从9%到56%：Figure租下30栋陌生住宅，给“人类视频能否替代遥操作”交上首份产业答卷- 大数跨境

首页

从9%到56%：Figure租下30栋陌生住宅，给“人类视频能否替代遥操作”交上首份产业答卷

机器人产业应用

2026-10-14

导读：零样本泛化能力提升6倍，人形机器人数据路线迎来首次规模化验证

作者：吴运熙

9月17日，Figure 发布通用控制模型 Helix 2.5。这不是一次常规的版本迭代，而是人形机器人行业第一次用严格控制变量的大规模真实实验，回答了一个赌了三年的核心问题：没有动作标签、没有力反馈的人类日常视频，到底能不能替代高成本遥操作数据，成为机器人泛化能力的核心燃料？

实验的设计足够硬核：租下旧金山湾区30栋从未进入过的陌生私人住宅，Figure 03机器人在零数据采集、零模型微调、零环境适应的“三零”规则下，完成整理客厅、折毛巾、铺床三项长程全身任务。最终结果：完整任务成功率56%。作为对照组，完全相同架构、训练流程与评测标准，仅从随机权重初始化、未经过Index视频预训练的模型，同任务成功率仅为9%。

单一变量带来6倍以上的零样本性能跃升，这是人类视频数据路线交出的第一份可验证的规模化答卷。

痛点引入：人形机器人的“数据不可能三角”

人形机器人要走进真实家庭，核心瓶颈从来不是硬件自由度，而是数据。当前行业主流的遥操作数据路线，始终绕不开“成本、规模、泛化”的不可能三角，这是全行业共识的底层矛盾。

· 成本高：专业遥操作员搭配力反馈设备，单小时数据采集的综合成本在200-500美元之间，高精度数据生产效率极低，难以规模化扩张；

· 规模窄：真实世界的家庭场景无限多样，户型、布局、物品形态千差万别，靠遥操作逐个场景覆盖，从投入产出看几乎不具备可行性；

· 泛化差：在实验室或特定住宅里训练的模型，换一个陌生环境就频繁失效，模型学到的是“特定场景的操作轨迹”，而非“通用的操作逻辑”。

正是因为遥操作路线的天然局限，行业才会把目光投向海量的人类日常视频：互联网上有无数人类做家务、操作物品的第一视角内容，成本极低、覆盖场景无限丰富。

但争议也同样尖锐：没有动作标签、没有力反馈信息、拍摄视角与机器人视角存在天然偏差，这些“非结构化视频”真的能转化为机器人的全身关节控制指令吗？在 Figure 这次实验之前，所有讨论都停留在猜想与小范围测试层面，没有任何一家公司拿出过严格控制变量的大规模真实场景验证数据。

认知纠偏：瓶颈从来不是“操作技巧”，而是“物理常识”

行业此前的普遍认知是：人形机器人操作能力的差距，核心在“精细操作技巧”，所以需要遥操作数据精准复刻手部轨迹、力控细节，才能让机器人学会干活。但 Figure 的实验结果直接推翻了这个表层认知。

对照组与实验组的神经网络架构、下游任务训练数据、评测标准、硬件平台完全一致，唯一的区别是有没有用 Index 的人类视频做预训练。仅仅补上了“人类视频里的物理世界常识”，成功率就从9%跃升到56%。

本质上，此前人形机器人在陌生场景下“不会干活”，根本不是因为“手不够巧”，而是因为“不懂真实世界的运行逻辑”。不知道毛巾要怎么拿才不会掉，不知道被子要从哪一边开始铺，不知道挡住路了要侧身绕过去——这些物理常识与空间逻辑，恰恰是海量人类日常视频里最丰富、最普遍的信息。

从产业视角看，这是一次关键的认知换挡：如果泛化能力的核心瓶颈是“通用物理常识”而非“专用操作技巧”，那么整个行业的数据投入方向就会彻底转向——从堆高成本的遥操作数据，转向挖掘海量低成本的人类行为视频。

核心技术拆解：Helix 2.5的三个核心验证

3.1无标签视频到全身控制的映射：Index 预训练的技术本质

本次实验的核心变量，是 Figure 在8月25日正式上线的众包视频数据平台 Index。官方公开数据显示，该平台目前已覆盖全球108个国家，累计上传1600万段人类日常行为视频，每秒可产生约35分钟的训练数据，上线至今已向创作者支付超过1500万美元分成。

行业最核心的疑问是：没有动作标签、没有力信息的人类视频，究竟怎么转化为机器人的全身关节控制指令？本质上，这是一套“通用行为预训练 + 分层迁移”的技术路径，核心是用大规模人类视频先教会机器人 “世界怎么运行”，再对接具体的运动控制，而非逐帧复刻人类动作。

从官方公开的技术体系看，Helix 采用三层递进的控制架构，对应从理解到执行的完整链路：

· 通用理解层（S2/VLM 主干）：相当于机器人的“视觉认知大脑”，负责看懂画面内容、理解物体与场景关系；

· 运动转换层（S1 /隐空间条件视觉运动 Transformer）：相当于“运动翻译中枢”，负责把视觉认知转化为机器人可执行的运动指令；

· 执行控制层（S0 /全身控制层）：负责以高频执行S1给出的全身关节目标，并处理平衡、接触与全身协调。

数据层面，Index 平台有一套标准化的质量管控流程：过滤、反作弊审核、去重、重平衡、标注，核心作用是筛掉无效数据、平衡不同场景的分布，保证预训练学到的是通用规律而非特殊样本。

从产业视角看，这套逻辑和大模型的预训练范式高度同源：不是用少量专业数据手把手教某个任务，而是用海量通用数据先打下通识基础，下游任务只需更少的任务特定数据进行行为适配，随后即可在未见环境和未见物体上实现零样本部署。

目前 Figure 官方尚未公开跨模态对齐的具体算法细节，但可验证的结论非常明确：仅靠第一视角人类日常视频预训练，就能给机器人带来显著的跨场景泛化能力提升。

3.2“三零”实验设计：最严苛的泛化能力验证

这次实验之所以有产业级说服力，核心不在于56%这个数字，而在于实验设计的严谨性，完全规避了行业常见的“演示式测试”漏洞。

· 场景零接触：30栋住宅均为首次进入的私人住宅，涵盖公寓、联排、独栋三种户型，客厅面积15-45㎡，物品摆放随机度≥80%，此前从未采集过任何场景数据，彻底排除“过拟合特定环境”的可能；

· 模型零微调：针对这30栋房子的具体场景，模型没有做任何针对性微调，完全用预训练模型直接执行任务；

· 任务零简化：三项任务均为包含多步动作的长程全身任务，且设定了明确的量化成功标准：整理客厅：13-15件随机摆放的日常物品全部收入指定篮子，无掉落、无损坏；折毛巾：标准面巾折叠后尺寸误差不超过±2cm，边角对齐；铺床：单人床床单铺平、四角掖好、无明显褶皱。

落地来看，控制变量的设计极具产业参考价值：除了是否加入 Index 预训练，两组模型的所有条件完全一致。9%到56%的性能差距，可以完全归因于通用视频预训练带来的泛化增益，没有其他干扰变量。

3.3首个 human-to-robot transfer 标度律：可预测的能力边界

Figure 同时公布了人形机器人领域首个人类视频到机器人迁移的标度律（human-to-robot transfer scaling law）：通过小规模的预训练实验，就可以在训练前预测大规模数据下的测试损失。

直白的说就是，Figure 公布了人形机器人领域第一个“人类视频迁移到机器人”的放大规律，即把人类动作视频学到的能力搬到机器人身上时，数据量越大，机器人最终表现会怎么变化，是有规律可循的。不用等把超大规模数据全训完才知道结果，先用小规模实验，就能提前预测大规模训练后模型会有多差、多好。

这里必须澄清一个极易被传播误读的表述：官方结论是“预测误差相当于8倍数据区间内数据变异的 0.54%”，而非“预测误差仅 0.54%”。通俗来讲：数据规模扩大8倍的区间内，模型测试损失本身会有自然波动；而标度律的预测值与真实值的偏差，仅为这个波动幅度的0.54%。这就像大模型领域用1B参数的小实验，就能精准预判10B参数模型的最终效果——误差远小于数据本身的随机波动，研发不用再盲目堆数据、赌结果。

这个结论的产业价值远大于一个“低误差数字”：它意味着人形机器人的研发，第一次拥有了类似大模型的可量化预测性。不用再盲目烧钱堆数据，而是可以通过小批量实验预判大规模投入的效果，研发决策从“试错赌博”变成“可量化计算”。

价值深挖：被忽略的两个关键产业信号

4.1自我纠错能力：“失败片段”比成功演示更值钱

实验中一个容易被忽略，但产业意义极强的细节是：机器人表现出了明确的自主纠错行为。整理物品时定位不准会后退重新调整站位，铺床时被单边角滑落会绕床半周修正折叠角度，毛巾滑落会重新抓取调整姿态——这些纠错动作并非预设轨迹，而是基于实时视觉反馈与任务目标的偏差自动触发。

行业此前普遍关注视频里的“成功操作片段”，但 Figure 的实验侧面证明：众包视频里大量的“失败 -调整-恢复”片段，可能是更珍贵的数据资产。数据显示，Index 平台的视频中，“失败-恢复”类片段占比约35%；而传统遥操作数据中，这类片段占比不足5%——遥操作往往刻意输出完美轨迹，很少记录失败与纠错过程，反而缺失了真实落地最需要的能力。

从落地角度看，有没有自我纠错能力，是“实验室演示”和“真实家用”的核心分界线。家庭环境充满意外，机器人不可能每次一次做对，能自己发现问题、修正动作，才是真正能用的开始。

4.2数据成本的范式级下降

如果算一笔产业账，就能看懂 Index 模式的底层冲击力。传统遥操作数据的单小时综合成本约200-500美元，包含操作员人力、力反馈设备折旧、数据标注费用；而 Index 平台的众包视频，单小时训练数据成本约12-18美元，成本下降约93%。

如果“通用视频预训练 + 少量任务微调”的范式成立，那么人形机器人的数据成本结构将彻底重构：

· 预训练阶段：承担80%的泛化能力培养，成本占比从原来的80%降至20%，由低成本的海量视频承担；

· 微调阶段：承担20%的特定任务精度提升，成本占比提升，但总量依然很小。

整体测算下来，同等泛化能力下，数据总成本可下降70%以上。这直接拉低了行业的准入门槛，也让通用机器人的商业化落地周期大幅缩短。

边界与争议：冷静看待56%的真实分量

5.1 56%到底是什么水平？

既不能吹成“已经能自主做家务”，也不能贬成“连及格线都不到”，需要放在产业阶段里客观判断。

从产业阶段看，9%是接近随机的“完全不可用”水平，56%是“从不可用走向可用的临界点——超过一半的概率能完整做完一整套长程家务，这在零样本、全陌生场景的前提下，已经是质变级的突破。从行业横向对比看，目前同条件下的零样本家务测试，行业主流水平在15%-25%之间，Figure 的56%是当前公开数据中的最高值，领先行业平均约2倍。

但也要清晰看到能力边界：目前仅验证了刚体操作类家务，涉及高柔性物体（如系鞋带、叠薄衣物）、精密操作（如插插头、拧瓶盖）的任务成功率未公开，行业普遍预计低于30%；30栋住宅依然局限于美式家居环境，距离“适配所有家庭”还有很远的距离。

5.2 三种代表性数据路线对比：思路差异大于优劣之分

回到行业数据路线的全局视角，除了 Figure 验证的众包视频路线，目前产业内已经演化出三条有代表性的技术路径。三者的核心分歧不在纸面成功率，而在数据规模、分层与精度、场景真实性的底层思路差异，且因评测体系各不相同，并不具备直接横向对比的基础。

Figure：众包规模化预训练路线

Figure 走的是众包规模化预训练路线，核心是依托自建的 Index 众包平台，用全球创作者上传的海量第一视角人类行为视频做通用预训练。它的底层逻辑是先让模型通过大量视觉素材学习物理世界的运行规律、物体属性与操作时序等通用常识，再通过少量任务特定数据微调，对齐到具体机器人的动作执行。这条路线的核心特点是场景覆盖扩张快、数据成本远低于传统遥操作，核心解决陌生环境下的零样本泛化问题，适合快速拓展通用生活服务类场景。

黎曼动力（Riemann Dynamics）：多层级数据融合路线

黎曼动力走的是多层级数据融合路线，采用「通用人类视频 + 外骨骼精细动捕 + 机器人真实 / 仿真轨迹」的三层金字塔式数据结构，从通识层到精度层逐级补充训练。这条路线本质是在泛化性与精度之间做平衡：底层用大规模视频数据打底保证场景泛化能力，中层用外骨骼动捕补足精细动作逻辑，顶层用真机或仿真数据适配具体硬件本体，兼顾了跨场景迁移能力与操作精度，适合家用与工业复合场景。

穹彻智能：真实世界无本体数据路线

穹彻智能走的是真实世界无本体数据路线，核心是通过 RoboPocket 分布式采集工具，由采集员手持与机器人末端同构的UMI夹爪装置，直接进入真实家庭、物流、生产等场景完成操作，全程采集动作轨迹与对应视觉数据（辅以少量 Ego 视角数据），不依赖传统的机器人真机遥操作轨迹。由于采集端与机器人执行端的形态、自由度天然匹配，无需做 “人手动作到机器人动作” 的跨形态转换，因此数据的真实场景适配性强，模型从仿真到真机的迁移损耗小，更偏向落地任务的实际执行效果。

从产业视角看，三条路线本质是在「数据规模、动作精度、场景真实性」三个维度上做不同的权衡取舍：Figure 侧重规模与广度，黎曼动力侧重分层与精度，穹彻侧重场景真实度。在行业统一评测基准建立之前，不存在绝对的最优路线，最终的分化会落在具体落地场景中——不同的任务要求，对应不同的最优数据方案。

5.3技术指标的传播偏差风险

这次实验里最容易被误读的就是 scaling law 的相关表述。很多传播会简化成“预测误差0.54%”，但实际是“误差占数据变异的 0.54%”，两者的含义天差地别。

这不是孤例。行业另一个常见的传播误区，是把“零样本”等同于“完全不用训练”——事实上，零样本是指针对目标场景零微调，预训练阶段依然需要海量数据支撑。

这折射出行业的一个共性问题：人形机器人还处于早期阶段，没有统一的实验披露标准。各家公司的实验口径、评测指标、场景难度都不一样，很容易在传播中被简化、放大，造成行业认知失真。从行业健康发展的角度看，披露实验至少要讲清三个维度：场景的陌生程度、任务的复杂度、评测的通过率标准。只给一个孤立的成功率数字，没有配套的实验口径说明，参考价值非常有限。

产业展望：人形机器人正在进入“预训练时代”

Figure这次实验的真正历史定位，是为人形机器人开启了“通用预训练”的大门。

回顾大模型的发展历史：早期行业都在做垂直领域的小模型，靠专用语料逐个场景训练；直到通用大规模预训练出现，用海量互联网文本训练基础模型，再通过小样本微调适配下游任务，整个行业的范式彻底改变。人形机器人现在正站在同样的拐点上。

此前行业都在做“场景专用”的机器人，靠遥操作数据一个场景一个场景地打磨；而 Figure 验证了“通用视频预训练”的可行性——用海量人类行为视频训练一个基础模型，就能获得跨场景的通用物理常识，再用少量数据微调适配具体任务。

这会带来整个行业竞争逻辑的变化：之前的核心竞争力，是遥操作团队的规模与数据生产效率；接下来的核心竞争力，是数据平台的生态能力、视频数据的规模与多样性、基础模型的预训练转化效率。

结合当前数据增速与技术迭代节奏，可以给出更明确的产业周期判断：

· 短期（12-18 个月）：随着 Index 数据量突破 5000 万段，零样本基础家务成功率有望突破 75%，进入家用服务机器人早期商用试点，主要面向保洁、整理等基础场景；

· 中期（24-36 个月）：通用预训练模型叠加少量遥操作精调，覆盖 80% 以上日常家务，消费级人形机器人进入百万级出货阶段；

· 长期：数据路线分层分化，通用生活场景靠众包视频预训练，专业工业场景靠遥操作 + 力控数据，形成 “通用底座 + 专用微调” 的产业格局。

当然，预训练不是万能的。精细操作、力控、复杂工具使用，依然需要专用数据的补充。但不可否认的是，从9%到56%的这一跃，让人形机器人的通用化路径，第一次清晰地呈现在了产业面前。

未来一到两年，行业会迎来一波数据路线的验证潮：谁先跑出可复制的成本-效果曲线，谁能把零样本成功率再提一个台阶，谁就能拿到下一代通用人形机器人的入场券。

连界创新

推荐阅读

产业应用场景

·出海！中国具身智能企业在全球市场大“杀”四方！

·比人形更快进入家庭？具身智能宠物机器人迎爆发！

·文娱巨星！人形机器人“表演大乱斗”，谁赢了？

·商业导览成具身智能商业化破局点？

·巡检机器人之困，场景刚需，但这一问题亟待解决

机器人本体企业

·仿生机器人=伴侣机器人？一文为仿生机器人正名！

·乐聚Taskor，为人形机器人规模化进厂按下“快进键”

·具身智能争霸赛打响！四大核心区都有哪些“扛把子”？

·CES 2026｜星动纪元携人形机器人家族亮相

·智元CES放大招！开源Genie Sim 3.0强的可怕！

供应链动态

·零部件企业跨界突围！这些企业上大分！

·夺取物理世界的入场券：具身智能操作系统拆解

·人形机器人关节生死局：执行器路线之争与技术博弈

·灵巧手赛道“激战”，新老玩家各执什么王牌？

·开源数据集图鉴！这份具身智能“军火库”请查收

【声明】内容源于网络

机器人产业应用

由连界创新具身智能中心发起，以场景应用为导向，专注具身领域科技与产业的链接。我们将围绕投资+服务双轮驱动，为科技增长赋能。业务涵盖垂直行业峰会/沙龙、私董会、标杆走访，具身智能行业研究报告与咨询，产业生态系统搭建等。

内容 589

粉丝 0

机器人产业应用由连界创新具身智能中心发起，以场景应用为导向，专注具身领域科技与产业的链接。我们将围绕投资+服务双轮驱动，为科技增长赋能。业务涵盖垂直行业峰会/沙龙、私董会、标杆走访，具身智能行业研究报告与咨询，产业生态系统搭建等。

总阅读6.7k

粉丝0

内容589