180 项贷款发放与服务牌照、48 张货币传输许可证，并拥有 SEC 注册的经纪交易商资质和另类交易系统（ATS）运营权。这为其各项业务的合规开展奠定了坚实基础。
尊重现有法律框架，采用「混合确权」模式：Figure 深刻理解在当前法律环境下，链上记录难以直接作为所有权的最终法律凭证。其 Provenance 区块链是一个许可型联盟链，而非无许可的公链。他们采用了一种「链上可见+链下确权」的混合模式——链上提供透明的交易痕迹，但法律上的最终所有权仍以传统注册过户代理（transfer agent）的官方记录为准。这确保了其操作符合《1934 年证券交易法》等现有法规要求。
争取监管批准，开创先例：在关键产品创新上，Figure 积极与监管机构沟通并争取批准。其带息稳定币 YLDS 成功获得了美国 SEC 的批准，被认定为受《证券法》和《投资公司法》监管的利息债务证券。其发行的房贷支持证券也获得了标普的 AAA 评级。这些认可极大增强了其产品的合规性和市场信誉。
注重审计与信息披露：作为一家上市公司，Figure 的财务数据和业务运营需接受严格审计。尽管其链上资产的可验证性存在争议，但其公开财报的审计在一定程度上提供了另一层面的透明度保障。
Figure 通过「牌照护航、模式创新、监管合作、信息披露」的组合策略来处理合规问题，在现有法律框架内审慎地推进金融创新，力求在创新与合规之间取得平衡。
三、综合实力，拔得头筹
Figure 上市后，其股价在首日上涨 24.44%，市值突破 67 亿美元。市场用真金白银投下了信任票.Figure Technologies 能够成为「RWA 第一股」，主要得益于其在技术落地、商业模式、合规先发优势和市场地位等方面的综合实力。
技术落地与效率提升。Figure 自主研发了 Provenance 区块链，专注于金融应用。其将房屋净值信贷（HELOC）审批流程从传统平均 42 天缩短至最快 5 分钟审批、5 天放款，累计发放贷款超 160 亿美元，显著提升了金融业务的效率并降低了成本。
创新的商业模式与盈利表现：Figure 构建了涵盖借贷、交易和资产代币化的完整生态系统。其收入来源多元，包括出售贷款收益、贷款服务费、技术平台费用等。公司在 2024 年实现 3.39 亿美元调整后净收入，2025 年上半年净利润达 2938 万美元，展示了强劲的盈利能力和增长潜力。
合规先发优势与行业标准制定：Figure 在合规方面布局深远，已持有超过 180 项贷款发放与服务牌照、48 张货币传输许可证，并拥有 SEC 注册的经纪交易商资质。2025 年 2 月，其获得美国 SEC 批准发行全球首个带息稳定币 YLDS，发行的债券也获得标普 AAA 评级，这些均是行业重要的合规里程碑。
市场主导地位与稀缺性：在 RWA 私人信贷代币化市场，Figure 占据约 75%的市场份额，锁定资产超 110 亿美元，是该领域的绝对领导者。作为全球首家以 RWA 为核心业务的上市公司，其具备显著的稀缺性，吸引了市场高度关注。
Figure 通过将区块链技术深度应用于解决传统金融痛点，并成功构建可盈利的商业模式，加之其卓越的合规能力和市场地位，使其成为 RWA 领域标杆并成功上市。
四、路径开辟，行业奠基
作为全球首家以 RWA 为核心业务的上市公司，Figure 通过将区块链技术应用于贷款发放、资产证券化等环节，实现了实质性的效率提升和成本降低，其成功上市为整个行业开辟了一条路径，证明了 RWA 代币化的商业可行性和发展潜力。
Figure 上市展示了区块链技术在传统金融领域的实际应用价值，而非仅仅是概念验证，也为后续类似企业提供了经验和模板，特别是在合规框架构建和监管沟通方面。
Figure 的成功也为未来类似的上市企业提供了重要启示，即技术创新必须与真实需求相结合。Figure 没有仅仅停留在区块链概念上，而是深入解决传统金融中的实际痛点。合规先行的策略是另一个重要启示。通过在监管合规方面的大量投入，Figure 为自己创造了合法的运营空间，也为行业建立了标准。另外，Figure 展示了生态构建的重要性，通过提供从贷款发放到资产证券化的全流程解决方案，Figure 创造了网络效应，提高了用户黏性和转换成本。Figure发布机器人系统Helix 2.5，任务成功率提升至56%Techub News 消息，人形机器人公司Figure发布其机器人系统Helix 2.5，新版本将机器人在零样本泛化下执行家庭任务的成功率提升至56%。该进展凸显了AI在动态环境中的应用潜力，同时也反映出机器人可靠性方面仍面临挑战。
（Crypto Briefing）前 Infosys CEO 的 AI 初创公司种子轮再获 5300 万美元融资Techub News 消息，由前 Infosys CEO 创立的 AI 初创公司在种子轮融资中再获 5300 万美元。该公司位于帕洛阿尔托，在成立数月内已获得多个七位数金额的企业合同。
（TechCrunch）Nscale 承诺向人形机器人公司 Figure 提供 35 亿美元 AI 云容量Techub News 消息，AI 云服务提供商 Nscale 承诺向人形机器人初创公司 Figure 提供至少 35 亿美元的 AI 云容量支持。该计划包括在德克萨斯州部署 10 万台英伟达 Vera Rubin GPU。
此次合作旨在为 Figure 的机器人研发提供大规模计算基础设施，以加速其人工智能模型的训练与部署。（Crypto Briefing）Figure 完成 7.17 亿美元收购，将房地产贷款平台 Kiavi 纳入其区块链市场Techub News 消息，区块链金融科技公司 Figure Technology Solutions 已完成对房地产贷款机构 Kiavi 的收购，交易金额为 7.17 亿美元。通过此次收购，Kiavi 的贷款技术和住宅投资者贷款产品将被整合至 Figure 基于区块链的资本市场平台。Figure 于 9 月 1 日宣布了此项交易。（Crypto.news）奥特曼：OpenAI 计划开发人形机器人Techub News 消息，奥特曼宣布 OpenAI 正大力进军机器人领域，计划开发能处理现实世界任务的人形机器人，拟于 2027 年先推出面向建筑和基础设施的通用机器人，后续再推出消费级个人机器人。
该公司此前曾开发机器人手臂 Dactyl，但于 2020 年左右关闭相关部门，此次重建始于 2025 年 2 月。其技术路线将结合世界模拟技术训练 AI 理解物理环境，目标先进入建筑工地等可控环境，再拓展至家庭场景，与特斯拉 Optimus、Figure 等展开竞争。（CryptoBriefing）Figure 推进代币化借贷，Coinbase 布局 AI 代理支付Techub News 消息，在 NYSE 播出的最新一期「Public Keys」节目中，讨论了区块链行业多项进展。金融科技公司 Figure 介绍了「Rule of 150」原则并推进代币化借贷业务；TD Cowen 分析师 Lance Vitanza 分析了比特币财库策略的行业趋势；Coinbase 则押注于能够自主支付的 AI 代理技术。
Figure 是一家专注于金融科技的区块链公司，致力于将传统借贷业务上链；Coinbase 作为美国上市加密货币交易所，近期正积极探索 AI 代理与加密货币支付功能的结合。（CoinDesk）Stellar 添加 MoneyGram 等三家机构为 Tier 1 验证节点Techub News 消息，Stellar Development Foundation 于 7 月 16 日升级网络核心架构，新增 MoneyGram、Figure Markets 和 Range 为 Tier 1 验证节点，预计 8 月中旬完成集成。
Tier 1 验证节点位于 Stellar 共识协议信任层级顶端，需运营多地域分布式节点并保持 99.9% 以上在线率。与 SDF 关联紧密的组织历来主导该层级，此次引入三家外部商业机构将提升网络地理分布多样性和抗故障能力。（CryptoBriefing）Figure Q2 净利润增长 192%，贷款交易量达 43 亿美元Techub News 消息，Figure Technology Solutions 发布第二季度财报称，该公司 Q2 贷款市场交易量达 42.6 亿美元，同比增长 132%；净利润攀升 192% 至 8740 万美元，净收入超 2.2 亿美元。
其中 Figure Connect 平台处理 27.7 亿美元，占总量 65%，该平台连接第三方贷款买卖双方。公司新增 102 个合作伙伴，活跃网络达 489 个，预计 Q3 交易量在 48 亿至 52 亿美元之间。（crypto.news）Figure Technology Q2 盈利增长四倍收益代币 YLDS 达 6 亿美元Techub News 消息，Figure Technology Solutions 发布 2026 财年第二季度财报，每股收益 0.35 美元，高于市场预期的 0.23 美元，同比增长超四倍；营收 2.18 亿美元，同比翻倍。其 SEC 注册收益代币 YLDS 未偿付金额达 5.98 亿美元。
该公司基于 Provenance 区块链运营借贷市场，通过代币化贷款实现链上结算，自 2018 年成立以来已发放超 190 亿美元贷款。其于 2025 年 8 月完成与子公司 Figure Markets 的合并，整合借贷与交易业务，目前股票代码为 FIGR。（CryptoBriefing）Figure 以 180 亿美元资产领跑代币化 RWA 平台Techub News 消息，据 Cointelegraph 报道，Bernstein 报告显示 Figure Technology Solutions 以 180 亿美元资产规模在代币化现实世界资产（RWA）平台中排名第一，Securitize 和 Paxos 分别以约 42 亿美元紧随其后。
报告指出，私人信贷已成为 RWA 市场增长最快的领域之一，Figure 在 2026 年已代币化 50 亿美元消费贷款，4 月月度贷款量达 13 亿美元创纪录。目前私人信贷占 RWA 市场最大份额，美国国债以约 30% 占比位居第二。撰文：Techub News 整理 导语 在 2025 年于旧金山举行的 Bloomberg Tech Summit 上，人形机器人公司 Figure AI 的创始人兼 CEO Brett Adcock（布雷特·阿德科克）接受了深度访谈。三年前几乎同一周，Adcock 在特拉华州正式注册成立了 Figure，目标直指通用人形机器人领域。自成立以来，Figure 以惊人的速度推进，而 Adcock 本人也因对2025 年 6 月机器人可实现目标的大胆预测而备受关注，同时也伴随着不小的质疑。此次对话正值 Figure 发布其第二代机器人 Figure 02 展示全新物流用例视频之际，Adcock 详细阐述了公司的技术路径、商业化进展、制造野心以及对整个行业格局的思考。 摘要 人形机器人将催生史上最大规模的产品发布和商业帝国，其市场潜力远超现有任何行业。 Figure 采取软硬件全栈自研的垂直整合策略，旨在直接“出售劳动”，而非单纯销售硬件或模型。 公司已与宝马（BMW）在车身车间展开实际部署，并与一家物流巨头（据报道为 UPS）合作，让机器人每日执行真实商业任务。 制造被重新定义为消费电子模式而非汽车制造，公司设定了四年内出货10万台机器人的激进目标，并已建立相应产线。 AI 能力核心在于单一神经网络处理视觉输入并输出动作，其泛化能力可使机器人处理从未训练过的物体（如草莓）。 商业化蓝图：从工厂车间到家庭客厅 Brett Adcock（布雷特·阿德科克）开宗明义地表达了他的核心信念：人形机器人不仅将建造一个规模空前庞大的商业帝国，其倍数将远超现有任何行业，而且这将成为史上最大规模的产品发布。他将此形容为“合成人类”出去从事类人工作，并称这是创始人所能面对的最终极、最具挑战性，但也可能是一生中最重要的创业问题。 Figure 的市场进入策略清晰分为两大领域：一是将机器人部署到商业劳动力市场，二是进入消费者家庭场景。Adcock 指出，全球劳动力人口正在下降，而商业劳动力市场占据了约一半的 GDP，潜力巨大。在家庭场景中，机器人需要完成诸如洗衣、收拾碗碟、整理儿童玩具等日常任务。为此，Figure 在设计硬件时，就以能让机器人完成普通人所能做的大部分事情为目标，在运动范围、力量（有效载荷）和速度等方面向人类看齐。 目前，Figure 的机器人已经每日在商业环境中工作。Adcock 强调，公司的目标是在市场上完全摒弃远程操控或遥操作。当前，遥操作仅用于数据收集和测试，真正的自主活动中并不需要人为干预。他认为，要实现规模化部署，就必须设定“无人在环”的终极目标，否则很容易陷入局部最优的陷阱。 制造野心与客户实践： scaling the future 当被问及与特斯拉 Optimus 的类比及制造规模时，Adcock 透露了 Figure 的制造设施细节。公司内部称其为“Bot-Q”，目前每条产线具备年产 12，000 台机器人的安装产能。他重申了在四年内出货 10 万台机器人的目标，并承认需要大幅提升产能。 Adcock 分享了一个关键认知转变：制造人形机器人更像是消费电子产品制造，而非汽车制造。机器人虽然结构复杂，但制造流程的难度比汽车低几个数量级。过去一年，Figure 深入理解了制造环节，建立了从零开始的制造流程、自研的制造执行系统（MES），并在产线上实现了广泛的自动化，这让他对实现大规模交付的信心大增。 在客户实践方面，Adcock 证实了与宝马的合作。目前，Figure 的机器人已在宝马的车间从事移动钣金件的工作，目标是将零件放置到夹具上，以便后续焊接成汽车底盘。他强调，这种合作关系带来的最大价值是让公司学会了如何在客户现场每日稳定运行机器人，处理网络、安全、与制造执行系统（MES）集成等问题，并致力于将每日所需的人工干预降至零。 此外，Adcock 也确认了在物流领域有第二位客户（彭博社报道为 UPS），并正在启动初步部署。他特别提到了当日发布的新视频：机器人能够自主分拣纸箱包装和塑料膜包装的包裹，并抚平塑料膜以露出条形码。Adcock 指出，物流场景的挑战在于每个包裹的每次出现对机器人而言都是全新的，无法用传统代码解决，必须依靠 AI 的泛化能力。机器人需要以人类的速度（每件 3-4 秒）处理不同尺寸的包裹，并完成定位条形码、抚平等动作。 全栈自研的 AI 哲学与竞争优势 Adcock 明确了 Figure 的“首要指令”：出售劳动。公司旨在让机器人出去完成制造、建筑、家务等各种工作，并按产出收费。因此，所有设计决策都围绕如何高效实现这一目标展开。Figure 不打算只卖硬件或模型，而是提供垂直整合的全栈解决方案，让用户仅通过语音就能指挥机器人智能地完成工作。 为了实现这一目标，Adcock 认为别无他法，必须自研一切：硬件、电子设备、软件、模型训练、制造、集成和服务。当被问及是否曾考虑基于 OpenAI 等公司的模型开发时，他给出了否定的答案。原因有二：一是 Figure 自己做得更好；二是与外部巨头合作反而会在招募顶尖团队时带来“别人已搞定 AI”的误解。事实上，Figure 自行完成了大部分 AI 工作。 在技术栈上，Figure 使用了开源的视觉语言模型（VLM）作为骨干网络，为机器人提供语义理解基础（例如，知道“草莓”是什么以及该如何处理）。在此之上，所有数据收集、模型开发、训练和推理测试均由 Figure 自主完成。Adcock 自信地表示，Figure 在人形机器人的 AI 工作上做得比地球上任何其他人都好。 关于数据与学习，Adcock 指出，公司目前面临的是数据和机器人数量问题，而非 GPU 算力问题。他描绘了一个强大的增长飞轮：部署更多能完成有用工作的机器人 → 通过制造经验曲线降低单位成本 → 机器人在市场中每日学习并改进 → 学习成果通过神经网络共享给整个机队。这可能导致赢家通吃或赢家多数的市场格局，即拥有最智能、学习最快且成本最低的机器人的公司将获得显著优势。 资本、竞争与未来展望 针对公司传闻以约 400 亿美元估值融资的消息，以及从上一轮 26 亿美元估值跃升的压力，Adcock 并未直接确认，但强调 Figure 资产负债表上的现金可能比整个人形机器人领域历史上筹集的总资金还要多。他表示，公司资金充足，足以支持训练、制造数万乃至更多机器人，并招募和激励全球最优秀的团队。当前重点在于保持团队精干、行动迅速，并持续交付每日可用的产品。 谈及与特斯拉 Optimus 的竞争，Adcock 表示公司不花太多时间关注竞争对手，但他认为，Figure 或许已经在全球范围内展示了人形机器人在 AI 和实际应用方面最好的真实进展。公司有动力继续保持市场领先地位。 最后，Adcock 展望了下一阶段：硬件已经可靠工作；AI 能够执行类人任务，并向人类学习，随时间不断改进；成本已大幅下降（他透露 Figure 03 的成本比 Figure 02 降低了约 90-93%）。这一切都无需硬件变更，只需通过软件和数据迭代即可实现，这令整个团队对未来的篇章感到兴奋。
