在二月，Figure AI 的 Figure 02 機器人出現在一段短片中，輕輕地從傳送帶上提起塑料袋和盒子，並將它們放在一旁。這段長約一分鐘的影片展示了該機器人能夠看見、抓取以及轉動不熟悉的包裹，但其每個物品約需五秒的速度，讓它看起來更像是一名小心翼翼的實習生，而非一位準備好的同事。
四個月後，該公司發佈了一段截然不同的視頻。這段於六月七日發佈的未經編輯的長達一小時的影片顯示，單一的 Figure 02 在工作站上持續不斷地進行包裹的分類和掃描。
根據公司網站上的更新，底層的 Helix 視覺運動系統現在每處理一個包裹約需 4.05 秒，儘管任務難度增加，速度卻提升了 20%。
Helix 如何縮短差距
Figure 將這一進步歸功於更多數據和更深的模型。訓練示範增加了六倍，從十小時增至六十小時，讓 Helix 獲得了更多現實世界中的失誤、奇特形狀和光線變化的範例。除了數量的提升，工程師還為系統新增了短期視覺記憶和觸覺反饋模組。
這種記憶功能使得系統能夠記住剛才看到的條碼的部分片段，並計劃旋轉以暴露出來，而觸覺信號則提供了粗略的觸覺感知，幫助進行更輕柔的抓取和快速釋放。
這些調整對於非剛性包裹的效果最為明顯。在普通的紙箱之外，最新的運行中還混合了可變形的塑料袋和平整的填充信封，這些包裹在抓取時會彎曲、皺褶或折疊。
Helix 使 Figure 機器人能夠隨時調整策略，夾住薄郵件、輕輕翻轉柔軟的袋子，並壓平氣泡塑料，以便皺褶的標籤能夠清晰掃描。這導致條碼就緒的方向性從約 70% 提升至約 95%，並且在處理量上升的同時並未停滯。
近距離自主的曙光
小型包裹物流提供了快速變化的場景，這有利於端到端的學習，而 Figure 的更新顯示這種方法正在迅速成熟。在公司引用的受控評估中，Helix 的速度和準確性提升與額外的示範和新的架構模塊密切相關，顯示出進一步增長的明確途徑。收集更多數據、精煉記憶、提升觸覺。
更有趣的是，這些相同的策略權重似乎能夠進行泛化。據報導，機器人在僅增加少量範例的情況下學會了識別人類工人的伸出手，並將其視為傳遞包裹的信號，而無需單獨的交接腳本。
這種最小摩擦的重新任務暗示了一個未來，單一的學習管道可以涵蓋數十種倉庫微型任務，從分配箱到堆放貨物。
目前，這次演示仍然是一個里程碑，而非大規模部署。然而，它使得未來的發展路徑更加明確。Figure 以及如 Tesla 的 Optimus、Agility 的 Digit、Apptronik 的 Apollo 和 Unitree 的 H1/G1 等競爭對手，正在押注於數據和網絡設計的穩步增長，將縮短謹慎原型與可靠工作者之間的最後差距。
如果一小時的不間斷分類已經接近人類的靈活性，未來的迭代可能將延長到整個班次，甚至整個機隊。每一次速度、觸覺和記憶的提升，都將逐步消除更多重複的人類任務，直到人形機器人不再是倉庫中的訪客，而是團隊的一部分。
更多儲值卡評測請即睇：SIM Card 大全
https://www.techritual.com/category/sim-card-review/
