2026年5月14日，YouTube上出现了一个看起来无聊到极点的直播间：三个机器人站在传送带旁边，把一个又一个包裹抓起来、放上去、再抓、再放。没有解说、没有特效、没有剧情。可就是这么一个画面，让全球数百万人"看上瘾了"，连《Ars Technica》都专门写了篇文章，标题就叫《The Internet can't stop watching》（全网都停不下来看）。
观众们给三个机器人起了名字——Bob、Frank、Gary，像追剧一样追它们的进度，为它们失误时捏把汗，为它们连续工作24小时不休息而欢呼。这背后的爆款解说视频《Humanoid Robots Are Almost Ready… But One Problem Changes Everything》（人形机器人快成了……但有一个问题会改变一切）抛出了一个所有科技圈都在吵的问题：人形机器人，到底是不是真的"快成了"？
这期深度解读，我不跟你聊那些花哨的 demo。我想拆给你看的是这个现象背后真正颠覆性的东西：这些机器人之所以能搬箱子搬得这么顺，不是因为它被"编程"得更精巧了，恰恰相反——是因为工程师们终于不再写代码了。 这是一次和当年深度学习吃掉计算机视觉、Transformer 吃掉自然语言一模一样的范式革命，只不过这一次，革命的战场搬到了物理世界。
| 项目 | 内容 |
|---|---|
| 视频标题 | Humanoid Robots Are Almost Ready… But One Problem Changes Everything |
| 平台/类型 | YouTube 科技深度解读 |
| 核心现象 | Figure AI 的 F.03 人形机器人（Bob / Frank / Gary）24/7 直播自主分拣包裹 |
| 时长 | 约 20 分钟（深度分析向） |
| 核心主题 | 人形机器人是否真正具备上岗能力，以及决定其成败的"一个关键问题" |
| 关键数据 | 24小时分拣 28,000 个包裹；连续工作 17–40 小时；接近人类灵巧度与速度；曾与人类实习生竞速 |
| 技术内核 | Helix / Helix-02：端到端 Vision-Language-Action（VLA）双系统神经控制 |
视频一上来就戳破了一个行业潜规则：demo 很容易骗人。 一个机器人能优雅地拿起杯子、能后空翻、能跳舞——这些几秒钟的"高光时刻"完全可以靠预设动作、剪辑、甚至远程遥控（teleoperation）来实现。过去十年，各大厂商用精美的短片把观众骗了一遍又一遍。
但 Figure AI 这次干了一件不一样的事：它把三个 F.03 机器人扔进真实的物流分拣场景，然后开了 24/7 的直播，让全世界盯着看。 这意味着没有任何剪辑的余地——每一个失误、每一次卡顿、每一次掉件都会被几百万双眼睛实时看到。
结果是惊人的：单台机器人在 24 小时自主测试中分拣了约 28,000 个包裹，后续把连续班次拉长到 17 小时（22,000 件）、逼近 40 小时（近 50,000 件），并完成了完整的 8 小时自主班次。它们甚至还和一位人类实习生比过一次速度——人类险胜。
这里我要强调一个判断（这是我自己的延伸分析，而非视频原话）："连续自主工作时间"才是衡量人形机器人成熟度的唯一硬指标。 一个能演 30 秒的机器人和一个能干 8 小时的机器人，中间隔着的是整个工程难度的大峡谷。前者是艺术，后者是产品。直播形式本身就是最高效的"祛魅"工具——它逼着厂商用真实表现说话，这本身就是 2026 年机器人行业的一个微妙进步。
这是整件事最硬核、也最容易被外行忽略的一层。要理解 Figure 为什么进步这么快，必须先理解传统机器人是怎么被"教"出来的。
传统机器人学的范式是"建模 + 编程"： 工程师要先建立机械臂的运动学模型（每个关节转多少度对应末端在空间哪个位置），写逆运动学求解器，再设计控制回路（PID），针对每个具体任务（比如抓一个特定形状的盒子）单独编写抓取策略（grasp planner）、力控逻辑、轨迹规划。一套流程下来，让机器人学会抓一种新东西，可能要工程师折腾好几个月，而且极其脆弱——盒子换个朝向、光线变了、传送带速度调一下，整套策略可能就崩了。
而 Helix 代表的新范式是"端到端学习"： 它是一个 pixels-to-actions（像素到动作） 模型，意思是从摄像头拍到的画面直接映射到电机的控制指令，中间不写任何"先抓哪里、再转多少度"的规则。你不需要告诉它"这是一个盒子，盒子要这么抓"——它自己从大量示范数据里学会了"看到什么画面，就该输出什么动作"。
这是视频反复暗示、但没讲透的核心：机器人的进步不再来自更聪明的代码，而是来自更大量的示范数据。 这和我们当年看深度学习取代手工特征（hand-crafted features）是同一个剧本。CNN 出现前，做视觉识别的人要手动设计边缘检测器、纹理算子；CNN 出现后，这些全被一个能从数据里自己学的网络吃掉了。现在，同一个故事在机器人身上重演。
如果只说"端到端学习"，你可能觉得这不过是把一个超大神经网络塞进机器人。但 Helix 真正精巧的地方在于它的双系统架构（dual-system architecture）——这套设计直接借用了诺贝尔奖得主卡尼曼（Daniel Kahneman）在《思考，快与慢》里提出的 System 1 / System 2 框架，把它搬到了运动控制上。
具体来说，Helix 由两个协同工作的模块组成：
两个模块之间通过交叉注意力（cross-attention）机制通信：S2 慢慢想清楚"要干什么"，然后把意图传递给 S1，由 S1 以百倍的速度去精确执行。而且整套系统完全跑在机器人本体的板载芯片上，不依赖云端，这意味着没有网络延迟——延迟对于需要 200 Hz 实时控制的机器来说是致命的。
这套设计完美对应了人脑的分工：大脑皮层（S2）负责制定意图和计划，小脑与脊髓（S1）负责把意图变成丝滑的肌肉动作。 你决定"伸手拿水杯"是 S2 的活，但手指怎么收紧、怎么避免捏碎杯子，是 S1 在毫秒级自动完成的——你根本意识不到。Helix 把这个生物学的智慧复刻进了硅基身体。在我看来，这是整个故事里最具美感、也最值得反复品味的工程哲学。
理解了双系统，你就能明白 Figure 为什么能在"短短三个月"里把能力向前推进一大步（这是官方 Scaling Helix 博客里的原话）。因为这套系统的性能，不再被工程师写代码的速度限制，而是被数据和算力限制——而数据和算力是可以指数级扩张的。
这就是机器人领域的"GPT 时刻"。大语言模型为什么能一路从 GPT-2 涨到今天的水平？不是因为每代都重新发明了天才算法，而是因为人们发现了一条扩展定律（scaling law）：给同样的架构喂更多数据、更多算力，模型就会自动变强。现在，VLA 模型让机器人也搭上了同一条定律的快车。
Helix 的训练数据来自遥操作（teleoperation）：人类操作员戴上类似 VR 的设备，远程操控机器人去完成各种任务，机器人的摄像头画面和对应的关节动作被记录下来，变成训练样本。本质上就是"人类做给机器人看，机器人自己学"。Figure 部署的机器人越多、采集的示范越多，Helix 就越强；越强就能部署到越多场景，采集越多数据——这是一个自驱动、可复利的飞轮。
这里是我的核心判断：未来机器人公司的护城河，不是算法，而是数据飞轮和算力。 谁先在真实场景里铺开足够多的机器人、谁能用最低成本采集最高质量的示范数据，谁就赢。算法本身会快速趋同（就像今天所有大模型都长得差不多），但真实世界的数据采集壁垒，是别人偷不走的。这也是为什么 Figure 死活要自己造机器人、自己建物流场景——它要的不是卖硬件，是数据入口。
提到机器人学习，绕不开一个经典难题：sim-to-real gap（仿真到现实的鸿沟）。很多公司喜欢用物理仿真器（像 MuJoCo、Isaac Sim）在虚拟世界里训练机器人——因为虚拟训练又快又便宜，机器人可以在虚拟里"摔"几百万次而不花一分钱。但问题在于，虚拟世界的物理永远比真实世界"干净"：没有摩擦的微小变化、没有传感器噪声、没有光线忽明忽暗、没有包裹被压扁后的奇怪形变。在仿真里表现完美的策略，搬到真机往往直接拉胯。
Figure 选择了一条更"笨"但更直接的路：干脆在真实机器人、真实场景里采集数据，绕过 sim-to-real 这道坎。这也解释了为什么直播如此重要——那不只是营销，那是一台 24 小时不停歇的真实数据采集机器。每一秒的直播画面，背后都在为下一代 Helix 沉淀训练样本。
（延伸分析：这条路的代价是数据采集昂贵且慢。所以行业内也出现了"仿真预训练 + 真机微调"的折中路线，以及用生成式模型合成逼真训练数据的新方向。但 Figure 用真机硬刚的做法，恰恰说明它对"真实数据"这个护城河有多看重。）
视频标题里那个吊胃口的"one problem"，结合行业现状来看，其实指向的是同一组难题——泛化能力（generalization）与长尾（the long tail）。
Helix 在"分拣传送带上的包裹"这件事上已经接近人类水平了，但物流分拣本质上是一个高度结构化、高度重复的任务：包裹形状虽有差异，但都是"能抓的方块/袋子"，传送带速度稳定，工位固定。这恰恰是学习型系统最擅长的甜区。
真正的考验在于：当机器人离开这个甜区会怎样？遇到一个从没见过的、软塌塌的、会滑的、或者卡在传送带缝隙里的奇葩包裹，它能不能自己想办法？包裹掉地上了，它能不能弯腰捡起来而不是死机？旁边突然走过来一个人，它能不能安全地停下来？这些问题，靠堆示范数据是堆不出来的，因为它们的本质是"训练分布之外（out-of-distribution）"的罕见事件。
这正是当前所有 VLA 模型的天花板：它们在见过的场景里流畅得像老员工，在没见过的场景里可能笨拙得像个第一天上班的实习生。加上物理世界对"安全"的零容忍（撞到人就是事故，不是 bug），如何让机器人在泛化能力不足的情况下依然安全可靠，才是决定它能不能真正大规模上岗的"那一个关键问题"。
这也更新了我们对"莫拉维克悖论（Moravec's paradox）"的理解：曾经人们以为，对人类而言"低级"的感知运动能力（抓东西、走路）对 AI 很难，而"高级"的下棋、推理很容易。VLA 模型正在迅速攻克前者的"甜区"，但它们同时也暴露出——感知运动的"长尾"，比棋盘的复杂度深得多、也危险得多。
最后聊一个被技术分析忽略、但其实很有意思的现象：为什么一个搬箱子的直播能让人停不下来？
第一层是拟人化（anthropomorphism）。F.03 是人形机器人——有头、有躯干、有两只胳膊两只手。人类大脑天生会把自己的心智投射到人形物体上。所以我们才会给它起名 Bob、Frank、Gary，才会觉得它"累了""笨拙""今天状态不好"。研究早已证实，人形程度越高，这种心理投射越强（在跨越"恐怖谷"之前）。
第二层是镜像神经元（mirror neurons）与"oddly satisfying（莫名解压）"效应。看着一个机器人流畅地完成重复性操作，会触发我们大脑里观察他人动作的神经回路，产生一种接近 ASMR 的解压感。重复、可预期、又有微小的随机性——这是短视频时代最容易让人上瘾的配方。
第三层，也是最深的一层：我们其实在看一个"新物种"的诞生。 潜意识里，每个人都感受到了那种历史性的震动——一个能像人一样用双手劳动、能连续干一整天的非生物体，正在从科幻走进现实。这种"见证历史"的兴奋感，是任何剧情片都给不了的。
flowchart TD
A[传统范式: 建模+编程] -->|脆弱、每个任务重写| A1[逆运动学 / PID / 抓取策略]
A1 -->|新形状=崩溃| X((瓶颈: 工程师代码速度))
B[新范式: 端到端 VLA 学习] --> C[Helix 双系统架构]
C --> S2["System 2 慢脑<br/>视觉-语言模型 VLM<br/>~2 Hz | 看懂场景+规划意图"]
C --> S1["System 1 快脑<br/>80M 视觉运动 Transformer<br/>~200 Hz | 精确电机指令"]
S2 -->|交叉注意力<br/>传递意图| S1
S1 -->|板载推理<br/>零云端延迟| M[流畅的人形动作]
D[遥操作 teleoperation] -->|人类做示范| E[真实场景训练数据]
E -->|喂给| C
M -->|部署采集更多| E
E -.可复利飞轮.-> F((新瓶颈: 数据 + 算力<br/>= 机器人版 Scaling Law))
G[真实考验] -->|走出甜区| H[长尾 / 泛化 / 安全]
H --> I{决定能否真正上岗<br/>= 视频里的 One Problem}
如果你是工程师 / 技术从业者： 认真研究 Vision-Language-Action 这条技术线。它不只是机器人圈的事——VLA 本质上是"把大模型从输出文字，升级到输出物理动作"。多模态大模型、具身智能（embodied AI）、强化学习的从业者都会被这条线裹挟。建议亲手跑一跑开源的 VLA 复现（如社区对 Helix 的实现），理解 S1/S2 这种"高频控制 + 低频规划"的分层思想，这套架构在自动驾驶、机械臂、甚至软件 Agent 里都能复用。
如果你是投资人 / 创业者： 别再看"谁家的机器人 demo 更炫"。要问三个问题——它有没有真实场景的数据飞轮？它的单位数据采集成本够不够低？它的安全策略在长尾事件上靠不靠谱？ 记住护城河在数据和部署规模，不在算法专利。同时警惕：人形机器人现在还在"烧钱换数据"的阶段，短期内盈利不是看点，数据入口和真实工时才是。
如果你是普通科技爱好者： 用"连续自主工时"这个标尺去过滤所有机器人新闻，你会瞬间看穿 90% 的营销噱头。下次再看到某个机器人"会叠衣服""会做饭"，先问一句：它是直播连续干了 8 小时，还是剪了 30 秒高光？ 这个问题，比任何技术参数都能更快告诉你真相。
对所有人： 这件事最深远的启示在于——我们正在见证"学习"取代"工程"成为造物的方式。 当一个机器系统能从数据中自主变强、且这种变强符合可预测的扩展定律时，它的进步就不是线性的，而是指数的。Figure 三个月迈出的一大步，可能只是这条指数曲线开头很平缓的一段。物理世界的"寒武纪大爆发"，或许真的就在未来两三年。
这场刷爆全网的搬箱子直播，真正划时代的地方不在于机器人搬得多快，而在于它证明了一件事——当工程师停止给机器人写代码、改成让机器人从示范中自己学习时，物理世界终于也搭上了那条"数据越多、自动越强"的指数快车。
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。