Figure 机器人创始人 Brett Adcock：人类与机器动作差距正以不可逆速度缩小

1️⃣ 关键突破点：机器人第一次实现了“接近人类的奔跑”

Figure 03 的最新视频显示：

• 能连续高速奔跑
• 不靠外部支架
• 全程自主平衡
• 步态接近人类
• 动作连贯性远超上一代

这是人形机器人领域的里程碑，因为“奔跑”是机器人运动中最难的一项：

1. 动态平衡，跑步是连续失衡再恢复的过程，数学复杂度极高
2. 连续冲击承受，每一步都有很大冲击力，腿部设计必须非常强
3. 实时决策能力，感知 + 控制循环要快于10ms
4. 多关节协调，每条腿有数十个自由度，需要完全同步

此前只有 Boston Dynamics 做到这一点，但 Figure 的突破更重要——它是“类人电机 + AI 控制”的路线，而非液压路线

→ 这是未来 AGI 机器人真正可量产的形态。

2️⃣ 执行器能力“5 倍于当前速度”，意味着什么？

Adcock 提到 Figure 的执行器可以做到 5x 速度提升。

这意味着：机器人理论上可以做到“比人类快得多”的动作：

• 更快的奔跑
• 更快的捕捉/抓取
• 更快的反应
• 更快的避障
• 更快的微操作

执行器本身的物理极限已经超过人类，真正限制速度的反而是：

• AI 控制系统
• 神经网络学习能力（Helix）
• 数据采集量
• 能源系统

一旦这些瓶颈突破，机器人性能将真正进入“超人时代”。

3️⃣ Adcock 的关键观点：AI 让机器动作进入“指数曲线”

他讲的核心思想，是机器人性能不再只由机械工程推动，而是：

🧠 数据 → 训练 → 神经网络 → 学习 → 自动优化

这意味着：

旧时代是人类程序员手工调参（慢）
新时代是机器人自己学动作、优化动作（极快）

Figure 的 Helix 神经网络类似于：

• Tesla 的 end-to-end 控制
• Google DeepMind 的控制模型
• NVIDIA 的 GR00T
• Boston Dynamics 的 AI 控制新路线

这是“人形机器人革命”的核心。

Adcock 的意思很明确：机器人学习速度远快于人类，动作能力会逐年碾压人类。

例子：

• 人类学走路要 1 年
• 机器人可在 48 小时内学会新步态
• 人类跑步动作难以优化
• 机器人可以训练成“最佳力学步态”

4️⃣ 与 Tesla 的对比：Figure 正在抢占“动作领先权”

Figure 的奔跑展示，本质上是对 Tesla 的回应：

• 特斯拉：动作细致 → 精密手动作业
• Figure：动作高速 → 接近人类运动极限

双方未来将出现分化：

Tesla Optimus，工厂工作、细微动作、端到端 AI
Figure 03 ，运动性能、高动态任务、人形极限动作

这两条路线最终会在工业、物流、家用等多个领域产生竞争。

Adcock 的言论实际上是：Figure 可能在运动能力上先行一步。

5️⃣ 不可逆 trend：机器人将从“模仿人类”走向“超越人类”

Adcock 说动作差距“不可逆”，意味着：

• 一旦机器人掌握人类动作，再进一步优化
• 人类的生物极限无法突破
• 机器仅受技术、算力、材料限制
• 性能随 Moore 曲线和 AI 数据曲线指数增长

这是动作层面的“奇点效应”：

在未来：

• 机器人将跑得比人快
• 反应比人快
• 操作比人稳定
• 力量比人强
• 精准度比人高
• 疲劳度为零

这不是科幻，而是工程时间问题。

6️⃣ 行业意义：人形机器人正在进入“实用化阶段”

Adcock 的话强调：机器人已进入工程验证期（Engineering Validation）。

这意味着未来 3–5 年：

• 工厂岗位将全面进入“人形机器人试点期”
• 家用机器人将出现原型
• 物流、安保、仓储、护理等行业将最先被改变

最关键的是：人形机器人将成为 AGI 的实体化形态。

这是 OpenAI、Tesla、Figure、NVIDIA 都一致认可的方向。

最终总结

Figure 创始人 Brett Adcock 指出，人类与机器动作性能差距正以不可逆速度缩小。Figure 03 已能高速奔跑，结合 Helix 神经网络的动作学习能力，机器人正在向“接近人类、并最终超越人类”的阶段迈进。与 Tesla Optimus 的竞速凸显人形机器人行业进入高速迭代期，运动能力正成为下一轮 AI 工业革命的核心突破口。