身價 190 億美金連環創業者 Brett Adcock 專訪：Figure 商業化拐點、新實驗室 HARK 打造 AI 硬件與計算機使用革命

這期真正牛逼的地方，不是“人形機器人值不值 390 億美元”，甚至也不是“AI 會不會取代 iPhone”。

Brett Adcock 實際上同時押注了 AI 革命的兩個終局：

• Hark：讓 AI 獲得數字世界的身體。
• Figure：讓 AI 獲得物理世界的身體。

一個讓 AI 能夠“點鼠標、敲鍵盤、登錄賬戶、下單、訂票、辦事”。

一個讓 AI 能夠“走路、抓東西、搬貨、做飯、整理房間”。

所以，我認爲理解 Brett 最好的框架不是 Robotics Founder，而是：

他在試圖建立 AI 的兩個“執行層”

Pixels → Clicks

和

Pixels → Torques。

前者控制互聯網。

後者控制現實世界。

如果這兩個方向真的跑通，那麼“AI will eat the whole internet”甚至只是故事的前半段。

一、先把幾個數字糾正準確

Figure 在 2025 年 9 月完成超過 10 億美元 Series C，融資後估值 390 億美元。這是 Figure 的公司估值，不是 Brett Adcock 本人的“身價 390 億”。Figure 官方和 Reuters 都確認了這一輪估值。

Forbes 對 Brett 的估算大約是 190 億美元淨資產，其邏輯很直接：Forbes 估計他仍持有 Figure 大約一半股權。

更誇張的是，他的新公司 Hark 在 2026 年 5 月已經融資 7 億美元，估值約 60 億美元；報道顯示 Parkway Venture Capital 領投，Nvidia、AMD Ventures、Salesforce Ventures 等參與。

所以這是極少見的：

一個人同時經營一家 $39B 公司，又迅速把第二家公司做到 $6B。

但也因此必須保持清醒：

估值不是商業成功證明。

它首先代表資本市場願意用今天的錢，購買一個極巨大未來的期權。

二、這期最核心的認知：AI 正在從“回答問題”升級爲“控制世界”

過去三年大家討論的 AI，核心是：

ChatGPT 給你答案。

Claude 幫你寫代碼。

Midjourney 給你圖片。

這是：

Generative AI

生成信息。

但 Brett 賭的是下一階段：

Agentic AI

執行動作。

區別非常巨大。

例如你告訴 ChatGPT：

幫我找今晚洛杉磯最好的一家韓國餐廳。

它給你五個答案。

價值有限。

真正的 AI 是：

幫我今晚 7 點，兩個人，找一個離我 15 分鐘以內、評分高、還有位置的韓國餐廳，直接訂好。

然後 AI：

搜索 → 比較 → 登錄 → 選擇 → 預訂 → 加入日曆。

你甚至不用打開 OpenTable。

這已經不是 Search。

而是：

Delegation

人類開始把任務本身交給機器。

這將產生一個比聊天機器人大得多的產業。

三、Hark 最值得注意的地方：它實際上在挑戰整個“App 經濟”

Hark 2026 年 8 月剛公開了 Computer Use Agent Handoff。

它不是簡單調用 API。

每次任務都會啓動一個獨立虛擬電腦，包括瀏覽器、文件系統和終端，然後模型直接通過屏幕座標執行點擊、滾動和鍵盤輸入。Hark 公開表示，其輸出實際上就是 cursor 和 keyboard action，並使用 SFT + reinforcement learning 做 post-training。

這非常重要。

因爲今天互聯網有一個巨大的結構問題：

互聯網是給“人”設計的，不是給“AI”設計的。

網站給你：

按鈕。

菜單。

網頁。

彈窗。

驗證碼。

登錄框。

而 API 是專門給機器設計的。

可是絕大部分消費互聯網並沒有完整開放 API。

Hark 根據自己的調研稱，不到千分之一的網站提供公共 API；DoorDash、Target、Walmart、OpenTable、Zillow、LinkedIn 等大量消費場景都沒有讓 Agent 完整執行用戶操作的 consumer API。這個數字目前主要來自 Hark 自己的研究，應視爲公司自報數據，但戰略問題本身是真實存在的。

四、所以 Hark 真正發明的不是 Browser Agent，而是“通用兼容層”

這裏有一個非常高級的計算機歷史類比。

Windows 爲什麼偉大？

因爲大量軟件可以運行在 Windows 上。

Browser 爲什麼偉大？

因爲你不用知道網站後端怎麼寫。

只要它輸出網頁，人就能操作。

而 Computer Use Agent 的終極邏輯是：

只要人能通過屏幕操作，AI 理論上也可以操作。

於是：

網頁本身變成了一種 Universal API。

這非常恐怖。

因爲過去一個 AI 公司想接入：

DoorDash

Expedia

United

Target

Walmart

LinkedIn

OpenTable

可能需要分別做 API integration。

現在理論上不需要。

模型只需要學會：

像人一樣使用網站。

於是 Computer Use 就可能變成：

Internet Universal Adapter

互聯網的萬能適配器。

五、但“API/MCP 要死了”是錯誤理解

這裏必須比播客再高一層。

未來最優系統不會是：

Computer Use 取代 API。

而會是：

API First + Computer Use Fallback

因爲 API 的優勢非常明顯：

快。

確定性高。

成本低。

結構穩定。

Computer Use 最大的問題恰恰是：

慢。

網站會變化。

彈窗會出現。

驗證碼會出現。

UI 會變。

廣告會干擾。

網站甚至會主動反自動化。

因此真正優秀的 Agent 應該是：

有 API → API。

有 MCP → MCP。

沒有 → 瀏覽器操作。

特殊情況 → Computer Use。

這纔是真正的 Agent Infrastructure。

六、“AI 吞噬互聯網”真正是什麼意思？

不是：

AI 把網站刪掉。

而是：

AI 可能把網站從“Destination”變成“Backend”。

今天你要買機票：

你打開 Google Flights。

你打開 United。

你打開 Delta。

你打開 Expedia。

未來可能只告訴自己的 Personal Agent：

下週五去紐約，晚上出發，不坐紅眼，預算 600 美元以內。

你不再訪問航空公司網站。

AI 去訪問。

這一變化會產生一個極其重要的權力遷移：

今天：

Website/App owns customer attention。

未來：

Agent owns customer intent。

誰擁有 Intent，

誰就可能擁有 Distribution。

這纔是 Hark 最可怕的地方。

七、如果 Agent 拿走 Intent，它可能成爲下一代 App Store

歷史上真正賺錢最多的公司，很多不是生產所有東西的人。

而是控制入口的人。

Google 控制：

Search Intent。

Amazon 控制：

Shopping Intent。

Apple 控制：

Mobile Distribution。

Meta 控制：

Attention。

Visa/Mastercard 控制：

Payment Rail。

如果未來你的 Personal AI 知道：

你想喫什麼

買什麼

去哪旅行

給誰發郵件

什麼時候開會

什麼東西該續費

什麼股票需要研究

那麼它控制的是：

Human Intent Layer。

這是非常高價值的戰略位置。

所以我認爲：

Hark 真正想做的可能不是 AI Assistant，而是 AI 時代的“Intent Operating System”。

八、這也是爲什麼“幹掉 iPhone”不能簡單理解成手機消失

Brett 說今天手機、電腦不是 AI-native，這個判斷值得認真對待。

Hark 官方現在明確表示正在開發一系列 AI-native hardware devices 和 agentic computers，結合 speech、vision、text，以及高度個性化的 persistent memory。

但下一代計算機最大的變化未必是：

手機沒有屏幕了。

真正變化可能是：

GUI → Intent UI

今天：

打開手機

找 App

打開 App

找菜單

點按鈕

填信息

確認

未來：

“幫我弄好。”

結束。

所以最重要的變化不是：

Phone → AI Pin。

而是：

Command → Delegation

用戶不再學習軟件怎麼操作。

軟件開始學習：

用戶想幹什麼。

這比硬件形態本身重要得多。

九、這件事情一旦發生，整個軟件經濟都會重新洗牌

今天軟件公司非常重視：

DAU

Session Length

Page Views

Clicks

因爲：

用戶必須親自操作軟件。

但如果 AI 代替人類操作：

用戶甚至根本不進入頁面。

於是未來企業可能發現：

過去服務的是：

Human User。

未來服務的是：

AI User。

這會催生一個非常有意思的新概念：

Machine Customer

你的“客戶”可能首先是某個人的 AI Agent。

例如酒店。

過去 SEO：

怎麼讓 Google 搜到酒店？

未來可能變成：

AEO for Agents

怎麼讓 AI Agent：

理解價格

理解庫存

理解退訂政策

信任你的數據

願意替主人選擇你

企業的 Digital Distribution Architecture 都可能被重寫。

十、不過 Hark 最大的護城河根本不是 Benchmark

Hark 稱 Handoff 在若干 browser-use benchmark 上達到領先成績，並在某些測試中超過 GPT-5.4、Claude Opus 4.8 等模型；這裏需要注意，其中一部分評測使用了 Hark 自己的 harness，因此應該把它看成產品進展信號，而不是完全獨立第三方認證。

真正決定 Hark 成敗的是六個東西：

1. Reliability

跑 30 個步驟不能第 27 步突然點錯。

2. Identity

AI 怎麼安全保存：

賬號

密碼

Cookie

銀行卡

地址

3. Permission

哪些事情可以直接執行？

哪些事情必須問主人？

4. Memory

它是否真正知道：

你喜歡靠窗

不坐紅眼航班

不喫辣

常住哪個酒店

5. Transaction Safety

如果訂錯了怎麼辦？

退款怎麼辦？

重複下單怎麼辦？

6. Trust

你敢不敢讓它：

花 $5？

$500？

$50,000？

最後這個問題，可能比模型 IQ 更難。

十一、所以 Personal Agent 最大的護城河，很可能是“信任賬戶”

假設兩個模型：

A 比 B 智商高 5%。

但是：

B 已經跟你生活了五年。

知道：

家人

賬戶

偏好

時間表

歷史購買

醫生

航班

工作

聯繫人

而且你已經允許它：

訂票

付款

發郵件

調整日曆。

你換 AI 的 switching cost 會非常高。

所以最終真正值錢的不是：

Intelligence

而可能是：

Trusted Personal Context + Permission Graph。

這和我們上一期講 Palo Alto Networks 的 Context is King 完全連起來了。

十二、再看 Figure：Brett 在物理世界做的是同一件事

Hark 面臨的問題：

網站永遠變化。

按鈕位置不同。

網頁結構不同。

彈窗不同。

Figure 面臨的問題：

家庭永遠不同。

杯子不同。

衣服不同。

桌子高度不同。

光線不同。

地面不同。

所以這兩家公司本質上研究的是同一個 AI 問題：

Generalization under messy environments

非結構化環境中的泛化。

Hark：

Pixels → Mouse/Keyboard

Figure：

Pixels → Motor Actions

這就是我爲什麼說 Brett 的兩家公司戰略上高度統一。

十三、Figure 真正取得突破的，不是會走路

會走路已經不是最大問題。

真正難的是：

Manipulation + Reliability + Generalization。

BMW 是目前非常重要的現實驗證。

BMW 官方已經確認：Figure 02 在 Spartanburg 工廠的項目中，參與生產超過 30,000 輛 BMW X3，搬運超過 90,000 個零件，累計運行約 1,250 小時，執行 10 小時班次、每週五天。

這一點非常重要。

因爲它把 Figure 從：

“漂亮機器人 Demo”

往：

“真正工業設備”

推進了一步。

十四、但節目裏的 2.9 秒，需要稍微嚴格一點

公開報道中，Figure 的機器人和一名員工進行了 10 小時包裹分揀比賽：

人工平均約 2.79 秒/件；

機器人約 2.83 秒/件。

最終人類仍然略勝，12,924 件對機器人少 192 件。

所以“接近 2.9 秒”是有公開依據的。

但是節目裏提到的“連續 200 小時”等具體最新內部指標，我目前沒有找到客戶方或者 Figure 官方同樣清晰的獨立公開材料。

這類數字我建議寫成：

Adcock 在訪談中表示……

而不要當成已經第三方驗證的工業 KPI。

這是做高質量內容非常重要的區別。

十五、人形機器人爲什麼非得“人形”？

很多人會問：

爲什麼不用機械臂？

爲什麼不用輪子？

這是人形機器人行業最關鍵的問題。

答案不是：

“因爲人形比較酷。”

而是：

世界已經爲人類改造完了。

樓梯是給人走的。

門把手是給人開的。

貨架高度是給人設計的。

工具是給手設計的。

汽車工廠工作站是給人設計的。

廚房是給人設計的。

所以 humanoid 最大的經濟優勢叫：

Brownfield Compatibility

不用重新改造整個世界。

讓機器人適應現有世界。

十六、但是專用機器人永遠不會消失

這裏也不能被人形機器人敘事忽悠。

如果任務是：

一天 24 小時永遠焊同一個位置，

六軸工業機械臂大概率：

更便宜

更快

更可靠

更安全。

Humanoid 真正有優勢的是：

Task Diversity × Environment Variability

任務越多，

環境越複雜，

改造工廠越昂貴，

人形才越有經濟價值。

所以：

人形機器人的優勢不是單任務效率，而是通用性帶來的資本效率。

這是理解 Figure TAM 的關鍵。

十七、家庭爲什麼比 BMW 工廠難幾個數量級？

BMW 工廠：

照明穩定。

零件位置穩定。

流程穩定。

地板穩定。

任務穩定。

而家庭：

孩子突然跑出來。

襪子掉到沙發後面。

玻璃杯反光。

衣服軟。

桌子亂。

貓突然經過。

這叫：

Out-of-Distribution Hell

家庭基本就是 OOD 地獄。

Figure 也明確把大規模真實世界數據作爲核心戰略，Project Go-Big 甚至利用 Brookfield 的大量住宅、商業和物流環境收集第一視角人類行爲數據，用於 human-video-to-robot transfer。

這說明 Figure 已經意識到：

機器人最終的瓶頸可能不是硬件，而是 Data Engine。

十八、未來機器人真正恐怖的地方，是“一臺學習，百萬臺升級”

這是機器人和人類勞動最大的經濟差異。

一個工人：

幹十年。

他的經驗主要留在他腦子裏。

另外 100 萬名工人並不會自動升級。

機器人不同。

如果一臺機器人在東京學會：

如何收拾一種新的桌面。

數據上傳。

模型更新。

理論上：

整個 fleet 都可以升級。

於是形成：

Fleet Learning。

這可能產生真正極端的數據網絡效應：

機器人越多

→ 數據越多

→ 模型越強

→ 成本越低

→ 客戶越多

→ 機器人更多。

這纔是 Figure 如果成功以後可能擁有超高估值的根本原因。

不是賣機器人的硬件毛利。

而是：

Operating System for Physical Labor。

十九、所以 Figure 的 $39B 應該怎麼估值？

不要用普通製造公司的 PE 去理解。

投資人實際上買的是三個 Option：

Option 1：工業勞動力自動化

工廠、倉庫、物流。

Option 2：家庭勞動力自動化

清潔、整理、照護、家務。

Option 3：Physical AI Platform

讓第三方任務最終跑在 Figure 的身體和 AI 上。

所以 $39B 本質上是資本市場在下注：

Figure 能不能從“一臺機器人”，成長爲“全球物理勞動平臺”。

但反過來也意味着：

$39B 已經提前兌現了很多未來。

所以真正需要觀察的絕不是：

機器人視頻帥不帥。

而是：

• 單位機器人制造成本
• Productive hours
• MTBF
• Intervention rate
• 每千小時故障次數
• Cycle time
• Task success rate
• Fleet size
• 客戶部署數量
• Cost per productive hour
• 新技能從訓練到部署需要多少數據
• 一個模型能不能跨機器人、跨工廠泛化

這些纔是判斷 Figure 最終是不是 Tesla/Nvidia 級公司的關鍵數據。

二十、“Hard Things Are Easier”爲什麼有道理？

Brett 這個觀點不是雞湯。

它背後其實是 Venture Capital 的：

Power Law。

如果你做一個普通 SaaS：

市場 $1B。

競爭者可能 300 家。

優秀工程師：

“爲什麼我要去？”

Sequoia：

“爲什麼我要投？”

但如果你說：

我要解決通用人形機器人。

成功後：

$1T+ 潛在價值。

全世界可能只有十家公司真正能競爭。

於是最優秀的人可能反而願意加入。

最頂級的錢也願意給。

這產生：

Mission Gravity。

大問題會產生人才引力和資本引力。

二十一、但“越難越好”是極其危險的創業建議

這句話必須增加一個限定：

Hard + Huge TAM + Technically Solvable + Capitalizable

四個必須同時存在。

否則：

難，

只是難。

不會自動成爲護城河。

核聚變很難。

長生不老很難。

量子重力很難。

並不代表創業者今天進去一定賺錢。

所以真正優秀的創業題目是：

Difficulty Creates Scarcity

難度確實能夠阻擋別人，

同時技術路徑又出現了新的可行性拐點。

Figure 符合這個條件的核心原因，是：

Transformer

VLA

GPU

Simulation

Robot hardware

Foundation Models

同時成熟。

二十二、Brett 的“Binary Outcome”也不能照抄

這裏最容易產生倖存者偏差。

Brett 可以：

抵押房產。

投入大量個人財富。

同時押極端項目。

但今天他擁有：

歷史退出記錄

資本市場信用

頂級 VC 網絡

招募能力

個人財富

普通創業者複製他的風險程度，

而沒有複製他的：

Risk-bearing Capacity

很容易死。

真正應該學習的是：

Binary Vision, Non-Binary Capital Structure

願景可以：

要麼巨大成功，要麼失敗。

但是融資結構、個人資產、現金 runway：

不能全部 binary。

真正高手是：

公司可以冒險，但創始人不能在一次隨機波動裏失去繼續創業的權利。

這一點跟上一期 Leo Aschenbrenner 的基金案例完全相通。

二十三、“AI 比互聯網大 100 倍”雖然不能當成數學預測，但方向有深層邏輯

互聯網主要降低了：

Information Distribution Cost。

搜索。

通信。

媒體。

廣告。

電商。

AI 降低的是：

Cognitive Labor Cost。

寫代碼。

分析。

銷售。

客服。

設計。

法律。

金融。

管理。

機器人進一步降低：

Physical Labor Cost。

製造。

物流。

建築。

農業。

家庭勞動。

所以 AI 的理論經濟邊界天然比傳統互聯網大。

因爲：

互聯網主要改變“信息怎麼流動”。

AI 開始改變：

誰在做工作。

這是完全不同數量級的問題。

二十四、所以我對 Brett Adcock 最大的判斷是：

他真正賭的不是：

Humanoid Robot。

也不是：

AI Hardware。

他在賭一個更大的時代變化：

從 Human-operated Computers

變成

Computer-operated Computers

最後再變成

Computer-operated Physical World。

第一階段：

人操作軟件。

第二階段：

AI 操作軟件。

第三階段：

AI 操作機器。

第四階段：

AI 同時調度數字世界和物理世界。

這纔是所謂：

AI eats the internet。

最終 AI 喫掉的不只是 Internet。

而是：

Execution。

二十五、如果我是創業者，我從這期只學五件事

第一，不要再只想“做一個 AI Feature”。

尋找：

AI 可以真正獲得 Action 權限的地方。

第二，未來最值錢的公司可能控制的是 Intent。

誰離用戶的真實需求最近，

誰就可能擁有下一代入口。

第三，Agent 的終局不是回答，而是完成。

真正價值公式：

Intent → Context → Decision → Action → Outcome

全部閉環。

第四，Physical AI 真正的護城河是 Deployment Data。

Demo 不值錢。

真實環境中的：

失敗

恢復

干預

運行小時

硬件磨損

異常情況

才值錢。

第五，不要害怕大問題，但一定區分“大問題”和“幻想”。

真正值得做的是：

巨大市場 × 技術拐點 × 數據飛輪 × 極高執行壁壘。

Figure 和 Hark 都在試圖卡住這四個條件。

我給這期重新定義一個標題

你原來的幾個標題裏，我會再往上抬一層。

最推薦：

《Figure 創始人 Brett Adcock：AI 吞噬互聯網之後，誰將控制數字世界與物理世界？》

副標題：

從 Hark 的“AI 操作電腦”到 Figure 的“AI 操作現實世界”，一個 390 億美元創業者正在同時押注下一代計算機入口與全球勞動力操作系統。

因爲這比“Figure 商業化”“替代 iPhone”“做難事更容易”都更接近 Brett 真正的戰略。

Hark 爭奪的是數字世界的執行權；Figure 爭奪的是物理世界的執行權。

一旦你從“執行權”這個角度理解 Brett Adcock，他做的五家公司、他爲什麼願意承受 Binary Risk，以及爲什麼資本市場願意提前給 Figure $39B、給 Hark $6B，邏輯就全部串起來了。