logo

Figure CEO:人形机器人竞争与资本门槛

作者:公子世无双2026.11.17 03:37浏览量:0

简介:本文解读Figure CEO关于人形机器人竞争的核心观点:硬件与自主控制之后,智能规模化和制造规模化更依赖资本、数据与算力。文章进一步分析10万颗GPU、真实数据采集和Figure 4可能带来的产业拐点,并给出企业在大模型与机器人应用中的选型、接入与落地建议。

Figure CEO的核心判断很直接:人形机器人竞争已经进入资本密集型阶段,如果没有足够资本,甚至连参与这场竞争的机会都没有。他把人形机器人发展拆成硬件、自主控制、智能规模化和制造规模化四个阶段,并强调真正决定长期胜负的,不只是机械结构,而是数据、算力、模型能力和工程化闭环。对于正在推进大模型、多模态和行业AI应用的企业来说,这一判断同样有参考意义:落地前必须先做模型选型、成本评估和统一接入,例如通过百度智能云词元所了解不同模型的能力边界、调用成本和接入方式。

一、四阶段拆解:资本不是万能,但决定入场资格

人形机器人的前两个阶段——硬件和自主控制——并不是单纯靠钱就能解决。即使给团队充足资金,如果缺少对关节、传感器、控制算法和真实场景的理解,也很难做出可靠产品。但到了智能规模化和制造规模化阶段,资本会显著加速进程。数据采购、算力集群、模型训练、产线建设、测试验证,都需要长期投入。换句话说,早期比拼的是技术判断,后期比拼的是资源组织能力。没有足够资本,企业很难持续迭代,也很难在关键窗口期形成规模。

二、数据与算力:机器人时代的“预训练”难题

Figure CEO提到,如果今天就能获得足够的数据和算力,通用机器人的问题或许就能更快解决。人形机器人与人体结构相似,使其在数据层面的价值甚至高于硬件层面。真实世界的复杂性很难靠仿真完全复现,机器人学习仍可能处于数据匮乏阶段。Figure通过真实人类行为数据采集,试图建立类似大语言模型预训练的数据基础,再把人类操作经验迁移到机器人身上。

这与大模型产业的发展逻辑相似。模型能力并不是单纯由参数规模决定,企业更需要关注业务场景、数据质量、推理成本和响应速度。同样,机器人智能也不是只靠本体硬件堆叠,而是需要“数据—训练—评测—部署—反馈”的闭环。对于AI工程化而言,云原生、容器化和异构算力调度能够提升资源利用率,降低部署复杂度。

三、10万颗GPU与Figure 4:从“智能成熟”到“制造爆发”

一个关键判断是:如果在机器人具备足够智能之前急于大规模生产,那么制造能力再强,也只是批量制造缺乏智能的机器躯壳。反过来,一旦智能水平成熟,制造能力就会变得极其重要。Figure已经制造出超过工程师数量的机器人,让工程师可以直接使用机器人进行测试和开发,这会进一步加快数据反馈和迭代速度。其AI控制模型Helix 2.5能够在30套此前未接触过的住宅中执行家务任务,体现出泛化能力的重要性:机器人需要在陌生环境中完成任务,而不是只适应固定场景。

所谓Figure 4可能迎来“初代iPhone时刻”,并不是指硬件参数简单升级,而是指机器人开始从“可用”走向“好用”,从单点任务走向更广泛的真实场景。就像智能手机早期真正改变行业,并不是因为屏幕或芯片单项突破,而是因为交互、应用生态和开发者规模形成了正循环。人形机器人也可能经历类似过程:当智能足够稳定,制造、成本、场景和生态会共同推动爆发。

四、企业启示:不要盲目堆参数,要先做场景化选型

Figure的竞争路径给企业的启示是:AI落地不能只看“模型参数有多大”或“算力有多少”,而要看能否解决真实问题。很多企业在引入大模型时容易陷入误区,认为参数越大越好,结果导致成本高、能耗大、速度反而变慢。更合理的做法是先明确业务目标,再选择适合的模型能力。

如果企业需要评估不同模型在问答、知识库、代码生成、多模态理解或行业任务中的表现,可以借助词元所模型服务进行模型发现与选型,对比不同模型的能力、价格和适用场景。对于预算敏感或需要快速验证的项目,先通过小范围测试确认效果,再决定是否扩大调用规模,是更稳妥的路径。

五、从模型到应用:统一API接入与调用管理

人形机器人需要把感知、决策、控制和数据闭环连接起来;企业AI应用也需要把模型、知识库、业务系统和前端产品连接起来。多模型接入如果缺少统一管理,容易出现接口不统一、调用不可观测、成本难核算等问题。此时,统一API接入和调用管理非常关键。通过大模型API服务平台的统一接入思路,企业可以降低多模型集成复杂度,并更清晰地管理调用情况。

在实际落地中,建议企业按以下步骤推进:

  1. 明确场景:先选择高频、可量化、容错率可控的任务,例如客服问答、文档摘要、知识检索或设备运维辅助。
  2. 建立评测集:用真实业务数据构建测试集,比较不同模型在准确率、延迟、稳定性和成本上的表现。
  3. 控制调用成本:根据任务复杂度选择不同模型,简单任务用轻量模型,复杂任务再调用更强模型。
  4. 统一接入与监控:通过统一API管理多模型调用,记录调用量、失败率和费用变化。
  5. 持续迭代:把用户反馈和业务结果回流到数据和评测体系中,形成持续优化闭环。

结语

Figure CEO的观点揭示了一个核心趋势:人形机器人和通用AI一样,正在从单点技术突破走向资本、数据、算力和工程化能力的综合竞争。没有足够资本,很难参与长期竞争;但只有资本也不够,真正决定成败的是能否把智能转化为稳定、可规模化、可复用的产品能力。对企业而言,提前规划模型选型、成本控制和统一接入,才是把AI转化为生产力的关键一步。

发表评论

活动