机器人学会折毛巾，离干活还远吗

机器人把毛巾折好了，但真正的考题才刚发下来。

当地时间9月17日，Figure宣布推出号称「最先进」的神经网络模型Helix 2.5。官方演示里，搭载这套模型的Figure 03人形机器人被扔进一个完全陌生的环境，没有额外训练，直接开工：整理客厅、折毛巾、整理床铺，全程零样本全身自主完成。消息一出，具身智能圈刷屏。

但热闹归热闹，我们需要拆开看：这步棋到底意味着什么，又还没解决什么。

🧺 一条毛巾，为什么卡了机器人圈这么多年

金句开场：家务活是最不性感、也最难啃的场景。

很多人第一反应是：折个毛巾而已，工业机械臂二十年前就能做了。这话只对了一半。工厂里的机械臂干的是「确定性任务」——工件位置固定、材质统一、动作路径提前编程好，重复十万次误差不超过一毫米。

而家里的毛巾不是这样的。每条毛巾的软硬、褶皱、摆放角度都不一样，柔软物体抓取是机器人领域公认的硬骨头之一。你没法给「一团随机的布」写程序，只能让机器人自己「看懂」它、规划怎么捏、捏哪里、翻不翻面。

多位具身智能从业者私下都有一个共识：折毛巾这类软体操作任务，长期被当作衡量灵巧操作能力的「试金石」。它考验的不是单一环节，而是感知、抓取、策略、全身协调的完整闭环。做家务看起来琐碎，实际上是比多数工厂场景更「恶劣」的测试场——环境动态变化、物体无限多样、容错要求还高（弄坏了真东西，用户是真会心疼的）。

Figure选这三个行为——整理客厅、折毛巾、整理床铺——显然不是随手挑的。它们共同的特点是：低价值物品、高随机性、需要连续多步操作。这恰恰是人形机器人从「会走路」走向「会干活」之间最宽的那条沟。

🧠 Helix 2.5到底做对了什么

金句开场：零样本的关键，不在于模型多聪明，而在于数据喂得够「像人」。

根据披露的信息，Figure在实验设计阶段用了一个叫Index的人类行为数据集，对Helix 2.5进行了三种行为的预训练：整理客厅、折毛巾和整理床铺。然后把机器人放进陌生环境，让它直接上手。

结果是：不需要针对新环境做任何额外训练，机器人实现了零样本全身自主做家务。

这背后的产业逻辑值得展开。传统机器人开发是「一个任务一套方案」——换一个场景就要重新采集数据、重新训练、重新调试，边际成本居高不下。而这次演示传递的信号是：具身智能可以像人类一样，把对物理世界的理解从一个环节迁移到另一个环境，实时适应动态变化，不必每次从头构建。

说白了，就是从「编程式机器人」向「学习式机器人」的又一次实锤。机器人不再需要工程师告诉它毛巾的每个角在哪，而是从大量人类行为数据里学会了「毛巾大概长什么样、人一般怎么折」。

整个链路可以简化成这样：

零样本泛化能力，正是当前具身智能竞赛的核心战场。谁能在没见过的环境里直接干活，谁的商业化想象空间就大一个量级。

📊 看懂这局，先看这份数据账本

金句开场：演示视频不是证据链，参数和流程才是。

把这次发布的关键信息整理成一张表，信息密度会高很多：

三个细节值得单独说。

第一，「全身自主」四个字含金量不低。折毛巾不只是手的事——机器人需要移动、调整站位、弯腰、双手协同，这是导航与操作的联合决策，比固定站桩式操作难度高一个级别。

第二，用Index人类行为数据预训练，是一条越来越主流的路线。机器人真机数据采集成本极高，而人类示范视频和数据相对便宜且海量。能从人类数据里「蒸馏」出机器人可用策略的公司，数据飞轮转得更快。

第三，实验设计本身很讲究：刻意把机器人放在「陌生环境」，就是为了验证泛化而不是记忆。业内普遍认为，这类「换场景直接考」的实验设计，比在固定场地反复排练的演示，参考价值高得多——当然，前提是完整测试条件的充分公开，这也是所有厂商演示视频都需要面对的审视。

⚠️ 演示视频与车间之间，隔着什么

金句开场：能折一条毛巾，和能稳定折一万条毛巾，是两个行业。

冷静地说，这次发布依然处于「能力验证」阶段，离规模化落地还有几道坎要过。

第一道坎：成功率与一致性。 演示展示的是「能做出来」，商业化要求的是「闭着眼做都不会砸」。家务场景对失败相对宽容，但客户买单看的是无故障运行时长和任务成功率。从「能做」到「敢卖」，中间是漫长的可靠性工程。

第二道坎：任务边界。 整理客厅、折毛巾、整理床铺是三种行为，不是「家务」的全集。真实家庭里还有厨房、卫生间、宠物、小孩，物体种类和组合近乎无限。零样本泛化能力的上限在哪，目前没有公开数据能回答。

第三道坎：成本结构。 Figure 03这类全尺寸人形机器人，硬件本体的核心零部件——关节模组、灵巧手、传感器——都还是高成本项。即便模型能力达标，「一台机器人的钱够雇几年家政」这道算术题，在家庭场景里依然不好算。

从这个流程看，模型突破只是第一环。业内一个流传较广的判断是：具身智能的竞争，前半场拼模型，后半场拼制造。硬件成本曲线和模型能力曲线，两条都得跑赢。

💰 Figure的算盘，与行业的分水岭

金句开场：家务是展示窗口，但账最终要在商业场景里算。

Figure为什么选择家务作为Helix 2.5的首秀场景？从产业逻辑推演，至少有三层考量。

其一，叙事价值最大。「机器人做家务」是公众认知里最具象的画面，比工业场景更能撬动资本和人才关注度。对一家需要持续融资输血的初创公司来说，这是必要的市场沟通。

其二，家庭是通用性的终极试炼场。工业场景任务窄，容易用专用方案「作弊」；家庭场景的随机性，才是检验模型泛化能力的试金石。能过家庭场景的模型，下放到商业场景大概率是降维打击。

其三，数据飞轮的起点。家务行为与人类日常生活高度重合，Index这类人类行为数据集在家庭任务上的迁移效率最高，容易形成「数据—模型—部署—回收新数据」的正循环。

但也要看到行业的另一面：具身智能当前的泡沫与进展是并存的。一方面，零样本泛化这类能力确实是实质性的技术跨越，不是PPT创新；另一方面，「演示能力」到「交付能力」之间，历史上倒下过一批明星公司。对这个赛道的判断标准应该很朴素——看它有没有把测试条件、成功率、边界条件讲清楚，而不是只看视频里机器人折毛巾折得多顺。

对国内从业者的启示也很直接：模型架构可以追赶，但人类行为数据的积累和本体的可靠性工程，才是真正拉开差距的长坡厚雪。

结语：毛巾折好了，考卷才刚发

Figure这次发布真正的价值，不是机器人会折毛巾了，而是验证了一条路径：用人类行为数据预训练，换来跨环境的零样本泛化。如果这条路径持续成立，具身智能的开发成本结构将被改写——从「一场景一训练」变成「一次学习，处处适应」。

接下来的看点有两个：一是Figure会不会公开更多成功率与边界数据，二是这套能力能否从客厅走进真正愿意付钱的商业场景。毛巾折得再漂亮，也要记住：行业里最终记入账本的，从来不是演示视频，而是交付合同。

这一天在加速到来，但还没到。