Figure Helix 2.5零样本演示：机器人离赚钱还有多远

9月17日，Figure AI对外发布了神经网络模型Helix 2.5，并公开了一段实测视频：搭载该模型的Figure 03人形机器人在一个未经预演的陌生客厅里，自主完成了折毛巾、整理床铺和清理杂物三类家务。没有人工示教，没有针对该特定场景的微调（fine-tuning），仅依靠对Index数据集的预训练，机器人实现了"零样本"全身动作迁移。这并非又一次简单的参数升级。在具身智能领域，从"按预设代码执行"跨越到"在未知物理环境中自主适应"，是一个被业内反复验证却鲜少在消费级硬件上落地的门槛。Helix 2.5的演示标志着通用视觉-语言-动作大模型正在从算力竞赛转向物理世界理解的深水区。但从"能演示"到"能商用"，中间隔着成本结构、安全冗余和商业模式三条鸿沟。人形机器人的Robot-as-a-Service（RaaS）模式，能否在家庭场景中真正跑通？

零样本的含金量：告别"刻舟求剑"

过去两年，人形机器人的核心瓶颈在于泛化能力极差。早期的机器人如Figure 01或Tesla Optimus早期版本，高度依赖强化学习（RL）在具体环境中的海量试错数据。这意味着每换一个房间布局或换一种物品摆放方式，就需要重新采集数万条轨迹进行微调。这种"刻舟求剑"式的训练成本，让机器人的部署周期以周甚至月为单位计算。用户需要专业工程师现场调试，每次搬家或改变家具摆法就要重新花一整天做适配——这在商业上完全不可行。

Helix 2.5的核心突破在于引入了类似大语言模型（LLM）的预训练范式，并将其映射到物理控制层。通过Index数据集——一个由人类行为演示构建的高规模数据集——模型学会了理解物体的物理属性、空间关系以及任务的抽象逻辑。当Figure 03面对陌生环境的毛巾或床单时，它不需要知道这个特定毛巾的材质纹理，而是提取出"布料"、"折叠面"、"重心"等物理特征，直接输出符合力学规律的控制指令。

这种跨环节的物理世界理解迁移，将机器人的适应周期从"重新训练"压缩到了"实时动态适应"。具体来说，模型在三个层面的能力发生了质变：首先是任务分解能力，能够将模糊指令如"把客厅收拾干净"拆解为可执行的原子动作序列；其次是物理推理能力，能够预测物体之间的力学交互（比如拿起毛巾会导致床单移动）；最后是容错机制，当某个动作失败时可以自动切换到备选方案而非直接崩溃。

在技术上，这证明了具身智能正在脱离特定工业流水线的束缚，向非结构化环境迈出第一步。但这种能力的边界在哪里？演示视频中机器人完成的任务虽然日常，但都是在相对简单的光线和空间条件下进行的。真实家庭的复杂程度远高于此——杂乱的地板上可能散落着玩具、宠物用品和儿童画作，光线会随一天中的时间剧烈变化，这些都会对视觉感知系统构成严峻挑战。

商业落地的暗礁：谁在为"通用性"买单？

尽管技术叙事极具吸引力，但Figure AI面临的现实约束非常坚硬。首先是硬件成本。Figure 03虽然相比前代在供应链整合上有所优化，但其搭载的高扭矩关节电机、高精度力控传感器以及顶部的边缘计算算力模组，单台BOM（物料清单）成本依然居高不下。据行业估算，即便在大规模量产假设下，单台成本也至少维持在两三万美元级别。对于普通家庭而言，目前的人形机器人更接近于昂贵的"桌面级AI玩具"或企业级的"展示品"，而非能替代保姆或保洁的生产工具。

我们可以做一个简单的对比测算：美国全职保姆的平均年薪约为4万至6万美元。如果一台人形机器人售价3万美元、使用寿命5年、维护成本每年2000美元，那么五年总拥有成本约4万美元，勉强具有经济性。但这还要求机器人能够稳定处理80%以上的家务类型——而目前的演示仅覆盖了三种基础任务，且成功率远未达到商用标准。

其次是可靠性与安全性。家庭场景是典型的非结构化环境，存在大量不可预测的交互（如宠物乱跑、儿童突然出现、易碎品散落）。目前的零样本模型主要擅长任务逻辑规划，但在涉及精细操作容错率和绝对安全控制的底层逻辑上，仍存在物理风险。如果一台售价数万美元的机器人打碎了一套定制瓷器或碰倒了热水杯，责任界定在法律框架内仍是空白。

这就引出了RaaS（机器人即服务）模式的尴尬：消费者不愿为高昂的硬件一次性买断，而服务商则需要承担持续的维护、保险和折旧成本。在没有规模化量产将硬件成本压降至万元级别之前，RaaS难以在C端形成正向现金流。相比之下，B端（如仓储物流、工厂辅助）场景由于环境可控、任务明确，反而更可能率先实现商业闭环。

路线之争：软件定义 vs 制造业壁垒

在人形机器人的赛道上，Figure的选择代表了一条典型的"软件定义硬件"路径。不同于Tesla Optimus试图依托庞大的汽车制造体系打通硬件供应链、追求极致成本控制的重资产模式，Figure AI更倾向于先攻克大脑，再优化身体。

Figure的最新融资历程显示，其核心投资人阵容中包含了大量科技巨头和风险资本，资金主要用于AI模型研发和数据中心建设。这种策略的优势在于迭代速度极快，算法层面的进步可以直接覆盖在不同硬件平台上；劣势则是容易被硬件良率和供应链卡脖子所反噬。一旦硬件成为瓶颈，算法优势将被大幅削弱。

相比之下，以Tesla和波士顿动力为代表的竞争对手，正试图用工程化能力和规模制造来拉开差距。Tesla的Optimus已经进入了内部工厂实测阶段，其最大的看点不在于智能化程度有多高，而在于能否利用特斯拉成熟的电池管理和电机关联供应链将成本压到极致。未来一两年，竞争的关键不在于谁能演示出更花哨的动作，而在于谁能率先把综合使用成本降到传统家电的下限，并建立起可靠的家庭服务生态。

值得注意的是，这场竞争还在加速。随着苹果、亚马逊等消费电子巨头纷纷入局人形机器人赛道，硬件制造的边际成本曲线可能会比预期更快地下沉。但对Figure来说，窗口期并不宽裕——如果它的核心差异化能力是算法，那么在硬件迭代跟不上节奏的情况下，先发优势很容易被后来者抹平。

后续观察指标：如何判断拐点是否到来？

对于关注该赛道的投资者和行业观察者而言，Helix 2.5是一个明确的技术信号，但不是商业化的终章。接下来的半年到一年内，建议重点追踪以下三个维度的变化：

第一，硬件降本曲线。关注Figure下一代产品或同行竞品单台BOM成本是否出现阶梯式下降，特别是核心传感器和执行器的国产替代或自研进度。如果能看到关节电机或力控传感器的成本下降50%以上，将是行业拐点的重要标志。

第二，长尾场景测试数据。从零样本演示过渡到持续运行（Long-run operation）测试。机器人能否在无人工干预下连续工作2小时以上而不发生错误累积或姿态失控，是衡量实用性的硬指标。当前演示更像是精心设计的"样板间"效果，真正的考验是在随机、杂乱的真实环境中能撑多久。

第三，行业合规框架。欧盟《人工智能法案》及美国各州关于家用服务机器人的安全监管细则是否会出台。责任认定标准的明确程度，将直接决定保险公司是否愿意介入该市场。没有人形机器人保险，这个产业就永远无法进入主流消费市场。

人形机器人走向家庭的最后一公里，拼的不是单点技术的惊艳，而是系统工程与商业耐心的较量。