56%成功率，Figure赌对了吗

机器人行业吵了这么多年，第一次有人把「泛化」这两个字，连同完整测试数据一起端上了桌。

Figure AI 发布 Helix 2.5，把机器人直接送进旧金山湾区的 30 套陌生住宅，整理客厅、铺床、折毛巾，420 次测试成功 237 次，成功率 56%。创始人 Brett Adcock 称这是公司成立以来最重要的项目，并暗示机器人领域长期追逐的 scaling law 开始显现。但同行的反应史无前例地激烈：接近一半的失败率，在 Sunday Robotics 联合创始人 Tony Zhao 眼里不是进步的证据，而是「还谈不上会干活」。本文想拆清楚一件事：这 56% 到底证明了什么，又没证明什么。

📈 30 个陌生家庭，一次豪赌式的测试

先看场景。过去几代 Helix 的发布画面其实都挺有记忆点：两台机器人合作拉平被子，腾不出手时用屁股顶上洗碗机。但行业里最大的诟病也一直没变——demo 永远发生在光线良好的样板间，机器人像一个只会背题的优等生，换一张卷子就不会做了。

Helix 2.5 想跨过的正是这一步。Figure AI 租下 30 套住宅，把机器人直接运到现场，让它整理客厅、铺床、折叠毛巾。用 Brett Adcock 的话说：「Helix 2.5 要在一套从未进入过的房子里，折叠它从未见过的毛巾。」

数据也确实拿了出来。Figure 称没有针对这些住宅和物品做任何训练或适配，30 套住宅里都出现了成功案例，420 次测试成功 237 次，完整任务成功率 56%。这个口径很关键——不是挑过的最好成绩，而是全量测试数据。

不过看完视频，一个朴素的观感仍然成立：这依然很像 30 个光线良好的样板间。租来的房子、可控的物品清单、整理类任务的低容错空间，和真正千奇百怪的家庭环境之间，还有不小的距离。据多位接近人士的说法，业内普遍把这次测试看作一次精心设计的「半开放考场」——开放了环境，但没完全开放任务。

即便如此，这仍是人形机器人行业第一次以这种规模、这种透明度公开泛化测试数据。光这一点，就值得记录。

🤔 56%，同行为什么不再鼓掌

一句金句开场：同行不再互道「了不起的工作」，说明这件事动了别人的蛋糕，或者动了别人的路线。

过去机器人行业的发布惯例是：你发你的 demo，我看完点个赞，回实验室暗暗较劲。这次不一样。Tony Zhao 直接指出，237 次成功也意味着机器人接近一半的时间会失败——在真实家庭场景里，这个失败频率意味着用户根本无法容忍。Stealth CEO Nikolai Ensslen 的说法更尖锐：这组数据恰恰证明，Figure AI 使用的模仿学习系统不能泛化。

这话说得不客气，但逻辑是通的。模仿学习的基本盘是「见过什么才会什么」，它的泛化半径天然受限。如果一套系统真的学到了可迁移的能力，成功率不应该随着环境变化出现如此明显的折损。在 Ensslen 这类批评者看来，56% 更像是「在相似环境里反复采样」的结果，而不是能力外溢的证据。

有意思的是双方共享同一份数据，得出的却是完全相反的结论。这就是当前具身智能最真实的产业状态：没有公认的评测基准，没有统一的成功率口径，每家公司都在用自己的尺子量自己。56% 到底是「从 0 到 1」还是「从 1 到 1.1」，取决于你站在哪条技术路线上。

一位在国内做人形机器人的创业者私下说得很直白：数据公开这件事值得尊敬，但公开数据本身就是一次叙事竞争——谁先定义「什么算泛化」，谁就掌握了下一轮融资的话术。

⚖️ 机器人版 scaling law，到底存在吗

这是整场争论的核心。Figure AI 的叙事是：数据量上去，能力自然涌现，机器人领域长期追逐的泛化终于开始出现。这套逻辑直接搬自大语言模型——参数和数据堆到某个规模，能力「涌现」出来。Adcock 把 Helix 2.5 描述为公司成立以来最重要的项目，言下之意很清楚：我们正在验证这条路的斜率。

但机器人和语言模型有一个本质区别：语言的 token 是无限的、廉价的、可以直接爬取的；机器人面对的是物理世界，每一条训练数据背后都是真实的时间、真实的算力和真实的安全风险。30 套住宅、420 次测试，对语言模型来说是一个小数点后面很多位的样本量，对机器人来说已经是罕见的投入了。

所以真正的问题不是「56% 高不高」，而是「56% 的增长曲线斜率够不够」。如果随着住宅数量从 30 套变成 300 套、3000 套，成功率能持续爬坡，那 Figure 的赌注就成立；如果成功率在某个区间横住，那说明模仿学习撞到的不是数据墙，而是方法墙。

这也是 MIT科技评论 近期点出的行业性障碍：AI 进展与人形机器人落地之间存在明显断层，围绕「同一套 AI 方法可以复制到机器人」的热度正在逼近顶点，但能改变普通人生活的节点，短期内看不到。

产业逻辑上可以做一个推演：这场争论的最终裁决者不会是博客，而是数据曲线。行业真正需要的，是一个类似 ImageNet 时刻的第三方基准——同样的房子、同样的毛巾、同样的评分标准。在那之前，56% 和 99% 一样，都只是自家试卷上的分数。

💰 390 亿美元估值下的压力测试

必须把这场技术争论放回商业语境里看。Figure AI 目前估值 390 亿美元，是全球最贵的未上市人形机器人公司。这个价格意味着什么？意味着资本市场已经为「人形完成人类日常任务」这个终局剧本预付了大部分款项，接下来每一代产品都要负责兑现剧本的一部分。

这就是为什么 Helix 2.5 被包装成「成立以来最重要的项目」。上一代 Helix 已经能自主工作，但「样板间质疑」始终挥之不去；对一家 390 亿美元估值的公司来说，继续在样板间里叠毛巾，叙事是撑不住的。把机器人扔进 30 个陌生家庭，本质上是一次面向资本市场和潜在客户的数据交代。

从这里能看清 Figure 的处境：它不是在做一场纯粹的科研实验，而是在跑一场估值压力测试。56% 的成功率对实验室来说是惊喜，对商业交付来说是灾难——没有人会为失败率接近一半的保姆买单。据多位接近人士透露，同类型公司内部对「该不该在这个阶段公开数据」其实分歧很大：公开意味着透明和叙事主动权，也意味着把靶子立给了所有人。

更现实的压力在后面。家庭场景的安全冗余、单机成本、售后运维，每一项都比折叠毛巾难一个数量级。Figure 现在证明的是「没见过的房子也能干活（一部分）」，但商业世界要求的其实是「见过的活儿也能天天不出错」。前者是科研叙事，后者是工业叙事，两者的验收标准天差地别。

不过也不必走向另一个极端。30 个陌生住宅全部出现成功案例，这个事实本身就说明「零样本进入新环境」不再是天方夜谭。路线之争可以吵，但 2025 年的人形机器人，确实比一年前更像样了。

小结

56% 是一个精确的数字，也是一个开放的问句。Figure AI 用 30 套住宅和 420 次测试，把「泛化」从 PPT 词汇变成了可被同行攻击的具体数据——这本身就是进步。而 Tony Zhao 和 Nikolai Ensslen 的开火，则提醒所有人：机器人版 scaling law 还未被证明，模仿学习的数据墙可能比想象中更硬。下一阶段的关键指标很明确：换更大规模的环境，看成功率曲线是继续爬坡还是横盘。谁的曲线先立住，谁就赢得这场叙事战争。