Figure AI的Index平台斥资10亿美元押注众包机器人数据

人形机器人无法通过资金解决的数据瓶颈

Figure AI于周二宣布，其众包机器人训练数据平台Index自上线以来，在100多个国家/地区的应用下载量已突破26.4万次，每周活跃用户超过4.4万，上传了1600多万段日常物理任务视频。 该公司透露，迄今已向贡献者支付了1500万美元，并承诺在未来12个月内投入超过10亿美元用于数据和计算资源，这一数字使Index从一个副项目转变为——就资金投入而言—— 人形机器人公司对单一战略论点所做出的最大押注之一：制造通用机器人所需的物理世界数据并不存在于互联网上，必须从零开始采集，一次完成一项家务或仓库任务。

这一论点本身并不新鲜。过去至少两年里，每一位严肃的人形机器人和具身人工智能开发者都曾以不同形式表示过“这些数据尚不存在”。 Index值得深入探讨之处在于，Figure公司如今已为这一主张构建了一个具体且可证伪的运营模式，而非将其作为空谈；而该公司选择的模式——一款通过付费让普通人录制自己执行物理任务的消费者应用——与大多数竞争对手采取的方法相比，是一次意义重大的不同尝试。

为何无法简单地抓取机器人数据

构建大型语言模型的“互联网规模训练数据”方法无法直接应用于机器人领域，而 Figure 对这一问题的阐述值得我们如实接受，而非将其视为营销噱头。 “要实现真正通用机器人的规模化，所需的数据并不存在于互联网上，它必须来自现实世界：对地球上各种环境中物理现象的全球性采样，”该公司在公告中表示。文本和图像在互联网上几乎数量无限，因为人类拥有

过去三十年间，这些数据作为沟通的副产品不断产生。从特定角度拍摄的、记录某人往洗碗机里放餐具的视频——其中包含机器人操作模型可从中学习的深度和力学信息——目前根本不存在如此大规模的数据集，因为在机器人公司开始要求人们这样做之前，根本没有人出于这个目的去录制家务视频。

这种稀缺性正是该行业广受讨论的“模拟与现实之间的鸿沟”背后的实际制约因素。 模拟可以生成无限量的合成训练数据，但仅在模拟环境中训练出的策略，往往会在真实厨房或仓库这种杂乱且物理条件不一致的环境中失效——而Index正是通过大规模捕捉真实的物理交互，来弥合这一差距的。 Figure自身披露的指标数据，足以让人感受到这种采集工作的精细程度：每收集1,000小时的视频，该平台会记录373项独特任务、 1,146种独特物体以及116种独特环境。这种多样性密度是任何单一公司——无论资金多么雄厚——都难以通过内部数据采集操作复制的，因为这需要进入真正多样化的家庭、厨房和工作空间，而非受控的实验室环境。

与人形机器人领域其他公司截然不同的数据策略

大多数类人机器人公司通过以下两种途径之一构建训练数据：一种是遥控操作，即人类操作员远程操控实体机器人执行任务，同时系统记录产生的传感器和动作数据；另一种是内部数据采集团队或在公司监督下，由签约的数据采集人员执行预设任务。 这两种方法都能产生高质量、标注完善的数据，但要线性扩展规模都成本高昂，因为数据量翻倍通常需要将涉及的机器人、操作员或签约采集人员的数量也翻倍。Index 通过使用消费级智能手机应用而非机器人遥控硬件作为数据采集工具，颠覆了这种成本结构

该设备让贡献者能够使用手机记录任务，而无需接触实际的机器人，并且按每次贡献付费，而不是直接雇佣他们。

这种模式的转变存在明显的取舍。 智能手机视频缺乏遥控机器人操作过程中原生捕获的精确力、扭矩和本体感觉数据，这意味着Index数据可能服务于模型训练中不同于遥控数据的不同阶段——即更早的阶段，提供广泛的视觉和任务结构覆盖，而非机器人实现精细控制的最后阶段所需的精细操作数据。 Figure 承诺在未来 12 个月内投入 10 亿美元用于数据和计算，这表明该公司将 Index 视为更广泛数据战略的一部分，而非完全取代遥操作和实验室数据采集， 但该投入的规模，以及其与每1,000小时任务及环境密度的具体数据同步披露这一事实，表明Figure认为当前最值得解决的瓶颈在于覆盖广度，而非任何单一数据类型的深度。

报酬结构揭示的贡献者经济模式

迄今为止，该平台已向贡献者支付了1500万美元，而其每周活跃用户超过4.4万人，这意味着每位贡献者的平均报酬较为有限，这与围绕高量、低摩擦的微贡献构建的模式相符，而非依赖少数获得专业报酬的数据专家。 Figure披露的模式还包含按需服务层级，贡献者不仅可以进行自主记录，还可以被预约完成特定的杂务或商业任务，这在纯粹的众包与更结构化的按需劳动力市场之间形成了一种混合模式。 对于任何正在评估类似众包模式是否适用于自身数据战略的公司而言，这种结构至关重要：只有当每项任务的报酬保持在足够低的水平，且规模达到10亿美元时，这种经济模式才能发挥作用。

年度承诺可资助数百万次贡献，而非数万次；这反过来又要求底层任务库足够简单，以便普通消费者（而非受过培训的数据收集专家）在没有机器人协助的情况下也能可靠地完成任务。

消费者数据平台背后的采购方核心问题

对于评估人形机器人供应商的采购和技术评估团队而言，Index 提供了一个有用的视角，帮助解答一个在与供应商对话中很少被直接提出的问题：这家公司的训练数据实际上来自哪里？该数据源能否以公司路线图所要求的速度进行扩展？ 主要依赖内部遥控操作数据的供应商，其数据规模受限于自身机队规模和操作员人数，这一瓶颈与硬件及人员配置的资本支出大致呈线性关系。而拥有如 Index 所报告规模的、运作良好的众包数据管道的供应商—— 1600万段视频且数量仍在增长，其通往任务和环境多样性的路径在结构上截然不同，且可能更快。这种多样性是通用机器人必须具备的，才能在真实商业买家的设施所呈现的各种物理环境中可靠部署，而实验室训练模型所验证的任务和环境则更为狭窄。

这一区别应成为买家今后评估任何人形机器人供应商能力声明时的关键依据。 一台机器人在受控环境中流畅完成某项任务的演示，对于该机器人在买家实际设施中（包括其特有的光照条件、杂乱环境及物体多样性）处理同一任务的表现，其实意义有限——除非其底层模型在开发过程中，所使用的训练数据已涵盖了与这些实际条件相近的变体。 与其仅凭演示表面效果就信以为真，不如直接询问供应商：其训练数据中有多少比例来自与买家自身部署环境相似的场景——这其实是一个比表面观察更有价值的尽职调查问题。

这一做法最初看似合理，而Figure决定披露每1,000小时的粒度密度指标、任务、对象和环境数据，为买家提供了一个模板，让他们知道在向任何声称具备通用能力的供应商提出要求时，应当关注何种具体细节。

十亿美元数字背后的结构性押注

对于关注人形机器人领域资本配置的人来说，一个值得引用的事实是：Figure目前计划在12个月内投入超过10亿美元，专门用于数据和计算——这一类支出既不会产出实体机器人， 没有可交付的硬件设备，也无法带来立竿见影的收入，其投入规模却可与许多竞争对手在整个产品线上的硬件制造支出相媲美甚至超过。这种资金分配本身就表明了该行业实际的瓶颈所在。如果Figure的判断正确——即数据（而非执行器）、 传感器或制造产能才是通用机器人能力的瓶颈，那么，这家公司在解决这一具体问题上投入最大、最引人注目的资金，便将获得一种结构性优势——对于专注于硬件的竞争对手而言，这种优势很难在短期内被追赶上来，因为构建等效的数据管道需要数年时间来扩展贡献者网络，而非仅靠一次大规模的资本注入。 如果Figure的判断有误，且操作级物理数据仍需要那种远程操控、机器人参与闭环的采集方式——而这种方式是消费级应用无法完全复制的——那么这10亿美元的投入将变成一条代价高昂的绕道，而非护城河。 哪种结果会成为现实，将不会通过Figure的下一次融资公告显现，而是取决于其下一代基于Helix的机器人能否在实际任务泛化能力上，比主要依赖遥控操作或实验室采集数据的竞争对手展现出可量化的更广泛优势——在未来几个产品周期内，业界将能够对这两者进行比较。

免责声明：本文仅供一般信息参考，并不

不构成投资、法律或采购建议。读者在做出商业决策前，应通过原始来源核实相关细节。