Figure租了30套房，咋想的？
Figure发布Helix 2.5，租下旧金山湾区30套住宅，让Figure 03在不采数据、不训练、不适配的前提下直接做家务，零样本成功率从9%升至56%。本文拆解这场实验背后的范式转移：从环境定制训练转向基础模型零样本迁移，以及折毛巾为何比跑百米更能定义商业化的门槛。
9月17日，Figure发布神经网络模型Helix 2.5，顺手甩出一组实验结果：租下旧金山湾区30套住宅，让Figure 03在不采集新数据、不额外训练、不做环境适配的前提下直接干活，零样本成功率从9%干到56%。56%这个数字听着不高，但它撬动的可能是整个具身智能行业的训练范式——机器人到底还要不要“进一次门、补一次课”？
🏠 一场不设监考的家务大考
真正的考试，是开卷之外的那种。
官方演示里，Figure 03走进一套完全陌生的房子，连续完成三项长时程全身任务：整理客厅、铺床、折毛巾。客厅里散落各处的玩具被逐一捡起放入篮子；卧室里那张床、那些床品，机器人此前从未见过，它得抓起枕头、拉动被子、把被子拉平；折毛巾则是抓起一条没见过的毛巾，叠好，再放进篮子。
创始人兼CEO布雷特·阿德科克在视频和帖子中反复强调三个“没有”：没有进入过这些房间，没有为这些新环境采集数据，没有做任何适配。最终的成绩单是——零样本成功率从9%暴增至56%。
租30套房，本质上是把实验样本量从1套堆到30套，让结论具备统计意义，而不是“挑一套配合的样板房拍条片子”。业内私下有人评价，这更像一次公开的标准化考试：题目提前公布，但考场绝不配合。
Figure想回答的问题其实很朴素：人类能走进陌生房屋立即投入工作，是因为对物理世界的认知具备跨环境迁移能力，不会因为床高变了、家具挪了就重新学一遍。机器人能不能也一样？
📈 9%到56%，换的不是分数是范式
具身智能最贵的从来不是电机，是数据。
过去机器人要进入一个家庭干活，路数是固定的：到现场采集数据、针对环境做训练、再部署，换个环境就要重头来一遍，成本永远摊不薄。Figure的思路是反着来：先让机器人从大规模人类行为经验中学习，把通用能力装进一个经过Index预训练的基础模型，再直接迁移到陌生真实环境。这个基础模型覆盖了移动、刚性与可变形物体操作、双手协调以及主动感知，被用于三个完全不同的任务。
两条路线的差别，可以画成这样：
9%意味着运气，56%意味着能力。🎯 当零样本成功率跨过一半，‘进入新环境必须先适配’这个行业默认前提就开始松动，机器人服务的边际成本曲线才有可能真正往下走——这是从demo到产品之间的分水岭。
🧵 折毛巾，比跑百米更难
会跑百米的机器人不少，会折毛巾的不多。
8月25日，第二届世界人形机器人运动会大型组100米复赛，北京人形机器人创新中心的天工跑出8.86秒，继开幕式上的9.39秒之后再次刷新纪录。而半个月后，Figure选的考题是整理客厅、铺床、折毛巾。两条新闻放在一起看，很有意思。
三个任务看似家常，其实各藏着一道经典难题：
| 任务 | 具体难点 | 考察能力 |
|---|---|---|
| 整理客厅 | 玩具散落位置未知，需边走边找 | 主动感知、移动与抓放 |
| 铺床 | 床和床品均从未见过，需拉平被子 | 刚体操纵与全身控制 |
| 折毛巾 | 可变形物体，形变不可预测 | 双手协调与形变建模 |
竞速考察的是结构化跑道上的全身运动控制——环境确定、任务单一、可以反复刷。家务则要求感知、移动、操纵、双手协调、全身控制同时在线，而且必须实时完成。Figure在官方博客里自己也点破了：大部分机器人泛化研究都建立在围绕机器建造的环境中，桌面机械臂困在固定工作空间，轮式机器人需要开阔地面供底盘转向——但家庭环境不会配合机器人。
折毛巾这种可变形物体操作，至今仍是业内公认的硬骨头。⚠️ 运动会衡量的是身体，30套房衡量的是脑子。两条赛道都重要，但商业化的门票，大概率印在后者手里。
⚠️ 56%离能用，还差几个数量级
实验室的成功率和用户口袋里的钱之间，隔着一句“它把我床单弄乱了”。
必须泼一盆冷水：56%意味着接近一半的任务会失败。工业客户能容忍示教、围栏和反复调试，家庭用户不会接受一个十次里有四次摊手的服务员。家庭恰恰是所有叙事里最大的市场，也是确定性最差的场景——家具布局、光线、宠物、小孩，全是变量，而且没有一套环境是“围绕机器建造”的。
换个角度对比三类场景的现状与逻辑：
| 场景 | 环境确定性 | 当前特征 | 商业化节奏 |
|---|---|---|---|
| 工业产线 | 高，可改造 | 示教与围栏成熟 | 已规模化多年 |
| 展演竞速 | 中，赛道固定 | 刷纪录、树标杆 | 品牌与验证为主 |
| 家庭服务 | 低，变量多 | 零样本刚起步 | 最早也最难啃 |
所以56%不是商业化的及格线，但它是可迭代的起点。真正值钱的不是这一次的分数，而是背后那套零样本评价体系——不采数据、不微调、不适配，三个前提把所有花活儿都禁掉了，剩下的才是裸能力。以后每家做人形的公司，恐怕都得在这张考卷上报分数。
💡 谁先把56%刷到99%，谁先上桌
下半场比的不是谁的机器人高，是谁的数据多。
零样本能力一旦可以被统计验证，飞轮就转起来了：
这个闭环一旦成立，竞争焦点会从硬件参数转向基础模型的泛化能力，从发布会视频转向可复现的统计结果。天工的8.86秒和Helix 2.5的56%，恰好构成了这个行业的一体两面——身体在卷速度，大脑在卷泛化，缺哪条腿都跑不进家庭。
从节奏上看，不少从业者的判断是一致的：家庭场景的规模化落地会晚于工业与商用，因为它对成功率、安全性和成本的要求最苛刻。但零样本能力每上一个台阶，时间表就往前拨一截。Helix 2.5未必是终局答案，但它把“用陌生环境做考核”这件事，第一次做成了可对标、可复现的行业参照。🏆
租下30套房，Figure干的事本质上是给全行业出了一张公开考卷。56分不是及格线，却是第一份足够可信的零样本成绩单：它证明了大规模人类行为经验可以跨环境迁移，也把“泛化能力”从发布会口号变成了可测量的指标。接下来就看，谁能把这56%尽快推向99%——谁先做到，谁就先摸到家庭那扇门，也先摸到这门生意的入口。