Figure AI — 通用人形機器人製造商 | POC.HK — 未來文明與科技觀測站

Figure AI — 人形機器人領域的領軍企業

一、創立背景與公司歷史

Figure AI 於 2022 年在美國加州桑尼維爾（Sunnyvale）創立，由連續創業家 Brett Adcock 擔任創辦人兼執行長。公司從創立之初便確立了一個極為宏大的願景：開發能夠在人類環境中自主工作的通用人形機器人，並以可負擔的成本實現大規模量產，最終解決全球製造業、物流業、零售業乃至家庭服務領域長期面臨的勞動力短缺問題。

2022 年，人形機器人領域仍處於相對早期的階段。波士頓動力（Boston Dynamics）的 Atlas 雖然在運動能力上令人驚嘆，但距離商業化量產仍遙遙無期；特斯拉在 2021 年 AI Day 上公布了 Optimus 概念，但實際進展有限。正是在這個時間節點，Brett Adcock 憑藉其在科技創業領域的深厚經驗和資本運作能力，集結了一支來自波士頓動力、特斯拉、蘋果、微軟和 Google 等頂尖企業的核心工程團隊，正式啟動了 Figure 項目。

公司最初在桑尼維爾租用了一個約 10,000 平方英尺的實驗室空間，團隊規模約 40 人。憑藉 Adcock 此前的創業信譽和人脈，Figure AI 在尚未發布任何原型機的情況下，便完成了由 DCVC 和 Aliya Capital 領投的種子輪融資。2023 年 3 月，距離公司成立僅一年，Figure AI 正式發布了 Figure 01 原型機——一個能夠行走、搬運物品並執行簡單任務的人形機器人，立即引發了業界廣泛關注。

Figure AI 的發展速度在業界堪稱罕見：從公司註冊到發布首台可運行原型機僅耗時 12 個月；從原型機到與全球頂級汽車製造商簽署商業部署協議僅用了 24 個月。這種「火箭式」發展節奏，很大程度上得益於創辦人 Brett Adcock 此前兩次成功創業所積累的資金調度能力、人才招募管道和商業戰略思維。

截至 2026 年中，Figure AI 總部位於矽谷核心地帶的桑尼維爾，並在灣區擁有多個研發和測試設施，員工總數已超過 300 人，覆蓋機器人硬體設計、AI 軟體開發、製造工程和商業運營等核心職能。

二、創辦人背景：Brett Adcock 的創業歷程

Brett Adcock 是一位極具代表性的連續創業家，其職業生涯展現出一個清晰的模式：識別龐大的未解決市場需求，組建頂尖團隊，以極快的速度將產品推向市場，並在過程中創造巨大的股東價值。

Adcock 的第一次重大創業是 Vettery（後更名為 Hired）。Vettery 成立於 2013 年，是一個利用數據驅動演算法進行人才匹配的線上招聘平台。該平台採用市場模式（marketplace model），連接求職者與科技公司，並透過機器學習演算法提高匹配效率。Vettery 在紐約和倫敦迅速擴張，先後獲得包括淡馬錫控股（Temasek Holdings）和 Runa Capital 在內的機構投資。2020 年，Vettery 以約 9,300 萬美元的價格被瑞士人力資源巨頭 Adecco Group 收購。這次成功退出不僅為 Adcock 帶來了財務上的獨立，更重要的是讓他在科技創業圈建立了可靠的信譽和廣泛的人脈網絡。

Adcock 的第二次創業是 Archer Aviation（NYSE：ACHR）。Archer Aviation 成立於 2018 年，專注於電動垂直起降飛行器（eVTOL）的研發與商業化。這是一條技術壁壘極高、資本需求極大的賽道，與電動航空器和城市空中交通（Urban Air Mobility）的未來願景直接相關。Archer 的核心產品是 Midnight——一款四人座的電動垂直起降飛行器，設計航程約 100 英里（約 160 公里），目標是提供城市和城際之間的快捷空中運輸服務。

Archer 在短時間內成功募集了大量資金：2021 年透過與 Atlas Crest Investment Corp 的特殊目的收購公司（SPAC）合併在紐約證券交易所上市，公司估值一度超過 30 億美元。上市後，Archer 先後獲得了美國聯邦航空管理局（FAA）的重要認證進展，並與美國聯合航空（United Airlines）签订了價值高達 10 億美元的訂單協議。截至 2026 年，Archer 仍在推進 Midnight 的適航認證和量產準備工作。

Archer 的經驗對 Adcock 創辦 Figure AI 產生了深遠影響。首先，他深刻理解到硬體創業的核心挑戰不僅在於技術開發，更在於供應鏈管理、製造規模化和資本規劃。其次，eVTOL 行業與人形機器人行業在監管環境和公眾認知方面存在相似之處——兩者都需要在安全性、可靠性和社會接受度上建立信任。最後，Archer 的 SPAC 上市經驗讓 Adcock 對於如何在不同階段選擇資本市場策略有了清晰的判斷。

Brett Adcock 的個人理念也值得關注。他曾在多個場合公開表示，他之所以選擇創業而非加入大公司，是因為他相信創業是解決人類社會最大問題的最有效途徑。他將 Figure AI 的使命定位為「解決全球勞動力短缺」，並認為人形機器人是一項能夠從根本上改變人類社會生產關係的技術革命。他在社交媒體上的公開言論風格直率、資訊透明、敢於承諾，這種風格既為他贏得了媒體和投資者的信任，也時常因為過於大膽的目標時間表而引發爭議。

三、 Figure 02 機器人：技術規格深度解析

Figure 02 是 Figure AI 的第二代旗艦人形機器人產品，於 2024 年 8 月正式發布。與第一代 Figure 01 相比，Figure 02 在硬體設計、運動控制、感知能力和運算系統上均有顯著的代際升級。以下對其技術規格進行詳細解析。

基本物理參數

Figure 02 的身高為 170 公分（約 5 英尺 7 英寸），體重約 60 公斤（約 132 磅）。這一尺寸設計並非巧合——它大致接近一個中等身材成年男性的體形，這使得機器人能夠無需改造地適應人類環境中的基礎設施，包括門框、樓梯、走廊寬度、工作台高度、貨架間距等。在人形機器人行業中，這一「以人為本」的尺寸策略被普遍認為是實現工業場景快速部署的關鍵。

相較於競爭對手：特斯拉 Optimus 第二代設計高度約 173 公分、體重約 63 公斤；波士頓動力 Atlas（電動版）高度約 150 公分。Figure 02 在尺寸上處於行業中間範圍，兼顧了操作靈活性與結構強度。

運動系統與自由度

Figure 02 全身配備多達 44 個自由度（Degrees of Freedom, DOF），其中上肢（包括雙臂和雙手）佔據了 16 個自由度，下肢（雙腿和雙足）約 12 個自由度，軀幹和頭部約 6 個自由度。每個關節均採用高扭矩密度電機驅動，並配備專用驅動器（actuator）以實現精準的力矩控制。

雙臂設計尤為關鍵。Figure 02 的每條手臂均可獨立執行複雜的操作任務，包括舉起約 20 公斤的重物、精確抓取小型零件以及執行精細的組裝操作。手臂末端配備的多指靈巧手（dexterous hand）擁有 6 個以上獨立自由度，能夠模擬人類手指的抓握動作模式，包括力量抓握（power grasp）和精確捏取（precision pinch）。

下肢方面，Figure 02 採用仿生腿部設計，步行速度最高可達每秒 1.2 米（約 4.3 公里/小時）。平衡控制系統結合了模型預測控制（Model Predictive Control, MPC）和基於學習的穩定性調節器，使機器人能夠在不平坦地面、斜坡和移動平台上保持穩定行走。動態行走能力——包括跑步、跳躍和快速轉向——是團隊正在積極開發的下一個重要里程碑。

感知與感測器套件

Figure 02 配備了一個高度整合的感知系統，由多種互補的感測器組成：

立體視覺相機：安裝於頭部，提供高解析度的 RGB 影像，用於物體識別、場景理解和人機互動。配備 120 度廣角視野和自動對焦功能。
深度感測器：使用紅外立體深度技術或 LiDAR，在 0.1 至 10 米範圍內生成精確的 3D 點雲數據，用於即時環境建圖和障礙物規避。
慣性測量單元（IMU）：位於軀幹核心部位，提供加速度和角速度數據，是平衡控制系統的關鍵輸入。
關節編碼器：每個關節配備高精度位置和扭矩感測器，實現閉環運動控制。
力/扭矩感測器：安裝於手腕和腳踝，用於測量末端執行器與環境之間的交互力，是實現精細操作和動態平衡的關鍵。

所有感測器數據透過車載運算單元進行融合處理，產生機器人對周圍環境的一體化理解。

運算系統與電池

Figure 02 的車載運算系統基於 NVIDIA 的 Jetson 系列邊緣 AI 運算平台（根據不同版本可能使用 Orin 或更高階的 Thor 系列晶片），提供高達 275 TOPS（Tera Operations Per Second）的 AI 推理算力。這使得機器人能夠在本地運行大型神經網路模型進行視覺理解和決策控制，無需持續連接到雲端伺服器。

電源方面，Figure 02 配備了高效能的鋰離子電池組，容量約 2.2 kWh，可支持機器人持續運行約 5 小時（取決於任務負載強度）。電池採用可更換模組設計，支援快速熱插拔，理論上可以實現 24 小時不間斷運作。充電底座可自動對接，無需人工干預。

人機互動系統

Figure 02 配備了先進的語音互動系統，包括陣列麥克風（用於語音辨識和聲源定位）和揚聲器（用於語音輸出）。結合內建的大型語言模型（LLM），機器人可以理解自然語言指令、回答問題並報告任務執行狀態。這種基於對話的人機互動方式，大幅降低了操作門檻——一線工人無需編寫程式碼或使用複雜的操作界面，即可用日常語言指揮機器人執行任務。

四、 AI 架構：端到端神經網路與模仿學習

Figure AI 最核心的技術差異化優勢，不在於硬體設計，而在於其整體性的 AI 軟體架構。公司採取了一條與傳統機器人學（classical robotics）截然不同的技術路線。

傳統方法 vs. 端到端學習

傳統工業機器人通常依賴於手工編寫的運動規劃程式——工程師需要為每個動作精確定義關節角度、運動軌跡和力控制序列。這種方法精度極高，但缺乏靈活性；每當環境發生變化或任務需求改變，都需要人工重新調整程式。這正是傳統工業機器人難以應用於非結構化環境（如倉庫、零售店面、家庭）的根本原因。

Figure AI 的方法則是使用端到端（end-to-end）神經網路模型，將感測器輸入直接映射為關節控制指令。系統的訓練過程如下：

數據收集：遙控操作員（teleoperator）佩戴 VR 頭盔和動作捕捉手套，遠端控制 Figure 02 執行動作。系統記錄所有感測器數據（視覺、深度、力矩、位置）和對應的動作指令序列，形成一個大規模的示範數據集。
模仿學習（Imitation Learning）：使用收集到的人類示範數據訓練神經網路模型。模型學習將視覺觀察（像素級別的場景理解）映射到適當的動作輸出（關節角度和力矩）。本質上，機器人是在學習「模仿」人類操作者的行為模式。
強化學習（Reinforcement Learning）模擬訓練：在物理模擬器（simulator）中，使用強化學習算法對模型進行進一步優化。在模擬環境中，機器人可以以比現實世界快數百倍的速度進行訓練，探索各種邊界情況（edge cases）並自動優化其策略——例如如何在摔倒後自行站起，如何在不穩定的地面上保持平衡，如何從抓取失誤中恢復。
策略部署與微調：訓練完成的神經網路策略（policy）被部署到實際機器人上。由於模擬環境與現實之間存在差距（sim-to-real gap），系統需要在真實環境中進行進一步的微調（fine-tuning），收集新的數據反饋並迭代更新模型。

通用性與泛化能力

端到端方法的真正優勢在於它的通用性。理論上，只要收集到足夠多樣化的示範數據，同一個神經網路模型可以學習執行各種截然不同的任務——從搬運箱子到精確裝配零件，從整理貨架到操作工具。這意味著 Figure 02 不需要為每個新任務重新研發運動規劃演算法，只需提供新的示範數據即可快速適應。

Figure AI 團隊在這方面投入了大量資源。據公司公開資訊，其 AI 訓練基礎設施能夠每天處理數百萬條示範數據樣本，並使用大規模的 GPU 集群進行模型訓練。這種規模化的數據基礎設施，本身即是極高的競爭壁壘——競爭對手即使開發出類似的硬體平台，若缺乏足夠的訓練數據，其機器人的「智能水平」也將遠遠落後。

視覺語言模型（VLM）整合

Figure AI 將視覺語言模型（Vision-Language Model, VLM）整合至機器人的高層決策系統中。VLM 賦予機器人理解自然語言指令和場景語義的能力。例如，當操作員說「把那個紅色箱子搬到第二個貨架上」，VLM 首先解析語句的語義，識別出目標物體（紅色箱子）、目標位置（第二個貨架）和所需動作（搬運），然後將高層指令轉化為具體的運動規劃任務，交由底層的運動控制神經網路執行。

這種多層次的 AI 架構設計，兼顧了高層的靈活理解能力和底層的精確控制能力。VLM 提供了語義理解層，端到端運動策略提供了物理執行層，兩者協同運作，使 Figure 02 能夠應對高度複雜和多變的任務場景。

五、前 OpenAI 合作關係與當前 AI 策略

Figure AI 與 OpenAI 之間的合作與解體，是近年來機器人行業最具話題性的事件之一。這段關係的演變，深刻反映了人形機器人行業的技術路線分歧和生態競爭格局。

合作緣起

2024 年初，Figure AI 宣布與 OpenAI 建立戰略合作夥伴關係。根據協議，Figure 將在其機器人中整合 OpenAI 的多模態 AI 模型（包括 GPT-4 和後續的多模態版本），作為機器人的「大腦」。具體而言，OpenAI 的模型負責高層的語音理解、場景推理和任務規劃，而 Figure 的自研模型負責低層的運動控制和執行。在合作高峰期，Figure AI 展示了 Figure 01 機器人基於 OpenAI 模型運行的能力——機器人能夠聽懂自然語言指令、描述周圍環境、並在決策過程中進行邏輯推理。

這一合作獲得了市場極大的正面反響。OpenAI 作為全球生成式 AI 的領導者，其在語言理解和推理方面的能力被廣泛認為是賦能人形機器人「智能」的理想選擇。而 Figure AI 硬體平台的成熟度也為 OpenAI 提供了從虛擬世界走向物理世界的出口——這是 OpenAI 此前透過 Figure One 等投資所無法實現的。在合作宣布前後，Figure AI 完成了約 6.75 億美元的 B 輪融資，微軟、NVIDIA、亞馬遜和 Bezos Expeditions 等頂級投資者紛紛入局。

合作終止

然而，到了 2025 年中，Figure AI 與 OpenAI 的合作關係悄然終止。雖然雙方均未發布權威聲明說明具體原因，但業界普遍認為主要因素包括以下幾點：

OpenAI 的競爭轉向：OpenAI 在 2025 年開始加大對實體機器人領域的內部投入。據報導，OpenAI 重啟了內部機器人研究團隊（此前曾在 2021 年解散），並開始洽談對競爭對手的投資。在 Figure AI 看來，OpenAI 已從合作夥伴轉變為潛在競爭者——如果 OpenAI 的 AI 模型同時支持 Figure 及其競爭對手（如 1X Technologies，OpenAI 投資了 1X），那麼 Figure 的專有數據優勢將會被稀釋。
模型歸屬權爭議：據業內消息，雙方在合作過程中對於訓練數據的歸屬權、共同開發的模型智慧財產權以及商業化利潤分成存在根本分歧。Figure AI 希望保留其在端到端運動控制模型上的完全控制權，而 OpenAI 則傾向於要求更廣泛的模型使用權限。
技術路線分歧：OpenAI 傾向於以 LLM/VLM 為中心的架構——即讓大型語言模型統一負責高層推理和低層控制。而 Figure AI 的技術團隊則認為，低層運動控制需要專門的端到端策略網絡，不應由單一的通用語言模型直接控制。這種架構上的根本差異使得深度整合變得不切實際。

當前的 AI 策略

合作終止後，Figure AI 迅速調整了其 AI 策略：

自研「大腦」：公司加速了自研高層 AI 模型的開發，包括專用的視覺語言模型和任務規劃模型。雖然這些自研模型在通用推理能力上可能不及 OpenAI 的 GPT 系列，但它們針對機器人控制場景進行了深度優化，在延遲、能耗和任務完成率上有顯著優勢。
垂直整合數據管道：Figure AI 將數據收集、標註、訓練和部署的全部環節整合到內部。公司大規模招募遙控操作員，建立全天候的數據採集和模型訓練基礎設施，確保訓練數據不會外流至第三方。
開放生態策略：Figure AI 宣布其平台將支持多種 AI 模型接入，包括開源模型（如 Llama 系列）和來自其他 AI 公司的商業模型。這種策略降低了對單一 AI 供應商的依賴，同時給予客戶更多選擇。
強化 Sim-to-Real 能力：公司加大了對物理模擬器開發的投入，目標是實現「在模擬中完成 99% 的訓練、在現實中僅需 1% 的微調」，從而大幅降低對真實世界示範數據的依賴。

總體而言，Figure AI 與 OpenAI 的分手雖然在短期內造成了一定的不確定性，但從長遠來看，這使 Figure AI 得以建立完全自主可控的 AI 技術堆疊，避免了對潛在競爭對手的戰略依賴。

六、 BMW 工廠部署：詳細案例分析

Figure AI 至今最為重要的商業里程碑，是 2024 年與 BMW 集團達成的部署協議。這不僅是 Figure AI 的首個商業量產部署案例，也是全球人形機器人行業首次進入主流汽車製造商的生產線。

協議概況

2024 年初，Figure AI 與 BMW 集團宣布簽署戰略合作協議，計劃在南卡羅來納州斯帕坦堡（Spartanburg, South Carolina）的 BMW 工廠部署 Figure 02 人形機器人。該工廠是 BMW 全球最大的單一生產設施，佔地超過 700 萬平方英尺，年產量超過 45 萬輛運動型多用途車（SUV），包括 BMW X3、X5、X6 和 X7 等車型。

部署範圍與任務類型

首批部署的 Figure 02 機器人數量為 10 台，主要分配至車身車間和物流區域。具體任務包括：

車身部件搬運：機器人負責將車身衝壓部件從生產線一側搬運至另一側，或在不同工位之間轉運零件。這項任務雖然看似簡單，但需要機器人具備精確的定位能力、穩定的抓取能力以及與輸送帶系統的時間同步能力。
物料搬運與補給：在工廠物流區域，機器人協助進行物料箱的搬運、堆疊和補充。Figure 02 需要從貨架上拾取物料箱並將其放置在自動導引車（AGV）上，或在生產線側面的物料區進行補給。
品質檢查輔助：部分機器人配備了額外的視覺檢測模組，用於在零部件進入裝配線之前進行初步的目視品質檢查——例如檢查焊點質量、表面缺陷或幾何尺寸偏差。

運營模式：機器人即服務（RaaS）

Figure AI 在 BMW 的部署採用了機器人即服務（Robotics as a Service, RaaS）商業模式。這是一種按需付費的訂閱制模式，而非傳統的機器人一次性銷售模式。具體安排如下：

月費結構：BMW 每月向 Figure AI 支付固定的機器人服務費用。業內估計單台 Figure 02 的月費約在 2,000 至 5,000 美元之間，具體取決於服務等級協議（SLA）內容——包括運行時長保證、維護響應時間、軟體更新頻率等。
維護與運營：Figure AI 負責機器人的所有維護工作，包括硬體維修、軟體升級、遠端監控和預防性維護。BMW 無需自行維護機器人硬體或管理 AI 系統。
成果基準：合約設定了關鍵績效指標（KPI），包括機器人可用率（uptime）、任務完成率、故障間隔時間（MTBF）等指標。Figure AI 需要達到約定標準才能獲得全額服務費。
擴展選項：協議預留了擴展條款——若首批部署驗證成功，BMW 有權在後續階段將機器人數量擴展至數百台。

RaaS 模式對雙方均有顯著吸引力。對 BMW 而言，RaaS 將巨大的前期資本支出（CAPEX）轉化為營運支出（OPEX），降低了首次部署的財務風險；同時，BMW 無需承擔機器人技術快速折舊的風險——若機器人在 2-3 年內技術過時，BMW 可以選擇終止服務而不是被擱淺資產套牢。對 Figure AI 而言，RaaS 模式雖然短期內收入較低，但建立了持續的收入流，並且隨著部署規模擴大，邊際成本顯著降低，長期利潤率較高。

實際表現與挑戰

截至 2026 年，BMW 工廠的 Figure 02 部署仍處於「概念驗證」（Proof of Concept, PoC）向「生產驗證」（Production Validation）邁進的階段。根據行業觀察人士的分析，實際表現可以概括為以下幾點：

基本任務執行可靠：機器人在重複性的搬運和補給任務上展現了可接受的可靠性和一致性。在理想條件下（光線充足、地面平整、任務序列不變），機器人的任務完成率超過 95%。
異常處理能力不足：當生產線出現非預期情況——例如零件放錯位置、托盤變形、地面有障礙物或輸送帶節奏異常——機器人的應對能力明顯不足。在這種情況下，通常需要人工介入重置或遙控操作。
速度瓶頸：在生產節奏較快的工位，Figure 02 的動作速度還無法與熟練工人完全匹配。特別是在需要快速轉向、彎腰和精細操控時，機器人的循環時間（cycle time）比人類操作員長約 30-50%。
環境適應性限制：工廠環境中的粉塵、溫度變化、振動和電磁干擾等現實因素，對機器人感測器和精密機械部件的長期穩定性構成挑戰。Figure AI 團隊在部署過程中進行了多次硬體設計修正。

總體而言，BMW 工廠的部署是一項具有歷史意義的試點——它證明了人形機器人確實在真實工業環境中完成了有意義的生產任務，而非僅停留在實驗室展示階段。然而，它同時也揭露了一個殘酷的現實：人形機器人要實現媲美人類工人的可靠性和靈活性，仍有相當長的路要走。

七、製造策略與成本目標

Figure AI 在製造策略上採取了與傳統工業機器人廠商截然不同的方法。創辦人 Brett Adcock 反覆強調，公司的終極目標是實現人形機器人的大規模量產，使單台成本降至 2 萬至 5 萬美元之間——這與一台中高階汽車的價格相當，而非傳統工業機器人動輒數十萬甚至上百萬美元的定價。

為何成本如此重要？

成本是決定人形機器人能否從「新奇玩具」轉變為「大眾工具」的最關鍵變數。目前市場上任何具備實用功能的人形機器人原型機，其製造成本均在 5 萬至 20 萬美元之間（甚至更高）。若無法將成本降至 5 萬美元以下，人形機器人很難在經濟上與人類勞動力競爭——特別是在勞動力成本相對較低的亞洲和發展中市場。

Figure AI 的 2-5 萬美元成本目標，如果能夠實現，將從根本上改變勞動力市場的經濟計算。以美國製造業為例：一名工廠工人的年薪總成本（薪資+福利+稅費）約為 5-7 萬美元。若一台 Figure 02 售價 3 萬美元、使用壽命 5 年、維護成本每年 5,000 美元，則年均擁有成本約為 1.1 萬美元——遠低於人類工人的年成本。這樣的經濟賬，將推動企業大規模用機器人替代人類勞動者。

製造規模化路徑

Figure AI 的成本削減策略可以概括為三個階段：

階段一（2024-2026）：原型製造 單台製造成本估計在 10 萬至 20 萬美元之間。在此階段，機器人主要在桑尼維爾總部的研發車間進行小批量組裝，使用大量客製化零件和手工裝配。成本主要來自於昂貴的感測器、專用電機和精密加工結構件。公司目標是在此階段完成技術驗證和少量商業部署。

階段二（2027-2028）：中批量生產 產能提升至每年 1,000 至 10,000 台。Figure AI 計劃建立專門的機器人生產線，採用自動化裝配流程、標準化零件和模組化設計。關鍵策略包括：

垂直集成：部分核心部件（電機、減速器、驅動器、電池模組）內部自製，減少對外部供應商的依賴和利潤層層疊加。
規模效應：透過大宗採購降低傳感器、電子元件和結構材料的單位成本。
設計優化：將機械結構從 CNC 加工轉向壓鑄和沖壓等低成本工藝；簡化零件數量以減少裝配複雜度。

階段三（2029+）：大規模量產 年產量超過 10 萬台。在此規模下，單台成本有望降至 2 萬美元以下。公司可能需要在美國或海外建立專用的大型機器人工廠，類似 Tesla 的超級工廠（Gigafactory）模式。這一階段的成本結構將接近汽車製造——機器人硬體成本佔比降低，軟體和 AI 能力的價值佔比提高。

供應鏈策略

Figure AI 在供應鏈管理上採取「優先美國製造」原則，但也靈活運用全球化採購：

本土化夥伴：與美國本土的精密製造商（如機加工、鑄造、3D 打印服務商）建立合作，以確保供應鏈安全並符合潛在的國防採購要求。
海外採購：對於標準化電子元件（微處理器、感測器、電池電芯）和通用機械零件，仍主要從亞洲供應商採購以控制成本。
非獨家供應商策略：為降低供應中斷風險，Figure AI 對所有關鍵零部件維持至少兩個備選供應來源。

成本目標的現實性評估

Brett Adcock 提出的 2-5 萬美元成本目標，在人形機器人行業內引發了廣泛的討論。支持者認為，歷史經驗表明大規模量產可以實現戲劇性的成本下降——例如電動車電池成本在過去十年下降了 80% 以上，消費電子產品的單位成本隨產量增加持續走低。批評者則指出，人形機器人含有大量精密機械部件（關節、減速器、驅動器），其物理製造本身上限顯著高於純電子產品或簡單結構件。

一個更務實的評估是：2 萬美元的目標在 2030 年前實現的可能性較低，但在 2033-2035 年時間範圍內若能實現年產 10 萬台以上，則 3-4 萬美元的成本具有相當的合理性。

八、融資歷史：累計超過 7.5 億美元

Figure AI 的融資歷程堪稱人形機器人行業歷史之最。其融資規模之大、投資者陣容之豪華，在整個機器人行業也極為罕見。

種子輪（2022 年）

公司成立初期，憑藉 Brett Adcock 的創業信譽，Figure AI 低調完成了種子輪融資。領投方為 DCVC（Data Collective Venture Capital）。具體金額未公開披露，但行業估計約在 1,000 萬至 3,000 萬美元之間。這筆資金被用於組建初始工程團隊、租用實驗室空間和開發 Figure 01 原型機。

A 輪融資（2023 年）

Figure 01 原型機發布後，公司於 2023 年中完成了 A 輪融資。領投方包括 Parkway Venture Capital 和 Aliya Capital，融資額約 7,000 萬美元。這輪融資估值約 4 億美元。資金主要用於擴大團隊規模、加速 AI 開發以及啟動 Figure 02 的設計。

B 輪融資（2024 年）

2024 年初，Figure AI 完成了人形機器人行業迄今為止規模最大的一輪融資——B 輪融資額高達 6.75 億美元。這一輪的投資者陣容豪華程度令人矚目：

微軟（Microsoft）：作為主要戰略投資者，微軟不僅提供資金，還與 Figure AI 在 Azure 雲端 AI 基礎設施上展開合作。微軟的參與被視為對人形機器人賽道的重大背書。
NVIDIA：透過其企業投資部門參與，與 Figure AI 在邊緣運算平台（Jetson/Thor）、模擬平台（Isaac Sim）和 AI 訓練基礎設施（DGX）上展開技術合作。
亞馬遜工業創新基金（Amazon Industrial Innovation Fund）：亞馬遜的參與顯示了其對物流倉儲領域人形機器人應用的強烈興趣。Figure AI 的機器人有望未來在亞馬遜的配送中心執行貨物搬運任務。
Bezos Expeditions：Jeff Bezos 的個人投資工具參與本輪融資，反映了貝佐斯對人形機器人長期前景的看好。Bezos 也曾是 Google 旗下 Boston Dynamics 的潛在買家之一。
其他投資者：包括 Intrinsic（Google 旗下機器人軟體公司，實際上是 Alphabet 的投資工具）、OpenAI（在合作期間參與）、LG Innotek、Samsung Ventures 等戰略投資者。

B 輪融資完成後，Figure AI 的估值達到約 26 億美元，成為全球估值最高的人形機器人未上市公司之一。

後續融資與政府支持

B 輪之後，Figure AI 持續透過小規模融資和政府補助獲得資金。據報導，公司於 2025 年完成了一輪約 5,000 萬美元的可轉債融資，主要用於 BMV 工廠部署和在美國建立初步製造能力。

此外，Figure AI 被認為是美國國防高級研究計畫局（DARPA）和美國陸軍研究實驗室相關機器人項目的潛在投標者。雖然這類政府合約的金額通常不直接計入公司融資總額，但它們為公司提供了重要的非稀釋性資金來源和技術驗證平台。

總體資金狀況

截至 2026 年中，Figure AI 累計融資已超過 7.5 億美元。然而，考慮到其人形機器人業務的高資本消耗特性（硬體研發、AI 訓練、製造設施和商業部署均需要大量資金），公司仍然面臨持續的融資壓力。分析師估計，以當前燒錢速度，Figure AI 需要在 2027-2028 年間進行新一輪大規模融資（可能在 5-10 億美元之間）或透過首次公開募股（IPO）進入公開市場。

公司公開表示，其目標是在 2028 年前實現正的毛利潤，但達到這一目標的前提是年產量突破 5,000 台——而從當前僅數十台的產量規模，這一跳躍的難度不可小覷。

九、競爭格局分析

人形機器人賽道在 2024-2026 年已經從「少數玩家的狂歡」演變為「全球科技巨頭的角力場」。Figure AI 在這一競爭格局中的位置可以通過與以下主要對手的比較來理解。

特斯拉 Optimus

Tesla 的 Optimus 項目（亦稱 Tesla Bot）是 Figure AI 最直接的競爭對手。Optimus 於 2021 年 Tesla AI Day 上首次概念發布，2023 年展示可行走的原型機。第二代 Optimus 於 2023 年底發布，設計參數與 Figure 02 相似（身高約 173 公分，體重約 63 公斤）。

特斯拉的核心優勢在於：

製造規模化能力：特斯拉擁有全球最先進的電動車製造體系和供應鏈管理經驗，這使其在人形機器人量產方面具有顯著優勢。
AI 能力：Tesla 擁有 Autopilot/FSD 團隊開發的計算機視覺和深度學習技術，可直接遷移至 Optimus。
成本控制：Elon Musk 宣稱 Optimus 長期目標成本在 2 萬美元以下，比 Figure 的目標更為激進。
生態協同：Optimus 可以與 Tesla 的電池、電機、Dojo 超算等技術生態深度整合。

特斯拉的劣勢在於：Optimus 的商業化時間表多次延遲；Tesla 管理層注意力分散於電動車、FSD、SpaceX 等多個項目；以及 Elon Musk 的爭議性言論可能影響部分企業客戶的合作意願。

波士頓動力（Boston Dynamics / Hyundai）

Boston Dynamics 是人形機器人技術的先驅。其 Atlas 機器人在動態運動能力（後空翻、跑酷、舞蹈）方面至今仍是行業標竿。2024 年，Boston Dynamics 宣布 Atlas 從液壓驅動轉向全電動版本，標誌著其從研究平台向商業產品邁進。

BD 的核心優勢在於無與倫比的運動控制技術和二十多年的機器人研發積累。然而，其劣勢同樣明顯：Atlas 的商業化路徑尚不明確；Hyundai 作為母公司對機器人部門的戰略定位仍在演變；其商業模式可能偏向工業特種機器人而非通用人形機器人。在市場關注度上，BD 已被 Figure 和 Tesla 超越。

Unitree（宇樹科技）

成立於 2016 年的中國公司宇樹科技（Unitree）是全球消費級與工業級四足機器人的主要供應商。2024 年，宇樹發布了首款全尺寸人形機器人 H1。H1 身高約 180 公分，體重約 47 公斤，以其卓越的動態運動能力（能跑步、跳躍，後空翻）和極具競爭力的定價（約 9 萬美元）引發關注。2025 年宇樹發布了升級版 H1-2，進一步提升了穩定性和續航能力。

宇樹的優勢包括極具競爭力的成本結構（中國供應鏈優勢）、快速的硬體迭代速度以及已經驗證的四足機器人大規模銷售經驗。劣勢在於：AI 和軟體能力相對薄弱；企業級解決方案的服務和支援體系尚不成熟；以及地緣政治因素限制其在美國和歐洲市場的擴張。

1X Technologies

1X（前身為 Halodi Robotics）是一家挪威公司，由 Bernt Børnich 創立，專注於開發輔助型人形機器人。其旗艦產品 Eve 是一款輪式人形機器人，主要面向倉庫和物流場景。1X 得到了 OpenAI 的投資，並在 2024 年發布了雙足人形機器人 NEO。

1X 的優勢在於與 OpenAI 的緊密關係（Figure AI 離開後，OpenAI 可能更倚重 1X）、北歐福利國家對養老護理機器人的需求、以及較低的硬體成本（輪式設計比雙足簡單許多）。劣勢在於體量較小，技術創新速度不如美國同行，且雙足技術仍處於早期階段。

競爭格局總結

從綜合競爭力角度來看，Figure AI 目前處於行業第一梯隊，與 Tesla Optimus 並列。在商業化進展方面（獲取企業客戶、簽約部署合同），Figure AI 領先於所有競爭對手。在 AI 能力方面，Figure 的端到端神經網路方法在業界獨樹一幟。在製造規模化方面，Figure 尚未證明其大規模量產能力，而 Tesla 在這方面具有競爭對手難以匹敵的經驗。

人形機器人行業的終局格局尚遠未確定。目前的競爭更像是多種技術路線和商業模式的平行實驗——Figure 代表「AI-first + 垂直整合」路線，Tesla 代表「製造-first + 生態整合」路線，BD 代表「運動控制-first + 特種應用」路線，Unitree 代表「成本-first + 快速迭代」路線。哪條路線最終勝出，取決於未來 3-5 年的技術突破、成本下降曲線和市場需求的實際演變。

十、市場機會：勞動力短缺與人口老化

Figure AI 的市場論述基於一個不可逆轉的全球宏觀趨勢：勞動力供給的結構性短缺。理解這一趨勢，是評估 Figure AI 長期市場潛力的前提。

全球勞動力短缺規模

根據世界經濟論壇（WEF）和麥肯錫全球研究院（McKinsey Global Institute）的估計，全球製造業正面臨約 800 萬至 1,000 萬名工人的缺口。這一數字在未來十年預計將成長至 2,000 萬以上。具體到各主要經濟體：

美國：製造業勞動力缺口約 50 萬至 80 萬。嬰兒潮世代大量退休，年輕一代對製造業工作興趣下降，導致許多工廠面臨「有單無人做」的困境。美國商會（US Chamber of Commerce）的數據顯示，製造業職位空缺率長期維持在 4-5% 的高位。
日本：勞動力短缺最嚴重的發達國家之一。日本總務省數據顯示，2025 年日本勞動年齡人口（15-64 歲）已不足 7,400 萬，較 1995 年高峰減少超過 1,200 萬。人手不足已成為日本經濟增長的核心制約因素。
歐洲：德國製造業面臨尤為嚴峻的挑戰，技術工人缺口超過 20 萬。賓士、BMW、大眾等汽車製造商均對人形機器人表現出濃厚興趣。
中國：雖然中國擁有全球最大的製造業勞動力池，但人口結構變化正在快速顯現。中國勞動年齡人口自 2011 年見頂後持續下降，預計到 2035 年將減少約 1.5 億人。同時，年輕人越來越不願意進入工廠工作，導致製造業招工成本持續上升。

人口老化的結構性驅動

勞動力短缺的本質是人口老化和生育率下降的結構性結果。全球主要經濟體的人口結構存在以下趨勢：

全球生育率下降：世界銀行數據顯示，全球總和生育率已從 1960 年的約 5.0 下降至 2023 年的約 2.3，且仍在持續下降。已開發經濟體的生育率普遍低於 1.5，遠低於人口替代水平（2.1）。
預期壽命延長：全球平均預期壽命已從 1950 年的約 47 歲延長至 2023 年的約 73 歲。這意味著老年撫養比（65 歲以上人口與勞動年齡人口之比）將持續惡化。
勞動參與率變化：不僅勞動人口絕對數量減少，勞動參與率也在發生結構性變化——更多年輕人選擇高等教育，更多中年人提前退休，這些都減少了可用勞動力供給。

Figure AI 的目標市場

Figure AI 將市場機會劃分為三個層次：

第一層（近期：2024-2028）：工業製造與倉儲物流 這是 Figure AI 目前核心聚焦的市場。全球製造業和倉儲業的年市場規模（以勞動力總成本計）約為 1 萬億美元。若人形機器人能夠在 5 年內替代其中 1-2% 的工作，即對應 100-200 億美元的年度市場機會。BMW 的汽車工廠部署是這一市場的「錨點客戶」。

第二層（中期：2028-2032）：零售、醫療、建築 這些行業的工作環境更加非結構化，任務的多樣性和不可預測性更高，對機器人的感知和決策能力要求更高。但潛在市場規模更大——僅美國零售業就僱用約 1,600 萬人，其中相當比例的庫存管理和貨架補給工作理論上可由人形機器人執行。

第三層（遠期：2032 以後）：家庭服務與護理 這是最有想像空間但技術難度最高的市場。人形機器人在家庭環境中需要應對極高的環境不確定性，執行從清潔打掃到烹飪做飯、從陪伴老人到照護病患的各種任務。全球老化護理市場規模估計超過 3,000 億美元，但目前尚無任何技術解決方案能夠真正滿足這一需求。

市場潛力的批判性評估

必須指出的是，上述市場機會的實現需要滿足一系列前提條件——人形機器人的成本需要降至特定閾值以下，其可靠性需要接近人類水平，企業和家庭需要建立對這項新技術的信任。這些條件在短期內均難以完全滿足。

一個更保守的估計是：到 2030 年，全球人形機器人市場的年出貨量可能在 2 萬至 5 萬台之間，對應市場規模約 50 億至 150 億美元。這仍然是一個極具吸引力的市場——相當於全球工業機器人市場規模的 30-50%。真正的爆發期可能要到 2033-2035 年才會到來，屆時隨著成本下降和技術成熟，年出貨量可能突破 50 萬台。

十一、主要技術挑戰與風險

儘管 Figure AI 在技術和商業化方面取得了令人瞩目的進展，但公司仍面臨一系列嚴峻的技術挑戰和商業風險。對投資者和行業觀察者而言，理解這些風險與理解公司的優點同等重要。

技術挑戰

1. 可靠性與穩定性

目前人形機器人在實驗室環境下的表現與在真實工業環境下的表現之間存在巨大差距。Figure 02 在 BMW 工廠的部署經驗顯示，機器人對環境變化的容忍度仍然有限——光線變化、地面濕滑、電磁干擾、溫度波動等現實因素均會顯著影響性能。在工業場景中，一台機器人的故障可能導致整條生產線停機，損失每分鐘可達數萬美元。因此，機器人需要在「六個九」（99.9999%）的可靠性級別上運行——這一個目前任何通用人形機器人都尚未達到的目標。

2. 電池與續航

5 小時的續航雖然對於單班制（8 小時）工作場景而言有所不足，但對於需要兩班制或三班制連續運作的工業場景來說，續航和充電時間的管理將是一個重大運營挑戰。假設充電時間為 1 小時、運行時間為 5 小時，則一個 24/7 運轉的工廠需要為每台機器人配備多塊電池並建立自動更換基礎設施——這增加了系統的複雜度和成本。

3. 精細操作能力

人類手部的精細運動控制能力——包括感知物體的材質、硬度、溫度、重量分佈並據此調整抓握力度——是目前人形機器人的共同短板。Figure 02 雖然在力量抓取方面表現出色，但在需要精細觸覺反饋的任務（例如裝配微小零件、插拔連接器、處理易碎物品）上仍遠不如人類。觸覺感測器（tactile sensor）技術的進步將是克服這一瓶頸的關鍵。

4. 自主決策與異常處理

當前的人形機器人更擅長執行預先定義的任務序列，而非自主應對意想不到的情況。當出現感知不一致、任務規劃衝突或環境突然變化時，機器人往往需要人類操作員的遠程干預。實現真正的「自主智能」——即機器人能像人類一樣即時適應環境變化並做出合理的決策——需要 AI 能力的重大突破。

5. 成本控制

如前所述，將生產成本降至 2-5 萬美元是一個極具挑戰性的目標。核心問題在於：人形機器人所需的精密機械部件（高扭矩電機、精密減速器、多軸力矩感測器）的物理製造成本隨著產量增加而下降的幅度有限。這與半導體行業的摩爾定律式成本下降不同——機械部件的材料成本和加工成本有其硬性下限。

商業風險

1. 融資與現金流風險

Figure AI 的資本消耗率極高——從成熟的 A 輪/B 輪投資者處籌集的資金正在被快速用於團隊擴張、硬體開發、AI 訓練和製造設施建設。若商業化收入增長慢於預期，公司可能在 2027-2028 年面臨資金短缺。屆時若資本市場環境惡化（例如利率上升或 AI 熱情降溫），融資可能變得困難或估值大幅受損。

2. 客戶集中度風險

目前 Figure AI 的商業部署高度集中於 BMW 一家客戶。若 BMW 的試點項目未能轉入大規模部署，或 BMW 轉而選擇競爭對手的產品，公司的商業前景將遭受重大打擊。多元化客戶基礎——包括與亞馬遜、賓士等潛在客戶的談判——對降低這一風險至關重要。

3. 競爭加劇

隨著 Tesla、波士頓動力、宇樹科技和 1X 等競爭對手的不斷進步，Figure AI 的技術領先地位並非不可動搖。特別是 Tesla，得益於其龐大的研發預算和製造經驗，可能在未來 2-3 年內在人形機器人領域實現「後發先至」。此外，中國競爭對手的崛起——包括宇樹科技以及可能進入市場的新玩家（如小米、華為、小鵬）——將在成本和供應鏈層面對 Figure AI 形成壓力。

4. 監管與社會接受度

人形機器人在公共場所和工廠車間的大規模部署，面臨著複雜的監管問題。職業安全與健康管理局（OSHA）等監管機構對人機協作安全的標準尚未完善；勞動法規對機器人替代人類工作的限制在各國差異巨大；產品責任（product liability）框架的不確定性——如果一台人形機器人導致人員受傷或財產損失，責任歸屬如何確定？這些問題的法律答案仍不明確。

社會層面，人形機器人對就業的替代效應可能引發公眾反彈和工會抵制。特別是在德國和日本等擁有強勢工會傳統的國家，企業在引入人形機器人時可能面臨來自勞工組織的政治壓力。

5. 人才競爭

人形機器人開發需要極為稀缺的複合型人才——同時具備機器人硬體設計、AI/深度學習、控制理論和系統集成能力的工程師。這類人才在全球範圍內供不應求，薪酬水平持續攀升。Figure AI 需要與 Tesla、Google DeepMind、OpenAI 等資金更雄厚的科技巨頭爭奪頂尖人才，這對公司的股權激勵方案和企業文化構成持續壓力。

十二、天文台分析與前景展望

POC.HK Future Technology Observatory 從多個維度對 Figure AI 進行了系統性分析，以下為核心發現。

技術成熟度評估

根據技術準備度（Technology Readiness Level, TRL）框架，Figure 02 在基礎的移動和搬運任務上已達到 TRL 6-7（在相關環境中完成系統原型演示），但離 TRL 9（經過實際任務驗證的成熟系統）仍需 3-5 年時間。其端到端 AI 訓練方法雖然在理論上具有革命性潛力，但在實際工業場景中尚未證明其規模化後的可靠性和泛化能力。真正意義上的「通用人形機器人」——即一台機器人能夠無需調整地執行從工廠車間到家庭廚房的各種任務——技術上仍處於 TRL 3-4（概念驗證階段），距離商業成熟尚有 5-10 年以上的距離。

商業模式評估

RaaS 模式在理論上是正確的選擇，與雲端計算（SaaS）的商業邏輯一致。然而，RaaS 在機器人行業的執行難度遠高於 SaaS——硬體的維護成本、折舊速度和技術迭代風險都遠高於軟體。Figure AI 的長期盈利能力將取決於其管理邊際服務成本（特別是硬體維護和遠端運營支持）的能力。分析認為，當年產量超過 10 萬台時，RaaS 的毛利率有望達到 50% 以上；但在低產量階段（<1,000 台/年），RaaS 可能處於虧損狀態。

估值合理性

以 2024 年 B 輪融資後的 26 億美元估值計算，Figure AI 的估值倍數（相對於當前幾乎為零的收入）顯得極高。然而，對於處於早期階段的突破性技術公司，傳統的估值方法（如 P/S、P/E）適用性有限。更相關的參考指標是：

平均每台機器人價值：按照計劃產量和估值計算，B 輪投資者為 Figure AI 的「每台未來機器人產能」支付了約 2,600 美元（26 億美元 ÷ 100,000 台目標年產能）。相較於每台 3 萬美元的預計售價，這一估值似乎合理。
人力資本價值：300 多名頂尖機器人和 AI 工程師團隊的重置成本估計在 3-5 億美元之間。再加上 IP 組合、製造設施和戰略合作夥伴關係，26 億美元的估值雖然偏高，但不算離譜。

最佳情境 vs. 基準情境 vs. 最差情境

最佳情境（發生概率約 15-20%）：端到端 AI 方法在 2027-2028 年取得重大突破，Figure 02 在工廠環境中證明其可靠性和經濟性，年產量在 2030 年達到 5 萬台以上。公司透過 IPO 或併購實現大規模退出，估值超過 300 億美元。

基準情境（發生概率約 50-60%）：人形機器人技術穩步改進，但突破速度慢於預期。Figure AI 在 2028-2030 年間實現年產 1-2 萬台，主要服務於高端製造業客戶。公司在 2029 年前實現正的毛利率，但淨利潤仍需更長時間。估值在 50-150 億美元之間波動。

最差情境（發生概率約 20-30%）：AI 訓練或硬體可靠性遲遲無法達到規模化要求，RaaS 單位經濟模型無法走通。競爭對手（特別是 Tesla）以更快的速度推出同等或更好的產品。資金枯竭，公司被迫以低估值出售或進行業務重組。投資者可能面臨部分或全部資本損失。

行業時間線預測

2026-2027：人形機器人行業處於「萬花齊放」的早期商業化階段，Figure、Tesla、BD、Unitree 等多家公司的機器人首次進入真正的工業試點。全球總部署量不超過 500 台。
2028-2030：行業進入「過濾與整合期」。技術路線的分歧開始收斂，1-2 家領先企業開始實現大規模部署（年產 1-5 萬台）。部分後發或資金不足的公司被淘汰。
2031-2035：行業進入「爆發增長期」。成本降至關鍵閾值（3-5 萬美元）以下，人形機器人開始滲透至中小型製造業、物流業和部分服務業。年產量可能突破 50 萬台。

十三、為什麼這很重要（Why It Matters）

Figure AI 的故事不僅僅是一家科技創業公司的奮鬥史。它所代表的，是人類社會可能正面臨的一次根本性的生產力革命。

過去兩百年間，人類經歷了三次工業革命：蒸汽機帶來了機械化，電力帶來了規模化，計算機帶來了自動化。每一次革命都極大地解放了人類的體力勞動，但也創造了全新類型的工作崗位。然而，這三次革命有一條共同的底線：最靈活、最複雜的體力勞動仍然需要由人類來完成——因為人類的雙手和感知系統是任何機器都無法完全替代的。

人形機器人的出現，可能打破這一底線。如果 Figure AI 或其他競爭者能夠成功開發出在經濟上可行的通用人形機器人，那麼人類社會將首次面臨這樣一個可能性：任何需要人類體力介入的工作，理論上都可以由機器人替代。這不僅將解決勞動力短缺問題，還將從根本上重新定義「勞動」的含義和人類在經濟生產中的角色。

從這個角度來看，Figure AI 不僅僅是數百家 AI 創業公司中的一員。它是在回答一個影響整個人類文明走向的問題：當機器能夠做人類能做的所有體力工作時，人類社會應該如何組織？退休年齡、最低工資、全民基本收入、教育體系——這些社會制度都將面臨徹底重構。

Figure AI 的技術路線、商業決策和創辦人的願景，正在深刻地塑造這個未來的輪廓。無論其最終成功與否，Figure AI 都已經在人形機器人行業的歷史上留下了不可磨滅的印記。對於投資者、政策制定者和每一位關心科技對人類社會影響的人而言，理解 Figure AI 的發展——包括其成就、挑戰和戰略選擇——不僅僅是對一家公司的了解，更是對未來世界運作方式的一次提前預覽。

免責聲明：本文由 POC.HK Future Technology Observatory 基於公開資料整理，所有資訊僅供參考，不構成任何投資建議。文中涉及的公司估值、技術規格、商業計劃和市場預測均可能隨時間變化，請以各公司官方披露為準。作者及 POC.HK 不對依賴本文內容所作的任何決策承擔責任。

🔭 觀測台分析

發生了什麼

Figure AI 由連續創業家 Brett Adcock 於 2022 年創立，在短短四年內從零打造出 Figure 02 人形機器人，並在 BMW 工廠實現全球首個人形機器人量產部署。公司累計融資超過 7.5 億美元，投資者包括微軟、NVIDIA、亞馬遜和 Jeff Bezos，估值高達 26 億美元。

為什麼是現在

全球製造業面臨 800 萬至 1,000 萬名工人的結構性缺口，人口老化和生育率下降使勞動力短缺成為不可逆轉的長期趨勢。AI 技術的突破——尤其是端到端神經網路和視覺語言模型的成熟——為人形機器人從實驗室走向工廠創造了技術前提。BMW 的率先部署驗證了商業需求的存在。

誰受益

製造業和物流業企業獲得緩解勞動力短缺的自動化解決方案；投資者押注於有望改寫全球生產關係的平台型技術；社會整體獲得應對人口老化的生產力工具；Brett Adcock 等創業者獲得推動下一代工業革命的歷史機遇。

什麼改變了

Figure AI 與 OpenAI 的合作與解體，揭示了人形機器人行業的核心分歧：通用 AI 模型與專用運動控制策略之間的架構選擇。Figure 選擇垂直整合自研 AI 路線，建立完全自主的技術堆疊。RaaS（機器人即服務）商業模式的引入，將人形機器人從資本支出轉變為運營支出，大幅降低了企業部署門檻。

為什麼這很重要

人形機器人若成功，將是人類第四次工業革命的核心載體。Figure AI 正在回答一個影響整個人類文明走向的問題：當機器能夠做人類能做的所有體力工作時，社會應該如何組織？這不僅關乎勞動力替代，更將從根本上重塑教育、社會保障和財富分配制度。

下一步是什麼

BMW 部署從概念驗證向生產驗證推進是 2026-2027 年的關鍵里程碑。Figure AI 需證明年產能可從數十台擴張至數千台，並將單台成本從 10-20 萬美元降至 5 萬美元以下。2027-2028 年可能面臨新一輪大規模融資或 IPO 需求。Tesla Optimus 的競爭動態將持續影響市場格局。

免責聲明

本觀測台分析由 POC.HK Future Technology Observatory 基於公開資料撰寫，僅供研究參考，不構成任何投資建議。人形機器人技術仍處於早期商業化階段，實際發展可能與預期存在重大差異。讀者應查閱最新資訊並諮詢專業顧問。