Figure AI在宝马的11个月测试：无人公布的真实结果

过去三年，人形机器人行业一直是一场病毒式视频的竞赛。它能后空翻吗？能煮咖啡吗？能叠衬衫吗？这些演示令人印象深刻，但它们也都经过精心编排、大量剪辑，最终与经济现实毫无关系。

2025年11月中旬，这个时代朝着终结迈出了第一个认真的步伐。

Figure AI 与宝马制造公司在南卡罗来纳州斯帕坦堡工厂结束了一项为期11个月的试点项目。这里的头条新闻不是机器人能干活，而是这份工作很枯燥。

没有后空翻，没有跳舞。只有两台 Figure 02 机器人守在底盘生产线旁，以 5mm 的公差把钣金零件插入夹具，周一到周五每天连续工作 10 小时，月复一月。两台机器人总共完成了约 90,000 次零件放置，支撑了超过 30,000 台宝马 X3 车身的生产。它们不抽烟休息，也不抱怨重复性劳损。

这就是所有机器人公司都一直畏惧的那场”大考”——而 Figure 应考了11个月。但正如我们接下来会看到的，问题在于：完整的成绩单从未公布。

现实的考核指标

这次试点聚焦于一项特定的高频任务：将钣金零件插入底盘夹具。这项任务对传统自动化而言出了名地困难，因为底盘的位置会有细微变化，而零件本身轻薄柔软、难以抓取。

刚性机械臂默认世界是完美的，而人形机器人必须适应一个不完美的世界。试点公布的各项目标要求很高：

• 放置精度：每班次成功率 >99%。
• 节拍时间：每次多零件操作 84 秒（84 seconds）。
• 干预率：每班次零人工干预——每一次暂停或重置都被记录在案。

而整场演练的关键注脚在这里：**无论是 Figure 还是宝马，都没有公布机器人实际达成这些目标的程度的数据。**干预确实被记录了，但记录始终保密。一场为期11个月的试点，结束时 KPI 数据却未公布，这只是一种”暗示性及格”，而非有证据的及格——每当新闻稿称之为”成功”时，都值得记住这一点。

5mm 公差

已公布指标中最关键的是放置公差。机器人被要求在 5mm 的公差窗口内放置零件。

$\text{Tolerance} \le 5\text{mm}$

对人类来说，5mm 是很宽裕的。但对一台在光照条件不断变化的工厂里（头顶输送带的阴影、焊接火花）依靠计算机视觉的机器人来说，5mm 是一道充满不确定性的鸿沟。Figure 02 能够仅凭机载神经网络、不借助外部动作捕捉标记就稳定达到这一目标，验证了”端到端”神经网络路线的可行性。

神经架构：生成式AI模型的实战

Figure 02 的运行逻辑与确定性编程有着根本性的不同。这台机器人并非在传统意义上运行”代码”，而是通过端到端训练的视觉-动作模型（VAM）来执行动作。

在经典的机器人范式中，控制工程师会编写显式逻辑： if (sensor_A > 5) { move_arm(x, y, z) }

这种方法很脆弱。如果传感器读数漂移到 4.9，代码就会失效。

相比之下，Figure 02 的运作方式就像一个面向物理动作的生成式预训练变换器（GPT）。机器人的机载摄像头将视觉令牌流输入一个 transformer 模型。与此同时，模型接收诸如”放置支架”之类的高层语义指令。系统处理这些输入并预测序列中的下一个令牌。不过，它预测的不是句子中的下一个词，而是下一条关节速度指令。

这种”从像素到动作”的架构使机器人具备泛化能力。如果零件旋转了 10 度，神经网络不会报错退出；它只是预测出一条略有不同的手部轨迹，就像人类会本能地调整握姿一样。而传统机器人只会直接撞上去。

VAM 训练管线细节

这个模型不只是在看视频，而是在摄入一条多模态数据流。VAM 中的”推理”部分赋予了它规划能力。接到指令后，模型会将任务分解为一个潜在计划。这个计划不是硬编码的动作序列，而是一片由潜在动作构成的概率云。机器人在移动过程中，会不断重新评估接下来 100 毫秒动作的成功概率。正是这个 10Hz 的控制回路，让它能够在底盘线上修正微小的打滑或意外的振动。“推理”层位于”运动控制”层之上，实际上扮演着前额叶皮层引导运动皮层的角色。

这也是为什么”从仿真到现实”（Sim-to-Real）的鸿沟曾是最大的障碍。

跨越 Sim-to-Real 鸿沟

强化学习（RL）让机器人只需几天就能在仿真中完成相当于数千年的训练。然而，仿真环境出了名地”干净”：摩擦力恒定、光照均匀，物理引擎也极少能还原工厂车间的混乱现实。

当你把一个在”黑客帝国”里训练出来的大脑放进又脏又吵的宝马工厂时，它通常会遭遇分布偏移——本质上是一种数字癫痫，即传感器读数与训练数据对不上。宝马试点证明 Figure 已经解决了域随机化问题。通过在仿真中用数百万种光照、噪声和摩擦力的变体训练模型，现实世界在神经网络看来不过是”又一种变体”。这种”Sim-to-Real”迁移是通用机器人技术的圣杯，它让整支机器人队伍能够在云端从失败中学习，而不必在现实中损坏昂贵的硬件。

“通用型”的经济账

一台 $30,000 的库卡（KUKA）机械臂就能干的活，为什么要用一台 $150,000 的人形机器人？

这是自项目启动以来，怀疑论者（以及做空者）一直提出的核心问题。答案就藏在宝马试点部署的具体约束条件中。Figure 02 是被部署到一个现有的人类工作空间里的。

• 无需围栏：机器人与人并肩工作，不需要传统自动化标配的昂贵黄色安全围栏。
• 无需改造产线：底盘线没有为机器人重建，是机器人去适应产线。
• 灵活性：如果下周产线发生变化，人形机器人通过软件更新就能学会新任务。而专用机械臂则需要被物理拆卸、搬移，再由专业集成商重新编程。

这就是**棕地自动化（Brownfield Automation）**的定义。它让制造商无需推倒重建，就能对上世纪90年代建成的工厂实施自动化。“机器人税”（为迁就机器人而改造工厂环境的隐性成本）降至接近于零。此外，机器人也不是绑定在特定产品线上的资产。当它所服务的 X3 车身线换型时，机器人可以走向下一项任务。而固定式机械臂只能进废品场。

劳动力平价的成本

按 $150,000 的售价，假设 5 年使用寿命和适度的维护费用，Figure 02 的小时成本约为 $10-$15/hour。而斯帕坦堡一名 UAW 工人的全口径用工成本往往超过 $65/hour。但要小心你在别处看到的那些激进的资本开支算法：它们假设机器人通过换电池实现 24/7 全天候运转。试点根本没有证明这一点——机器人只上一个班次，每天 10 小时，每周五天。按这样的开工率，回本周期会拉长到数年而不是数月。所谓 12 个月内回本的论证，需要的是全天候运转，而这在目前仍停留在假设阶段。

前瞻分析：2026年的量产爬坡

而这里是第二个注脚：试点结束后并没有转为正式部署。宝马已确认，目前斯帕坦堡工厂没有任何 Figure 机器人，也没有让它们回归的明确时间表。 考试（大概）通过了，但录用通知还没签。尽管如此，行业分析师仍预计2026年会出现三大转变：

1. “看得见对方眼白”阶段

机器人将从”围栏里的试点”走向”协作式独立区域”。它们还不会与人类肩并肩作业（安全法规滞后于技术），但会呼吸同一片空气。

2. 算力瓶颈

Figure 02 搭载了一台庞大的机载计算机来运行其 VLM。随着这些机器人队伍规模扩大，对边缘推理芯片（如英伟达 Jetson Thor）的需求将暴涨。制约部署的因素将不再是机器人硬件，而是本地化算力的供给。

3. 工会的回应

UAW 和德国的企业职工委员会此前对这些试点保持沉默，因为它们只是”实验性质”。如今，一次完整的生产线试点已经跑完全程，劳资对话将从”要不要用”转向”用多少台”。预计2026年的劳动合同将明确规定每条装配线的”人形机器人比例”。

结论

Figure 02 在宝马的试点不是一个科学项目，而是一场求职面试。一台双足机器人走进工厂，在产线上干了11个月，没有搞砸。

但诚实的结论要在庆功之前刹车。性能数据从未公布，这座工厂如今的运转中没有人形机器人，而且 Figure 此后已将 Figure 02 全面退役——随着 Figure 03 发布，宝马工厂的那几台也作为全队退役计划的一部分被运回了总部。

“有用的人形机器人”不再只是一句承诺。它是一名通过了试用期的候选人——但仍在等待那份正式合同。

资料来源 (4)

• assemblymag.com Humanoid robots complete trial project at BMW assembly plant
• figure.ai Figure 02 Production at BMW
• press.bmwgroup.com BMW Group Plant Spartanburg Successfully Tests Humanoid Robots
• wardsauto.com BMW Completes Successful Pilot