从全身自主到物理智能层：Figure AI 与 Physical Intelligence 的规模化分岔 (2026)

先看判断

Figure AI 和 Physical Intelligence 代表了两种不同的规模化路径。Figure 把模型、机器人本体、工厂和客户部署放在同一家公司里，Helix 负责把感知、推理、全身控制接起来，BotQ 负责把机器人做出来；Physical Intelligence 则把自己放在硬件之上，试图用一套可迁移的 VLA 模型服务不同机器人和不同任务。

Figure 当前最强的证据来自制造和现场任务：BotQ 已交付超过 350 台 Figure 03，产线目标达到每小时 1 台，Figure 03 也已经进入 BMW Spartanburg 工厂做 sequencing。Physical Intelligence 的证据来自模型在客户现场的复用，π0.6 被用于洗衣折叠和订单包装，并披露了自主率、人工干预和漏抓序列的变化。1 2 3

两家公司都还没有把「通用」变成无需条件的现实。Figure 的工厂部署仍然是明确工位和具体流程，Physical Intelligence 的跨任务泛化也依赖提示、数据和现场适配。7 月 20 日至 24 日这周，Figure 没有新的重大官方公告；Physical Intelligence 则因 Anthropic 收购传闻重新进入讨论，但可核实的结论只有「春季谈过，交易没有完成」。4

重点公司一：Figure AI

Helix 02 把控制问题压回机器人身体

Figure 1 月发布的 Helix 02 采用三层结构。System 2 负责场景和语言理解，System 1 以 200 Hz 的视觉运动策略把传感器输入变成全身关节目标，System 0 以 1 kHz 处理平衡、接触和协调。输入包括头部摄像头、掌内摄像头、指尖触觉和全身本体感觉，输出覆盖腿、躯干、头部、手臂、手腕和手指。5

这套架构的价值不在于把「大模型」三个字贴到机器人上，而在于把不同时间尺度的控制问题接起来。Figure 展示过一次 4 分钟的连续自主任务：机器人走到洗碗机前，取出餐具，穿过房间，把物品放入橱柜，再装入并启动洗碗机，全程无重置、无人干预。一次演示不能证明家庭机器人已经可用，但它至少说明 Figure 正在训练一个包含行走、抓取、平衡和空间移动的统一策略，而不是一组互不相干的动作脚本。5

产品证据从工厂里的固定动作转向动态物流

Figure 02 在 BMW Spartanburg 的部署，曾为超过 30,000 辆汽车的生产提供作业支持。6 月 30 日，Figure 03 进入同一工厂的 Hall 52，任务从钣金 pick-and-place 转为 sequencing：机器人要从不规则摆放的零件中选出下一批需要的部件，同时拉动带脚轮的金属车。Figure 称，Helix 02 会让机器人在抓取、移动和调整脚步之间持续修正。2

这比「机器人能不能抓起一个物体」更接近客户真正关心的难题。零件会旋转、遮挡或偏离理想位置，机器人必须边走边改动作。Figure 目前仍以公司自己的部署公告为主，外部可审计的失败率、维护成本和客户付费数据并没有公开，所以 BMW 的信号更适合被理解为任务复杂度上升，而不是商业化已经完成。

Figure 还与 Catalyst Brands 签署商业协议，计划从内华达州 Reno 的配送物流中心开始，把人形机器人放进其零售供应链。协议覆盖 JCPenney、Aéropostale 和 Brooks Brothers 等品牌，但公告描述的是部署合作，并没有披露已经完成的运行时长、订单处理量或收入。6

BotQ 是 Figure 的第二条技术路线

4 月的 BotQ 更新给出了 Figure 少见的制造细节：公司称已交付超过 350 台 Figure 03，生产率从每天 1 台提升到每小时 1 台，不到 120 天提升约 24 倍。产线上有 150 多个联网工作站、50 多个过程检验点，每台机器人下线前要通过 80 多项功能验证；电池线首次通过率为 99.3%，已发运超过 500 个电池包，执行器累计产出超过 9,000 个。1

这些数字是公司披露，不等于第三方验厂结果，也没有回答每台机器人的制造成本和返修成本。但它们能解释 Figure 为什么坚持软硬件一体：如果机器人数量上不去，Helix 的训练数据、现场维护和客户交付都会受限；如果产线良率不稳定，模型再强也会被硬件故障拖住。对 Figure 来说，制造不是模型业务之外的后台，而是数据闭环的一部分。

融资允许它同时押注模型、算力和真实数据

Figure 2025 年 9 月宣布 Series C 承诺资本超过 10 亿美元，投后估值 390 亿美元。公司称资金将用于扩大 BotQ 和真实部署、建设支持 Helix 训练与仿真的 GPU 基础设施，以及采集人类视频和多模态传感数据。投资方包括 Parkway Venture Capital、Brookfield、NVIDIA、Intel Capital、Qualcomm Ventures、LG Technology Ventures 和 Salesforce 等。7

截至 7 月 24 日，没有找到 Figure 在本周新增融资或核心高管变动的公开公告。现有信号更像一家公司在用上一轮资金同时推进三个瓶颈：机器人数量、训练算力和数据采集。后续要验证的不是估值能否继续上升，而是 BMW 的 sequencing 和 Catalyst 的配送中心能否留下连续运行、人工介入、故障恢复和客户付费数据。

重点公司二：Physical Intelligence

MEM 和 RLT 处理的是模型进入现场后的两个麻烦

Physical Intelligence 的技术路线没有把所有问题都归结为更大的模型。3 月发布的 Multi-scale Embodied Memory，也就是 MEM，为 VLA 加入两种记忆：短期记忆保存原始观测或视频帧，长期记忆以自然语言保存过去事件的抽象信息。模型还会主动选择记住什么。公司称，加入 MEM 的 π0.6 可以处理最长约 15 分钟的连续任务，例如清理厨房或制作烤奶酪三明治。8

3 月的 RL Tokens 研究则针对精细操作。它从 VLA 中抽取紧凑表示，再交给较小的 actor 和 critic 网络做在线强化学习。以太网线插入任务中，RLT 的中位 episode length 为 66，遥操作为 146，基础模型为 228；训练只用了约 15 分钟真实机器人数据，总耗时约 2 小时，包含重置等开销。这个结果说明，Physical Intelligence 试图把「在工作中学习」变成现场部署能力，而不是只在实验室里追求一次性成功率。9

π0.7 展示了泛化，但也把边界说得很清楚

4 月发布的 π0.7 被定位为可操控的通用模型。公司用空气炸锅任务展示组合泛化：训练数据里只有两个与关闭空气炸锅有关的样本，模型仍能结合已有技能和视觉、语言提示尝试新任务。零样本执行并不完整，逐步语言指导后成功率从 5% 提升到 95%。在没有收集过折叠衣物数据的 UR5e 双臂平台上，模型的表现则达到一名拥有 375 小时遥操作经验的专家首次使用该平台时的水平。10

这里的限定词不能省略。π0.7 展示的是早期组合泛化，不是机器人可以只接收一句「去做一顿饭」就自主完成长流程。它需要合适的多模态提示、步骤指导和足够多样的数据。Physical Intelligence 的优势在于把这些条件封装成可复用的模型层，短板则是模型在每个客户现场的适配成本还没有被完整披露。

客户现场数据支持「物理智能层」定位

Physical Intelligence 把自己称为「物理智能层」，希望像软件开发者调用大语言模型 API 一样，让机器人公司调用 π 系列模型。它公布的合作案例里，Weave 在旧金山真实自助洗衣店使用模型折叠衣物，加入 Weave 数据预训练后，漏抓序列减少 42%，人工干预减少 50%；Ultra 则在客户仓库包装真实订单，π0.6 在完整班次中达到 96.4% 自主率，公司还称其营收机器人舰队正扩展到数百个部署。3

这些是合作方和 Physical Intelligence 在博客中披露的相对指标，原文没有给出完整任务量、测试周期、收入或原始日志。因此，96.4% 更适合用来说明模型已经进入客户现场，而不是直接拿来比较不同仓库的商业效率。它也说明了这家公司的数据闭环：模型跨硬件复用，客户现场则反过来提供新的训练样本和失败案例。

融资传闻比产品定价更容易被看见

Physical Intelligence 2025 年 11 月被报道完成 6 亿美元 Series B，估值约 56 亿美元；2026 年 3 月又有报道说公司在谈约 10 亿美元新融资、估值可能超过 110 亿美元，但截至 7 月 24 日没有找到该轮融资完成的公开确认。11 12

本周传出的 Anthropic 收购消息也没有改变这个状态。TechCrunch 7 月 22 日刊文称，Anthropic 与 Physical Intelligence 在春季确实谈过收购，但没有完成交易；PI CEO Karol Hausman 通过 Slack 向员工否认收购已经发生。这里能确认的是谈判和否认，不能写成 Anthropic 已经买下 PI。4

人才层面，本期没有找到 PI 核心管理层加入或离开的正式公告。公开路线仍由模型研究、跨硬件合作和客户部署驱动。对一家不制造本体的公司来说，未来更值得盯的是模型版本是否能在更多机器人上复用，以及客户是否愿意为持续更新的物理模型付费。

两条路线放在一起看

观察维度	Figure AI	Physical Intelligence
技术路线	Helix 02 用 S2、S1、S0 连接语义推理、视觉运动和 1 kHz 全身控制。5	MEM、RLT 和 π0.7 分别处理长时记忆、在线精细操作和组合泛化。8 9 10
产品验证	BMW 已从 Figure 02 的生产线作业推进到 Figure 03 的 sequencing；Catalyst 合作仍需等待真实运行数据。2 6	Weave 和 Ultra 被描述为真实客户部署，披露了干预、漏抓和自主率变化，但缺少完整原始日志。3
融资与人才	Series C 资金明确投向 BotQ、GPU 基础设施和数据采集，本周没有新的融资或核心高管公告。7	Series B 已披露，新的 10 亿美元融资仍在谈判口径；本周收购消息未被证实。11 12
供应链与伙伴	自建 BotQ，拥有制造执行系统、供应商检验和机器人车队管理；客户合作直接带来部署场景。1	不制造本体，依靠 Weave、Ultra 等伙伴把模型放进不同硬件和工作流程。3
下一道门槛	量产机器人能否在更多工位持续运行，并公开维护成本、人工介入和客户付费数据。	跨硬件模型能否降低现场适配成本，并把相对指标转成可审计的长期运营数据。

Figure 的最小复制单元是一台机器人、一条产线和一个明确岗位；Physical Intelligence 的最小复制单元是一套模型、一个硬件伙伴和一类可迁移任务。前者把成本压在制造、可靠性和现场服务上，后者把成本压在数据、适配和模型更新上。两种模式都需要真实世界反馈，只是反馈回到公司的位置不同。

本周行业快讯｜2026 年 7 月 20 日至 24 日

下列只列入本周已找到详情页、且有明确事实增量的公开信号，不把只有展会口号、搜索摘要或无细节转载的项目算作已验证进展。

人形机器人与量产

Humanoid 完成 1.52 亿美元 A 轮融资。 这家伦敦公司投后估值 13.5 亿美元，累计融资 2.7 亿美元；投资方包括 Prime Movers Lab、Schaeffler、Bosch、Fubon Financial 和 LVMH 旗下 Aglaé Ventures。Forbes 报道称，Humanoid 已与 Schaeffler 签署 1,000 台订单，并计划在第四季度启动 3 至 6 个月的客户现场商业试点。订单和试点计划不等于已经交付的运营规模。13
Tesla 下调 Optimus 的量产预期。 Tesla 第二季度电话会相关报道援引 Elon Musk 的说法称，Optimus 将是 Tesla 最难规模化的产品，约有 10,000 个独特部件，现成供应链不足；公司同时从第二季度股东材料中移除了「大规模生产」表述。这个信号来自电话会报道和股东材料变化，不能直接推断 Gen 3 何时开始大规模交付。14
Agility Robotics 任命 Michael Beer 为 CFO。 原 CFO/COO Jennifer Hunter 转任专职 COO，负责全球运营、制造和供应链。人事调整发生在 Agility 推进与 Churchill Capital Corp XI 合并、准备进入公众公司运营的阶段；交易仍需完成监管和股东流程。15

具身模型与真实操作

宇树科技发布 UnifoLM-OminiA-0.3。 7 月 22 日披露的模型支持视觉、语言等多模态理解，宇树用 G1 演示了散落物品归位、按颜色和数量抓取药盒、整理衣物、把餐盘放入洗碗机和调节病床高度等任务，并支持语音中断。报道引用公司发布信息，尚未提供长时间客户运营数据。16
阿里巴巴达摩院发布 RynnBrain 1.1。 7 月 20 日提交的 arXiv 论文给出 2B、9B 和 122B-A10B 三个规模，新增接触点预测和原生 3D grounding，并通过 RynnBrain-VLA 在 Unitree G1、Astribot-S1 和天机无极上验证。论文属于预印本，模型评测和真实机器人结果仍应等待复现与更多公开细节。17

供应链、触觉与服务场景

一目科技完成 E 轮超 10 亿元融资。 投中网报道，资金将用于产线量产交付，以及材料、芯片、算法和数据迭代。公司披露其视触觉传感器厚度小于 3 毫米，力分辨率达到 0.005N，最高 120fps；这些产品指标和融资信息主要来自公司及媒体披露，尚没有公开的统一第三方测试口径。18
首形科技完成数亿元 A2 轮融资。 凤凰网转载的机器人前瞻报道显示，本轮由中信金石与吉利资本联合领投，顺为资本等老股东追投，资金用于仿生产品矩阵、标准化量产产线和算法迭代。首形科技今年 4 月刚完成 A1 轮，当前公开材料仍以融资和产品展示为主，尚未披露大规模服务场景运营数据。19

接下来该盯什么

Figure 要看三个硬指标：BMW sequencing 是否形成连续的班次运行，Catalyst 的 Reno 配送中心是否从协议进入真实部署，以及 BotQ 的每小时 1 台能否对应稳定良率、返修率和交付成本。只看机器人数量，会漏掉制造质量和客户运营这两个更难的变量。

Physical Intelligence 要看模型能否从 Weave 和 Ultra 的相对指标走向长期、可审计的任务数据。尤其是 96.4% 自主率对应多少订单、多少班次、多少人工接管，目前仍没有公开答案。融资是否完成、与 Anthropic 的谈判是否会重新出现，也应与产品部署分开观察。

行业层面，Humanoid 的第四季度客户试点、Tesla Optimus 的 Gen 3 产线、RynnBrain 在更多真实机器人上的复现，以及触觉传感器融资后能否转化为批量订单，都是比发布会 Demo 更有区分度的验证点。

本期行业快讯覆盖了人形机器人、具身模型、工业与服务机器人、触觉零部件和自动驾驶与具身交叉，但不是全网全量监测；只有搜索摘要、缺少详情正文或无法确认事件状态的项目未纳入。

从全身自主到物理智能层：Figure AI 与 Physical Intelligence 的规模化分岔