AREX Feed Article
Figure CEO Brett Adcock 全员会宣布：Figure 04 完成全部设计，第 1,000 台 Figure 03 下线
据 记者 John Koetsier 11 月 6 日的报道，Figure CEO Brett Adcock 在公司内部全员会（all-hands）上宣布：下一代人形机器人 Figure 04 已完成全部设计、进入「full design lock」（完整设计锁定），零件开始出货；第 1,000 台 Figure 03 也已下线。这场时长约一小时的全员会录像目前保存在 ，Adcock 本人则于 10 月 22 日把完整视频，Forbes 的文章把这场会议的各项主要公告逐项列出。
同一场会议上，Adcock 还给出了一串同样出自公司之口的说法：新机器手的执行器数量超过一整台机器人，指尖追踪精度达到毫米级；公司现金余额超过 20 亿美元；一个用 Figure 史上最大数据集、最多 GPU 训练出来的新模型，被他称作「baby AGI」。Forbes 称 Figure 是美国人形机器人领域的主要竞争者之一，同时明确指出，上述关键表述均来自 CEO 与公司在会上的陈述，其中「baby AGI」目前没有公开的部署结果或评测基准支撑；专门跟踪人形机器人行业的 在梳理同一份录像后得出了类似结论。
规格未公开的 Figure 04：机器手是会上谈得最多的部件
「我们正处于完整的设计锁定，零件开始出货。」Forbes 引述 Adcock 对 Figure 04 的介绍。他称这是 Figure 各代之间最大的一次跨越，说市面上的新人形机器人都在朝完全相反的方向走，并把 Figure 04 比作「人形机器人的 iPhone 1」。不过，Figure 目前没有公布 Figure 04 的任何规格或图片，外界暂时无从核对这一定位。
会上谈得最多的部件是手。Adcock 说，第四个大版本的机器手「是一个比一整台机器人还复杂的系统，执行器数量超过一整台机器人」，能以毫米级精度追踪人类指尖和接触点；他称这一版是「我们将推向市场的那只手」。这个说法也有行业坐标：Forbes 提到，1X 称其 NEO 手有 22 个驱动自由度、后续版本提高到 25 个，Tesla 最新的 Optimus 手据报道有 22 个自由度、执行器移入前臂，两家都用腱绳（tendon）驱动手指。Adcock 的路线相反——他说 Figure 01 的腱绳驱动手是「我们迄今做过的最糟糕决定之一」。Forbes 解释了两条路线的差别：腱绳可以让手更轻，但机械结构更复杂、后期维护问题更多；直接在手指内驱动动作更可预期，却更难塞进人类尺寸的手掌。Figure 没有公布 04 手的自由度或执行器数量，这场对比暂时算不出结果。
转述会议内容称，团队花了几个月打磨指尖与接触面的毫米级追踪，目前正在公司内部调试 Figure 04 的执行器，目标是让每一个执行器在会议当周内完成表征并运转起来。Humanoids Daily 补充的细节是：Figure 04 的执行器已在测试实验室运行，会前一周点亮了 10 组完整电池包，电池负载和热测试随后进行。
第 1,000 台 Figure 03 下线，公司称成本比 Figure 02 低九成以上
对这台机器人何时下线，两篇报道的口径略有差异：Humanoids Daily 转述 Adcock 在会上的说法，称其在今年夏天就已下线；Forbes 则把「刚造出第 1,000 台 Figure 03」列入公告清单。公司同时称，Figure 03 的成本比 Figure 02 低了 90% 以上——Adcock 没有给出绝对成本或售价。
Forbes 用一段概括串起了这轮量产的背景：自 2025 年 9 月完成超过 10 亿美元、按 390 亿美元估值的 C 轮融资以来，Figure 建起了自有的 BotQ 工厂，团队规模翻倍。部署方面，Adcock 说 Figure 机器人目前在三个州运行，今年还为客户增加了爬梯能力，新的控制版本定于下个月发布。
「baby AGI」：黑屋里的测试，暂时无法核验的说法
「这是我在机器人领域经历过的最重要时刻，」Adcock 在会上这样说，「我……觉得它是 baby AGI。」据 Forbes，这个模型用公司有史以来最大的预训练数据集、动用最多的 GPU 训练而成，随后在园区里一间拉上黑幕的房子——团队称之为 Black Box——里测试；员工只看到一段简短预告片，Figure 也没有公布细节。Adcock 说，一个更大的模型正在训练，几周内就绪，而未来六个月训练出的模型「会非常疯狂」。
AGI（artificial general intelligence，通用人工智能）指至少达到人类水平认知能力的系统。Forbes 对「baby AGI」的说法保持了距离：「它真的是 baby AGI 吗？我们无从得知。」Humanoids Daily 的判断更直接：这场演示既没有确立通用智能，也没有披露足以评估这一描述的评测细节。
每秒 81 分钟人类视频、每周 810 万美元：Index 数据管线
支撑这个模型的数据管线是会上数字最密的部分。Figure 在今年 8 月上线 Index，付费请世界各地的人拍摄自己做家务和工作的第一人称（egocentric）视频。Adcock 解释为什么要自建这套众包网络：「我们出去试着买数据。没成。」
按会议口径，Index 现在每秒摄入 81 分钟人类视频，相当于每小时 4,860 小时、每周约 816,000 小时；按此速率，约 9 天就能收集 100 万小时。与两个月前上线时相比：每秒摄入量从 30 分钟增至 81 分钟（2.7 倍），App 下载量从 26.4 万增至 126 万、覆盖 112 个国家，视频从 1,600 万条增至 3,750 万条，会前一周有超过 21 万人至少上传过一条视频。Adcock 说：「现在每一周，我们自己『印』出来的数据，都比能从整个市场买到的还多。」他称 Figure 正在追踪约 50 家做机器人数据的公司。Forbes 把这个体量放进行业坐标：数据公司 Maxinsights 动用 5,000 多名承包商、覆盖六个国家，累计拍下 200 多万小时——Figure 按当前速率约两周半就能收集到同样的量。
这些数据也不便宜。Adcock 说：「我们上周……估计花了 810 万美元在数据上。」按上周的节奏，一年约 4.21 亿美元，而且还在增长。他称：「未来 12 个月，我们在数据上的花费，将超过大多数机器人公司总共募到的资金。」Forbes 同时列出了这条管线的几个硬限制：公司报的是摄入速率，不是清洗后可用的数据集；一小时的手机视频不等于一小时的机器人数据；原始人类视频里没有力、扭矩和触觉。经过清洗和标注之后还剩多少可用数据，只有 Figure 内部知道。
账上现金比已披露融资还多：多出的部分公司暂未说明
「我们今天的现金资产负债表超过 20 亿美元。」Adcock 在会上说。Forbes 指出，这个数字比 Figure 已披露的融资总额——约 19 亿美元，含 2025 年 9 月超过 10 亿美元、按 390 亿美元估值的 C 轮——还要多，意味着有未公布的新钱进账。Adcock 没有说明金额和来源，只说细节「到时候会说」。Forbes 提到，The Information 曾在 10 月初报道，Nvidia 讨论过再向 Figure 投资约 10 亿美元，投前估值约 380 亿美元。
算力是另一笔大钱。Figure 与云服务商 Nscale 的协议初始承诺 35 亿美元、意图扩展到 60 亿，2027 年起在得克萨斯州西部的 NVIDIA Vera Rubin 平台运行；Adcock 还说，现有算力将在会后约一周半内翻倍，并认为 Figure 最终需要「比今天 LLM 更大的算力集群」。Humanoids Daily 提醒：20 亿美元现金与多年算力承诺是两个独立的数字，不构成新一轮融资的金额。
「预训练会赢」：Adcock 的赌注与同行的不同答案
把数据、现金和算力串起来的，是 Adcock 在会上最具争议的判断：「后训练（post-training）赢不了这场比赛，赢的是预训练（pre-training）。」他说 Figure 随 Helix 2.5 模型发布了「人形机器人学习的首批 scaling laws」（缩放定律）——更多预训练数据带来近乎直线的损失下降和更高的评测分数，并称 Helix 2.5 在 30 个机器人从未见过的房子里把家务成功率提高了 6 倍。Humanoids Daily 依据公司 9 月的公布给出另一组口径：在 30 个租来的未见住房里测试三项此前训练过的家务，420 次尝试成功 237 次，约 56%——迁移能力得到验证，可靠性缺口仍然明显。Forbes 也提醒，Figure 并非第一家宣称机器人 scaling laws 的公司：Generalist AI 一年前就为 GEN-0 发布过 scaling laws（用了 27 万小时操作数据），Dyna Robotics 和 Nvidia 也发表过类似结果。
作为佐证，Adcock 举了一个部署案例：一台 Figure 机器人最近被放进新的客户场地，灯光不同、传送带不同，零样本（zero-shot）跑起了作业。他称 Figure「可以说是世界上最好的后训练公司」，问题在于后训练无法规模化——每个新家、新仓库都要重新训练，最后得到的不是通用机器人，而是「一门很贵的咨询生意」。
反方同样存在。Forbes 引述 General Robotics CEO Ashish Kapoor 的观点——他把机器人智能分为前沿模型、机器人基础模型和面向具体任务的后训练三层，并认为前两层终将合并，价值会随之转移到后训练；Unitree 创始人王兴兴最近说，他把 GPT-6 用在机器人上测试，效果很好；Standard Bots 则把生意建立在工厂车间的后训练上。
Forbes 在报道结尾写道：如果 scaling laws 在机器人身上像在语言模型上一样成立，「最多数据、最多算力、规模胜过专门化」会是很难追上的组合；如果它们不成立——「那这就是一种非常昂贵的吸取教训的方式。」至于「baby AGI」本身，这篇报道写下的检验条件是：除非 Figure 在公开环境、在模型没见过的任务和地点上展示能力，否则无法确认。