為了給機器人囤數據，Figure全球懸賞人類“幹活”

人形機器人產業正從實驗室走向真實世界，但橫在量產與商業化之間的最大障礙，不是硬體成本，也不是電池續航，而是數據。為了讓機器人真正學會「做人」，美國人形機器人公司Figure近期在全球範圍內發起了一項特別的招募計畫——懸賞真人「幹活」，用最直接的方式採集人類在真實環境中的動作數據，作為機器人學習的養分。這項計畫的背後，反映出當前具身智慧領域一個愈發尖銳的現實：機器人本體越來越成熟，但真正能驅動機器人自主決策的數據卻極度匱乏。

不同於語言模型可以從網路上抓取海量文本，機器人的訓練數據必須來自真實世界的物理交互——走路、抓取、搬運、組裝，這些對人類來說近乎本能的行為，要轉化為機器人可理解的數據，卻需要極其昂貴且繁瑣的採集過程。Figure此次的應對方式，是直接向全球人類發出「徵集令」。據了解，這項計畫招募參與者在指定場景中完成各類日常任務，並透過穿戴式動作捕捉設備或感測器，將人體關節的運動軌跡、施力大小、姿態變化等資訊完整記錄下來。這些數據經過清洗與標註後，將被用於訓練Figure的人形機器人，讓機器人不僅能模仿動作，更能理解動作背後的意圖與策略。

這種「人類示範」的數據採集方式，並非Figure首創，但將其規模化、全球化，卻是業界少見的嘗試。過去，機器人公司多數依賴工程師在實驗室內手動遙控機器人執行任務，再記錄數據，這種方式效率低、成本高，且場景單一。Figure選擇將採集工作外包給全球各地的普通人，等於是把數據生產線延伸到真實世界的每個角落——家庭、辦公室、倉庫、零售店，這些正是人形機器人未來最可能落地的場景。從技術路線來看，Figure的選擇有其邏輯。人形機器人的雙足行走、雙手操作，涉及極其複雜的動力學與運動規劃問題。傳統的基於物理模型的控制方法，在面對開放世界的無窮變數時往往力不從心。

而端到端的神經網路策略，則需要海量高品質的示範數據來驅動。誰能更快累積數據，誰就能更快迭代模型，形成數據飛輪效應。這也解釋了為什麼Figure願意投入大量資源進行全球懸賞。在具身智慧領域，數據已成為比算力更稀缺的資源。OpenAI、Google DeepMind、特斯拉等巨頭，無一不在探索各自的數據策略。特斯拉依賴其車隊收集真實道路數據，並在Optimus機器人上複用視覺與導航模型；Figure則選擇直接僱傭人類「表演」，將人類行為數位化，再轉化為機器人的「肌肉記憶」。值得注意的是，這種數據採集模式也引發了關於數據品質與多樣性的討論。不同地區、不同體型、不同年齡的人類，其動作模式存在顯著差異。

如果採集樣本過於單一，機器人學到的行為可能缺乏泛化能力。此外，動作捕捉設備的精度、數據標註的標準化程度，也直接影響最終訓練效果。Figure如何在全球化採集中確保數據的一致性與可用性，將是這項計畫成敗的關鍵。另一個值得關注的面向，是這項計畫對勞動市場的潛在影響。Figure的懸賞模式，某種程度上創造了一種新型態的「數據工人」——他們不需要程式設計技能，也不需要機器人操作經驗，只需按照要求完成日常動作，就能獲得報酬。這類工作門檻低、需求量大，未來可能吸引大量兼職參與者，形成一條全新的數據供應鏈。從產業發展的角度看，Figure的全球懸賞計畫，象徵著人形機器人競賽已進入數據軍備競賽階段。

過去幾年，各家廠商比拼的是機器人的硬體規格——自由度、扭矩、續航力；如今，戰場正轉向數據規模與模型能力。Figure率先將數據採集推向全球規模，無疑會給競爭對手帶來壓力，也可能促使更多公司跟進類似的數據眾包模式。當然，數據只是第一步。採集回來的人類動作數據，還需要經過複雜的處理流程，才能轉化為機器人可用的訓練訊號。這包括動作重定向、動力學約束、獎勵函數設計等一系列工程問題。Figure的技術團隊能否將這些數據有效利用，最終體現在機器人的實際表現上，仍有待時間驗證。回到這項計畫本身，Figure的全球懸賞，既是技術策略，也是市場策略。

透過讓全球各地的人參與數據採集，Figure不僅獲得了訓練數據，也在無形中建立了一批對品牌有參與感的早期支持者。當這些參與者看到自己貢獻的動作數據，最終驅動一台人形機器人靈活行走、精準抓取時，那種成就感與連結感，遠比傳統的行銷活動更深刻。人形機器人的商業化之路，註定漫長而艱辛。但在這條路上，數據的累積速度，將直接決定各家廠商的起跑位置。Figure用「懸賞人類幹活」的方式，為機器人囤積數據，看似簡單粗暴，卻可能正是這個產業現階段最務實的解法。當機器人學會了人類的動作，下一步，就是學會人類的思考。而那一天的到來，或許比我們想像的更近。