具身智能正在从炫酷的Demo阶段迈向残酷的工业化考验。当Figure宣布机器人数量超过员工时，这不仅是一个吸引眼球的数字，更揭示了这个行业正在经历的范式转变——从追求单机表演到构建规模化生产体系。本文将深入拆解机器人产业如何跨越‘能做一次’与‘能稳定交付’之间的鸿沟，以及为什么错误数据比完美视频更值钱。

一、Demo 很漂亮，也很会骗人

一个机器人听懂人的指令，转身、伸手、避障、抓取。画面一出来，像科幻电影提前泄露了片段。过去两年，整个行业都被这类视频喂养。每家公司都在努力证明：我的机器人已经能动，能看懂世界，能执行任务，离进入人类生活只差一点点。观众也被训练出一套简单的判断方式。谁的视频更丝滑，谁更强。谁的动作更像人，谁更接近未来。谁能折衣服、煎鸡蛋、拧瓶盖，谁就更值得下注。

然后 Figure 创始人 Brett Adcock 抛出一个不太像宣传片的数字。他说，有史以来第一次，Figure 的机器人数量超过了人类员工数量。按他展示的曲线，Figure 的机器人数量在 2026 年第二季度已经接近或超过 700 台，人类员工数量大约在 650 左右。他还补充，Figure 的 salaried employees 约 314 人，其余包括小时工和合同工。这组数字来自创始人的公开披露，还不是第三方审计口径。这个数字当然适合做标题。机器人比员工还多。机器开始接管公司。人类要被替代。很刺激，但是这件事最值得看的地方，并不在“机器人超过员工”这句话本身。这里面还有很多口径问题：这些机器人是不是都在活跃运行？是不是都参与生产、测试、部署？员工数又按什么口径算？真正有意义的，是指标变了。以前看机器人公司，大家问：它会不会动？现在要问：它能不能被持续造出来？以前看单台机器人的能力上限。现在要看一家公司的生产函数。这才是 Figure 这条新闻让人不舒服的地方。

具身智能正在离开演示台，进入一场更粗粝的考试：制造、部署、成本、维护、数据回流，还有那个最现实的问题，一天一台，还是一小时一台。它戳破了一个幻觉：只要模型足够聪明，机器人就会自然来到我们身边。

不会。模型只是门票。

机器人要进入现实世界，还得把模型、身体、工厂、供应链、客户场景和数据系统压到同一条线上。少一环，视频再漂亮也只是视频。

AI 行业过去几年有个坏习惯：用“惊艳瞬间”判断技术成熟度。大模型是这样火起来的。ChatGPT 在一个对话框里写诗、写代码、改邮件、解释论文，用户第一次感觉到，机器好像真的会理解语言了。到了具身智能，视频变成了新的对话框。

机器人叠衣服了。机器人拿咖啡了。机器人搬箱子了。机器人走进家庭了。

这些视频有价值。没有这些能力展示，行业没有信心，投资人没有信号，公众也不会相信机器人真的在进步。麻烦在于，Demo 天生只展示最好看的切面。你看到的是一次成功抓取。前面失败了多少次，看不到。你看到的是机器人走过一段整洁路径。换个光照、换个地面、换个物体角度，它会不会突然犯傻，看不到。你看到的是一只机械手像人一样伸出去。那只手的成本、寿命、维修难度、备件周期，看不到。你看到的是一分钟视频。现实世界要问一千小时、一万小时、十万小时。机器人行业最容易犯的错，就是把“能做一次”误判成“能稳定交付”。

能做一次，是科研能力。能重复做，是工程能力。能低成本重复做，才是商业能力。Figure 这次被关注，不是因为它突然发了更炫的视频。恰恰相反，这个数字很不性感：机器人保有量超过员工数。它不是动作能力指标。它是规模指标。它提醒我们，评价具身智能公司的方式要换了。

如果一家公司还只能靠单个视频制造兴奋，它仍然停留在“证明我可以”的阶段。开始谈产线、良率、部署小时数、任务量、成本下降、现场数据，才算进入“证明我能交付”的阶段。现在的巨身智能公司更应该关注一家公司能不能把技术变成资产，把资产变成产出，再把产出反过来喂给技术。你盯着机器人会不会像人一样动，比赛已经转向谁能更快造出更多机器人。而谁能胜出？敬请期待。

二、Figure 的重点不只是会造机器人

Figure 不是唯一一家做人形机器人的公司。Tesla 有 Optimus。Agility Robotics 有 Digit。Boston Dynamics 有 Atlas。

中国的人形机器人和工业机器人公司也在密集推进。Figure 与其他公司不同是因为它一直在试图把自己从“机器人展示公司”推向“机器人生产公司”。这个区别很大。Figure 先用 Figure 01、Figure 02 证明人形机器人可以进入真实任务，再用 Helix 把视觉、语言和动作控制连起来，最后用 BotQ 和 Figure 03 把焦点推到规模制造上。

BotQ 是这条新闻绕不开的背景。Figure 在 2025 年发布 BotQ 时，说得很直接：这是一个面向大规模人形机器人生产的制造体系。第一代制造线年产能目标是 12,000 台，并且提出让机器人参与制造机器人。这句话听起来像科幻，但它也是具身智能商业化绕不开的一步。如果人形机器人只能靠人类工人慢慢组装，成本下降速度会被卡住。机器人一旦能参与自己的生产，哪怕只参与一部分重复环节，行业想象空间就变了。这意味着 Figure 不只在卖机器人。它也在训练一种新的制造方式。

2026 年 4 月，Figure 公布了 Figure 03 的生产爬坡情况。官方称 BotQ 已交付超过 350 台 Figure 03，产能从每天 1 台提升到每小时 1 台，在 120 天内提升 24 倍。这组数字比炫技视频硬得多。每天 1 台，是实验室和小批量工程团队能理解的节奏。每小时 1 台，问题就变了。零部件供应、装配一致性、测试标准、故障追踪、出厂校准、现场部署、数据回收，全都要接上。机器人公司进入这个阶段，组织形态会变。它不能只像 AI 模型团队，也不能只像硬件团队。它要像制造公司一样管理产线，像软件公司一样迭代系统，像服务公司一样进客户现场，像数据公司一样消化运行记录。Figure 的融资也要放在这个背景下看。2025 年 9 月，Figure 宣布 Series C 承诺资本超过 10 亿美元，投后估值 390 亿美元。资金用途包括扩展 Helix 和 BotQ。390 亿美元，当然会让人皱眉。凭什么？这个疑问合理。但资本市场押的不是“这台机器人今天能做什么”。它押的是另一件事：如果 Figure 能把机器人从几十台、几百台推进到几千台、几万台，数据、制造和部署会不会互相推动。单台机器人没有那么贵。规模起来后的学习速度，才贵。

四、当机器人走入现场

实验室里，机器人都可以显得很聪明。真正的麻烦从客户现场开始。工厂不会因为你是未来科技就迁就你。物流中心不会因为你视频拍得好就放慢节奏。

生产线讨厌不稳定，仓库讨厌停摆。一个机器人到了现场，面对的东西比视频里脏得多。光照、货架、地面、人的走位、任务节奏，都不会按发布会剧本走。客户也不会问你模型参数有多大。

只会问：这东西能不能干活？一天能干多久？坏了谁负责？多久能回本？

Figure 和 BMW 的合作，提供了一个观察窗口。按 Figure 官方披露，Figure 02 在 BMW 场景中完成了超过 1,250 小时运行、90,000 多次零件装载，并参与生产了 30,000 多辆 BMW X3。这些数字不能证明 Figure 已经赢了。但它们至少说明，Figure 已经从“让机器人在实验室完成任务”，走到了“让机器人进入真实生产环境承担部分工作”。

这一步很难。真实场景会暴露机器人最不体面的部分。抓取不稳、速度太慢、维护太贵、接口不好接、安全策略过于保守，现场马上知道。机器人在发布会上看起来像未来。到了工厂里，它会被立刻还原成设备。设备没有光环。设备只看可用性。2026 年 5 月，Figure 又宣布和 Catalyst Brands 签署商业协议，计划把机器人部署到其 Reno 物流中心。这个场景同样重要。工厂和仓库，可能是人形机器人最先落地的地方。家庭场景听起来美好，但家庭太复杂、太分散、容错率太低。工业和物流场景辛苦，却更可控：任务更标准，环境更固定，客户也更愿意为效率付钱。

机器人只有在这些地方跑出足够多的运行数据，模型才会变得更实用。所以不要把 Figure 的 700 台机器人理解成“公司内部有 700 个机器员工”。更准确的理解是：Figure 正在给自己堆一个硬件入口，一个持续采集现实世界经验的入口。每多一台机器人，就多一个感知世界、执行任务、暴露问题、产生数据的节点。

机器人数量增长，资产当然变多了。更关键的是，现实世界训练场变大了。

四、最贵的资产，是错误

大模型的进步，很大程度上来自文本、代码、图片、视频这些数字世界的数据。具身智能麻烦得多。机器人需要的数据，不是网页上天然躺着的文本。它需要动作数据、触觉反馈、失败轨迹、现场视频流、关节角度、力矩、速度和环境变化。

它要知道为什么这一次抓空了，为什么同一个零件换个角度就失败了，为什么人类走近时必须减速。这些数据很难凭空获得。你必须把机器人放进世界里，让它工作，让它犯错，让它修正。具身智能和纯软件 AI 最大的差别就在这里：它的学习成本高得多。

一个大模型可以在服务器里反复训练。一个机器人必须在现实世界里付出磨损、维修、等待和场地成本。这也是 Figure 的数量变化值得关注的原因。700 台机器人不是终点。700 台机器人意味着 700 个潜在的数据采集终端，700 个工程问题暴露点，700 个可能让系统变好的现实接口。如果这些机器人只是摆在那里，数字意义有限。如果它们进入测试、制造、部署、客户现场，意义就完全不同。具身智能最贵的资产，不是成功视频，是错误。

一次抓取失败，一次路径规划卡住，一次识别混乱，一次硬件磨损，一次现场维护记录。它们看起来不体面，却是机器人从玩具变成工具的材料。人类学习一个动作，也靠大量错误。机器也一样。区别在于，人类的错误分散在每个人身上，很难被集中训练。机器人公司的错误如果被系统记录、归类、复盘、再训练，就会变成组织的集体经验。这就是规模化部署的价值。它让错误不再只是损耗，也变成数据。

过去，员工是主要学习者。工程师看视频、调参数、改结构、修 bug。现在，机器人本身也开始进入学习网络。机器人越多，问题越多。问题越多，改进机会越多。改进越快，下一批机器人越强。这条链条跑起来，具身智能公司才有机会摆脱 Demo 依赖。

五、替代之外，还有产能差距

每次机器人新闻出现，最容易被问的问题都是：它会不会替代人？这个问题当然重要。但它经常把讨论带偏。短期内，很多机器人不会直接替代一个完整岗位。它更可能先替代某些任务：搬运、分拣、上料、巡检、重复装配、危险环境操作。一个岗位通常由很多任务组成。机器人先吃掉其中一部分，剩下的部分重新组合，人类工作方式随之变化。所以问题不只是谁被替代。

还有谁的产能被放大。Figure 的 700 台机器人如果继续增长，它首先改变的是 Figure 自己。同样数量的人，可以管理更多硬件，测试更多场景，获得更多数据，支撑更多客户。这家公司的人均产出可能会变得很不一样。

这才是 AI 和机器人真正改变组织的方式。它不是简单地把人从椅子上赶走。它先改变产能分布。会用机器的人，单位时间内能调用更多能力。不会用机器的人，仍然只能靠自己的时间和体力。公司也是一样。会把 AI 和机器人接进生产系统的公司，扩张速度会改变。还停留在“买几个工具试试”的公司，可能输的不是创意，是产出速度。这对普通人也有启发。不要只问 AI 会不会替代我。这个问题太被动。更有用的问题是：我有没有把 AI 变成自己的产能外骨骼？

我能不能用 AI 更快读资料、更快写稿、更快做图、更快验证想法？能不能把重复工作交出去，把判断、审美、策略和关系留下来？能不能让自己的工作方式从“我一个人干”，变成“我带着一组机器干”？Figure 的新闻看起来离普通人很远：人形机器人、工厂、融资、估值、BMW、物流中心。它指向的变化并不远。机器不只在替代人，也在放大人。被放大的人和没被放大的人，差距会越来越明显。

六、别再只看机器人像不像人

如果要从 Figure 这件事里提炼一个判断，我会这么说：具身智能的下一阶段，别再只问机器人像不像人。要问几个更硬的问题。它能不能被稳定制造？一台机器人很酷，一百台机器人很难，一万台机器人就是另一门生意。

它能不能在真实场景里持续运行？不要只看一次任务成功。要看小时数、任务数、故障率、维护成本。它能不能把失败变成训练材料？机器人最值钱的地方，不是永远不犯错。它的价值在于每次犯错都能让系统更强。它能不能进入客户的成本表？客户不会长期为未来感付费。机器人必须在效率、安全、稳定性或成本上给出硬结果。它能不能反过来提高公司的生产能力？当机器人参与制造、测试、部署和数据采集，公司本身会变得更像一个机器增强组织。这些问题，比“它会不会跳舞”“它能不能端咖啡”重要得多。

端咖啡可以让公众理解未来。产线和部署，才决定未来有没有账可算。Figure 的 700 台机器人，意义就在这里。它不说明人类员工不重要。越到这个阶段，人越重要，只是角色变了。人不再只是亲手完成每个动作的人。人开始变成设计任务、管理机器、处理异常、优化系统、判断方向的人。工业时代的人学会了使用机器。

AI 时代的人，要学会组织机器：组织软件机器，也组织物理机器，让它们替你试错、采集、生产和交付。所以 Figure 这条新闻最值得记住的，不是“机器人数量超过员工”这句表面冲击。它提醒我们，具身智能终于开始接受现实世界的审判。这个审判不看视频多漂亮。它看你能造多少台，能跑多久，能不能把错误变成进步，能不能把机器从展台带进工厂、仓库和日常生产。幻觉就是在这里碎掉的。具身智能不是一个会走路的聊天框。它是一场把智能塞进物理世界的长期战争。

Figure 可能会赢，也可能会在某些环节摔跤。700 台机器人也还远远不是终局。但这条曲线已经足够提醒行业：下一轮竞争，不属于最会拍视频的公司。它属于那些能把机器一台台造出来、放出去、管起来、学回来的公司。未来不会因为某个 Demo 到来。未来会因为一条产线、一批部署、一次次失败记录、一个个被修正的动作，慢慢变成现实。