Figure AI 尚未有产品可卖，便已锁定 35 亿美元算力
在匹兹堡举行的 IROS 2026（9 月 27 日至 10 月 2 日）上，一项发布从常见的研究演示中脱颖而出。Figure AI 表示，它已与 AI 云服务提供商 Nscale 签署多年期合作协议，初期投入 35 亿美元用于算力，并计划将规模扩大至超过 60 亿美元，从 2027 年下半年开始部署多达 10 万块 Nvidia GPU。
该建设计划落地于得克萨斯州巴斯托。训练将在 Nvidia 的 Vera Rubin 平台上运行，验证将在 Isaac Sim 中进行，而这些 GPU 最终也会运行在机器人本体内部。
在证明之前下注
人形机器人公司已经筹集了大量资金，其中大多数把钱花在了硬件和试点项目上。在机器人尚未大规模从事有偿工作之前，就把如此巨额资金投入算力，是一种不同的押注。它表明，该公司相信，人形机器人的关键制约因素将是训练算力和模型质量，而不是机械部件。
这一信念可以检验，而迄今的证据好坏参半。全球最受关注的人形机器人项目——特斯拉的 Optimus——在 9 月下旬将其弗里蒙特产线的产量提升至每周数百台，约为第二季度产量的十倍，据报道供应商被要求为 2026 年全年约 15,000 台机器人提供零部件。据报道，瓶颈不是每周能造多少外壳，而是手部，以及 AI 无法跨任务泛化。一家能造出身体的工厂，并没有解决如何让身体变得有用的问题。
Figure 的算力承诺实际上是在押注：为这个泛化问题投入多得多的训练能力是正确的做法。如果这一点成立，那么率先锁定算力的公司就拥有优势。如果不成立，这笔钱换来的就是一张巨额账单和大量闲置的 GPU。
为什么 10 万块 GPU 这个数字才是关键
把 GPU 部署到机器人内部才是值得关注的部分。训练算力是一个已知量。要在移动机器可承载的功耗和散热预算内，实时运行大模型的机载算力，是更难的工程目标。如果 Figure 计划大规模把 Nvidia GPU 装进机器人，那它释放的信号是：它想运行的模型足够大，边缘加速器无法胜任。
其影响远不止于 Figure。它对每台设备的功耗、散热和成本提出了要求，从而改变了人形机器人对买家的价值。一台需要高性能 GPU 才能运行的机器人，与一台在手机级芯片上运行小模型的机器人，是两种不同的产品。
其他公司处在什么位置
IROS 展区提供了一组有用的对比。Agility Robotics 发布了其双足机器人的下一代版本 Digit 5，并提到 Digit 4 在北美客户现场累计运行超过 65,000 小时，这些客户包括亚马逊、GXO、舍弗勒和丰田加拿大汽车制造公司。Agility 还宣布与 FORT Robotics 建立合作，旨在为人形机器人提供功能安全。服务时长和安全论证，正是工厂买家在签约前会要求的两件事。
Sanctuary AI 报告称，在一项插线任务中，其成功率达到 99.5% 以上，循环时间为 2.54 秒，并已对照一家一级汽车供应商的实时基准验证。这是一项狭窄的任务，而狭窄任务恰恰是该技术已经准备好的领域。Unitree 宣布 H2 Plus 作为面向学术界的 Isaac GR00T 参考平台，延续了其快速的发布节奏。Astribot 借此次会议在北美首次推出其 T1 人形机器人，价格约为 18,000 美元，定位为研究平台而非工人。
综合来看，这一领域正在分化。一些公司竞相证明通用能力，并在算力上投入巨资。另一些公司则交付狭窄、可衡量的任务，并积累客户真正愿意付费的安全和服务记录。
整场会议传递了什么信号
IROS 是一场研究型聚会，各技术分会场反映了注意力所在。研讨会聚焦于敏捷移动操作、在真实世界中评估视觉-语言-动作控制器的策略，以及让模拟训练迁移到实体双足机器上。最后一个议题决定了对模拟中投入的算力能否转化为工厂车间里的行为。
直白地说清算力论点
Figure 的押注基于一个具体主张：演示效果好的人形机器人与真正能工作的人形机器人之间的差距，主要是建模问题，而建模问题可以通过数据和算力解决。这一主张并不疯狂。过去几年表明，在更大、更多样的数据上扩大训练规模，会持续提升其他领域的泛化能力，而且没有强有力的理由认为操作领域可以例外。
反方论点是，机器人技术存在语言模型所没有的数据问题。网络上的文本十分丰富。而高质量的操作数据——那种能教会手部在新位置抓取新物体的数据——收集成本高昂，且难以精确模拟。如果数据管道到位，更多算力会有帮助。如果没有，大型训练集群基本上就会闲置。
买家应从中得到什么
有两项指标比机器人数量更重要。第一是操作可靠性，即手部能否完成各种抓取而不失败。第二是泛化能力，即在一组物体上训练出的行为，能否迁移到新光照、新布局下的新物体上。每周产量数字对这两者都说明不了什么。
像 Figure 这样的算力承诺，目标直指第二项指标。这是否奏效仍是一个未解问题，答案不会来自新闻稿。它将来自：一台用巴斯托算力训练出的机器人，能否在产线上、无人监督的情况下，拿起一个从未见过的物体，并把它正确放下。
早下注的代价
还存在一个直接的财务风险。算力协议是多年期义务，而 GPU 代际更迭很快。为当今训练规模量身定制的承诺，在 18 个月后可能显得过大或过小，取决于领域朝哪个方向发展。Figure 押注的是它需要更多算力，而不是更少。
这一押注有其合理性。机器人技术的前沿正朝着更大模型发展，而更大模型需要更多算力。问题在于时机。如果泛化能力按 Figure 暗示的时间表到来，那么提前承诺就显得有先见之明。如果耗时更久，公司就要在等待问题解决的过程中承担巨额固定成本。