Figure AI 在產品尚未問世前，就先鎖定 35 億美元的算力

在匹茲堡舉行的 IROS 2026（9 月 27 日至 10 月 2 日）上，有一項公告在一連串例行的研究展示中格外突出。Figure AI 表示，已與 AI 雲端供應商 Nscale 簽署多年期合作協議，初期投入 35 億美元於算力，並計畫將規模擴大至超過 60 億美元，且自 2027 年下半年起部署多達 10 萬顆 Nvidia GPU。

這項建置計畫落腳於德州巴斯托（Barstow）。訓練將在 Nvidia 的 Vera Rubin 平台上執行，驗證則在 Isaac Sim 中進行，而同一批 GPU 最終也會裝進機器人本體內運行。

在證明之前就下的賭注

人形機器人公司募了很多錢，而多數都花在硬體與試點專案上。在機器人尚未大規模從事有償工作之前，就投入如此龐大的算力，是另一種截然不同的賭注。這意味著該公司相信，人形機器人的關鍵瓶頸將是訓練算力與模型品質，而非機械零件。

這種信念可以被驗證，而截至目前為止的證據好壞參半。全球最受關注的人形機器人計畫——特斯拉的 Optimus——在 9 月下旬將其弗里蒙特（Fremont）產線的產量提升至每週數百台，約為第二季產量的十倍，據報導供應商也被要求為 2026 年全年約 1.5 萬台的量備料。據報導，卡關的地方並非每週能做出多少外殼，而是手部，以及 AI 無法跨任務泛化。一間能打造出軀體的工廠，還沒解決讓這個軀體變得有用的問題。

Figure 的算力承諾，實際上是在賭：投入遠更多的訓練能量到那個泛化問題上，是正確的做法。若果真如此，最先取得算力的公司就握有優勢。若不然，這筆錢換來的只是一張巨額帳單和一堆閒置的 GPU。

為什麼 10 萬顆 GPU 這個數字才是重點

把 GPU 部署到機器人內部，才是真正值得關注的部分。訓練算力是已知的量。要在移動中的機器所能承載的功耗與散熱預算內，即時運行大型模型的機上算力，則是更艱難的工程目標。如果 Figure 計畫大規模地把 Nvidia GPU 裝進機器人，那等於在傳達一個訊號：它想運行的模型大到邊緣加速器根本無法勝任。

這件事的影響遠超出 Figure 本身。它對每台單位的功耗、散熱與成本設下了要求，進而改變了人形機器人對買家的價值。一台需要正經 GPU 才能運作的機器人，與一台靠手機等級晶片運行小型模型的機器人，是截然不同的產品。

業界其他玩家的處境

IROS 展場提供了一組有用的對照。Agility Robotics 發表了 Digit 5，其雙足機器人的下一代版本，並指出 Digit 4 在北美客戶場地（包括 Amazon、GXO、Schaeffler 與 Toyota Motor Manufacturing Canada）累計超過 6.5 萬小時的運行時數。Agility 同時宣布與 FORT Robotics 合作，鎖定人形機器人的功能安全。這兩件事——實際服務時數與安全論證——正是工廠買家在簽約前會要求的。

Sanctuary AI 報告在插線任務上以 2.54 秒的週期時間達到超過 99.5% 的成功率，並已對照一家一線汽車供應商的實際基準驗證。那是個狹窄的任務，而狹窄的任務正是這項技術已經準備好的地方。Unitree 發表 H2 Plus 作為面向學術界的 Isaac GR00T 參考平台，延續其快速發布的節奏。Astribot 則藉此會議在北美首度亮相其 T1 人形機器人，售價約 1.8 萬美元，定位為研究平台而非工作者。

綜合來看，這個領域正在分裂。有些公司正競相證明通用能力，並在算力上大舉投入。另一些公司則交付狹窄、可量測的任務，並累積客戶真正願意付錢購買的安全與服務實績。

整場會議所傳達的訊號

IROS 是一場研究性質的聚會，而各技術議程反映了關注焦點所在。工作坊聚焦於敏捷的移動操作（loco-manipulation）、在真實世界中評估視覺—語言—動作控制器的策略，以及讓模擬訓練移轉到實體雙足機器上。最後那個主題，正是決定在模擬中投入的算力能否轉化為工廠現場行為的關鍵。

主辦城市是匹茲堡，這也讓卡內基美隆大學在機器人領域的深厚實力得以展現。對一個多年來不斷產出機器人跑酷精彩影片的領域而言，重心轉向富含接觸的操作與真實世界評估，是具有意義的方向轉變。拍攝機器人跳躍，遠比認證一台能安全拿起陌生物體的機器人來得容易。

把算力論點講白

Figure 的賭注建立在一個具體主張上：展示起來很厲害的人形機器人與真正能工作的人形機器人之間的落差，主要是一個建模問題，而建模問題可靠資料與算力解決。這個主張並不離譜。過去幾年顯示，以更大、更多樣的資料擴大訓練規模，在其他領域持續改善泛化能力，而且沒有強而有力的理由認為操作領域會是例外。

反方論點是：機器人有個語言模型沒有的資料問題。網路上文字隨處可得。而教導一隻手在新位置抓取新物體的那種高品質操作資料，收集成本高昂，且難以精確模擬。如果資料管線到位，更多算力就能幫上忙。若否，龐大的訓練叢集多半只是閒置在那裡。

買家該從中學到什麼

有兩項指標比機器人數量更重要。第一是操作可靠性，也就是一隻手能否執行多樣化的抓取而不失敗。第二是泛化能力，也就是在一組物體上訓練出的行為，能否移轉到新物體、新光照、新布局上。每週產量數字對這兩者都毫無說明。

像 Figure 這樣的算力承諾，正是瞄準第二項指標。這是否行得通仍是未定之數，而答案不會來自新聞稿。答案會來自：一台以巴斯托算力訓練出來的機器人，能否在產線上、無人監督的情況下，拿起它從未見過的物體並正確放下。

搶先一步的代價

這裡也有個直截了當的財務風險。算力交易是多年期義務，而 GPU 世代更迭迅速。一筆依今日訓練需求規模所定的承諾，在十八個月後可能顯得過大或過小，端看這個領域往哪個方向走。Figure 賭的是它需要更多，而非更少。

這個賭注站得住腳。機器人的前沿正朝更大的模型移動，而更大的模型需要更多算力。問題在於時機。如果泛化能力按照 Figure 所暗示的時程到來，那麼提前的承諾就顯得有先見之明。如果要花更久，該公司就得在等待問題解決的期間，背負龐大的固定成本。