西风 发自 凹非寺 量子位 | 公众号 QbitAI 与OpenAI分道扬镳后，Figure不仅技术进展一波接着一波，融资方面也有新进展了。 最新消息，C轮融资已拿到 超10亿美元承 诺资本，投后估 值高达390亿美元 ，一举创下当前公开信息中具身智能赛道的最高估值纪录。 本轮融资由Parkway Venture Capital领投，英伟达继续加注，Brookfield Asset Management、麦格理资本、英特尔资本、Align Ventures、Tamarack Global、LG Technology Ventures、Salesforce、T-Mobile Ventures、高通风投等也都有参与。 宣布好消息的同时，Figure不忘发布"招贤令"，AI-Helix、BotQ制造、电气、设施、运营等13个方向开启招聘。 | | figure.ai | | | | | | --- | --- | --- | --- | --- | --- | | | Careers Figure | | | | | | | 招贤纳士 数字 | | | | | | | We're bringing the huma ...

还是用的叠毛巾和分包裹的同款Helix架构，没有新的算法，没有特殊的工程， 只有新的数据 。 时令 发自 凹非寺 量子位 | 公众号 QbitAI 会叠衣服还不够？Figure机器人现在连洗碗都包了。 但前提是你得先拥有一台洗碗机。 网友对此也是突然发现了盲点： 咦？它碰到脏盘子后会主动洗手吗？它会不会用沾满食物残渣的手再去叠衣服？ 笑死，关注洗手问题的还不在少数呢。 Figure机器人会洗碗了 言归正传，早在3个月前，Figure机器人就展示了其在物流场景包裹分拣的能力，整个过程长达一小时。 面对各种形态的包裹，它都能进行完成识别、抓取、翻转，并运送到传送带上，其操作灵活性和速度已接近人类水平。 就在上个月，这个Figure 02又精进技艺，学会了叠毛巾和衣服。 现在同样的Helix架构、同样的机器人却在处理一个完全不同的任务——将餐具装入洗碗机。 乍一看，将餐具放入洗碗机的操作或许很简单，只需拿起每个餐具并将其放入洗碗机即可。 然而，这其中还是涉及很多难题的。 这些餐具往往需要从杂乱的堆叠中分离出来、重新调整角度，甚至需要 双臂协同传递 。 不仅如此，光滑或易碎的物品则要求指尖级的精细操作，洗碗机的碗架对 ...

人形机器人技术突破 - Figure人形机器人通过神经网络学习叠衣服技能，无需架构改变仅增加数据即可完成新任务[2][7] - 机器人具备自然交互能力，包括眼神交流、点头和手势反馈[4][5] - 叠衣服任务采用端到端方式运行，从视觉语言输入到运动控制完全自主[9] 技术挑战与解决方案 - 叠衣服是极具挑战性的灵巧操作任务，需处理易变形、形状多样的物体[15][16] - 机器人需精细协调手指控制以追踪边缘、捏住角落并实时调整[17][18] - Helix架构是关键，作为端到端"视觉-语言-动作"模型实现通用人形机器人控制[21] Helix架构技术细节 - 由视觉记忆、状态历史和力反馈三部分组成[23][26][29] - 视觉记忆模块可从视频帧组合特征形成短期记忆[23][24] - 状态历史通过动作分块确保模块间连续性和稳健性[26][27] - 力反馈实现触感，帮助动态调整运动过程[29][30] 应用场景扩展 - 同一模型从物流分拣扩展到叠衣服任务，展现强大泛化能力[12][14] - 机器人已掌握洗衣服、叠衣服等家务技能，接近完成家务闭环[36][38] - 技术可应用于多种场景，包括物流、家庭服务等[12][38] 行业进展对比 - 擎天柱机器人10个月前已具备叠衣服能力[10][32] - WRC展会上也有类似功能的机器人展示[34] - Figure机器人技术持续迭代，在灵活性、速度和泛化能力方向持续提升[20]

核心观点 - Figure人形机器人通过Helix架构实现端到端神经网络控制，在不改变架构仅增加数据的情况下，成功从物流分拣扩展到叠衣服等高难度灵巧操作任务 [1][14][21] - 叠衣服任务展示了机器人对高度可变性物体的处理能力，包括实时边缘追踪、褶皱调整和多模态交互（眼神/手势） [6][18][21] - Helix架构整合视觉记忆、状态历史和力反馈系统，使机器人具备环境感知、动作连续性和动态调整能力 [23][24][27][28] 技术突破 任务扩展性 - 同一模型两个月前完成物流包裹分拣（处理数千种物体，成功率接近人类水平），现直接迁移至叠衣服任务，无需修改架构或超参数 [12][14][21] - 叠衣服难度显著高于刚性物体操作：需应对无固定几何形状、易变形缠结等特性，依赖实时视觉反馈和毫米级手指控制 [15][16][17] Helix架构特性 - 多模态处理：统一模型处理视觉/语言输入到运动控制的端到端流程，支持任务间知识迁移 [8][22] - 视觉记忆系统：通过视频帧特征组合形成短期记忆，避免重复操作（如包裹分拣时记忆已检查面） [24][25][26] - 状态历史机制：分块执行动作序列并保留上下文，使纠错延迟缩短50%以上（包裹抓取失败时快速恢复） [27][28] - 力反馈闭环：实时调整运动轨迹（如检测传送带接触后暂停下压），提升操作成功率30% [28][29] 行业对比 - 该机型为首个采用多指手完成端到端衣物折叠的通用人形机器人 [21] - 竞品如擎天柱10个月前已实现类似功能，但未展示多任务迁移能力 [9][31] - 近期WRC展会上其他机器人仅能完成单一家务（抓娃娃等），而Figure已覆盖分拣/折叠/洗衣等多场景 [33] 发展计划 - 未来重点扩大现实世界数据规模，提升灵活性/速度/泛化能力 [20] - 持续优化Helix在非结构化环境中的表现，探索更多家庭服务场景 [22][33]