OpenAI 投資的 Figure 機器人在 2026 年展示具備流暢端到端視覺語言操作能力
2026 年的示範之所以引發震動,正是因為這三項指標同時出現了肉眼可見的躍進。機器人不只是「會做」,而是「做得像連續的人類動作」,這在觀感與實用性上是完全不同的層次。
二、把示範拆開來看:2026 年我們到底看到了什麼
根據公開資訊與業界流傳的示範內容,這波展示大致可以歸納為三個典型場景。理解這三個場景的設計邏輯,就能理解 Figure 想證明什麼、以及它刻意避開了什麼。
2.1 場景一:陌生廚房的長序列家務任務
第一個場景是「陌生環境的家務長序列任務」。機器人被帶到一個它沒有預先建圖、沒有事先掃描的廚房,接收一段口語化指令,然後連續完成十幾步操作。這裡的關鍵字是「陌生」與「連續」。
陌生,意味著系統不能依賴預先建好的 3D 場景模型或物件位置資料庫,必須完全靠當下的視覺輸入理解空間關係:冰箱在哪、流理台多高、那個袋子是可撓的還是硬的、袋子裡裝的是什麼。連續,意味著它不能每做完一步就退回待機狀態,而要維持一個跨越數分鐘的任務記憶與身體狀態追蹤。
值得注意的是,示範中機器人出現了「先停頓、歪頭、再伸手」的行為。這不是卡頓,而是模型在進行視覺確認——它先判斷目標物是否可抓、抓哪裡比較穩,再生成動作。這種「像人在思考」的微延遲,其實是 VLA 系統在慢思考層(負責語意理解與規劃)與快反應層(負責高頻動作生成)之間切換的自然結果,後面會詳細說明。
2.2 場景二:人機協作與動態避讓
第二個場景更貼近真實工作現場:人類同事在旁邊走動、遞交物品、臨時改變指令。例如原本要求機器人把箱子搬到左側,中途有人說「等等,先放桌上,我要拿個東西」。系統需要理解這種「打斷」與「修正」,並在動作進行中平滑地重新規劃。
這一部分對技術的要求其實比第一個場景更高。靜態環境的長序列任務,考驗的是模型的規劃能力與記憶;動態人機協作,考驗的則是即時感知與安全策略。機器人必須在幾十毫秒內判斷「這個人會撞到我嗎」、「我現在這隻手在半空中,該收回還是繼續」,而且任何一次誤判都可能造成人身傷害。
示範中呈現的流暢度,很大程度來自於動作生成頻率的提升。業界普遍認為,要讓人形機器人的反應看起來自然,動作策略網路的輸出頻率至少需要達到每秒數十次以上,而語言與規劃層則可以用較低的頻率、較大的模型來處理。這種「高頻小模型 + 低頻大模型」的分工,是 2025 年之後 VLA 架構的主流思路。
2.3 場景三:跨任務的指令泛化與錯誤恢復
第三個場景是最容易被忽略、卻最能說明「端到端」價值的一段:測試者刻意製造失敗。例如把物件放得特別滑、在機器人抓取瞬間抽走物品、或給出模糊指令如「幫我把這裡整理一下」。
在舊的模組化系統中,這類情境幾乎必然導致流程中斷,需要人工重置。但在端到端 VLA 系統中,模型可以根據當下的視覺回饋重新判斷:東西掉了,撿起來;抓不穩,換個抓法;指令模糊,先做最合理的推論(把散落的物品歸位),再視情況詢問。
這種「失敗後自我修正」的能力,是通用型機器人能否真正進入家庭與產線的分水嶺。因為真實世界幾乎不存在完美條件,一個只在理想環境下運作的機器人,商業價值趨近於零。示範敢於公開展示失敗與恢復,本身就是一個技術成熟度的訊號。
三、技術架構解析:為什麼 2026 年的流暢度是「架構級」的躍進
很多人會問:不就是模型變大、資料變多嗎?為什麼這次特別不一樣?答案在於,這波進步不是單點突破,而是架構、資料、算力與硬體四個層面同時到位的結果。以下分三個面向拆解。
3.1 雙系統架構:把「會思考」與「會動」拆開,再縫回去
Figure 自研的 Helix 系列模型,採用的是典型的「雙系統」設計,概念上借鏡了人類認知中系統一(快速直覺)與系統二(緩慢推理)的分工:
這種架構的關鍵難點在於「縫合」:兩層之間必須共享同一套視覺表徵,否則慢思考層說「抓那個杯子」,快反應層卻認不出杯子在哪,整個系統就會出現語意與動作脫節的荒謬行為。2026 年展示的流暢度,暗示這個縫合問題已被相當程度地解決——很可能透過端到端聯合訓練,讓兩層在同一個損失函數下共同優化,而不是各自訓練後再硬接。
3.2 資料飛輪:從遙操作到自主生成的真實世界資料
端到端模型最現實的瓶頸從來不是演算法,而是資料。語言模型可以從網路上爬取海量文字,但機器人動作資料沒有現成的「網際網路」可以抓。
業界的解法是建立「資料飛輪」:先由人類操作員透過遙操作(teleoperation)示範動作,收集第一批高品質資料訓練初版模型;模型上線後在真實環境中執行任務,失敗與成功的案例都自動回傳、標註、納入訓練集;模型變強後能處理更多場景,於是產生更多樣化的資料,形成正循環。
Figure 在 2025 年之後積極推動的,正是這條飛輪的規模化。包括建立模擬環境生成合成資料、透過多台機器人在不同場景中平行收集、以及用更強的模型自動標註舊資料。當資料量跨過某個門檻,模型就會出現「湧現」式的泛化能力——也就是示範中那種「沒見過的廚房也能上手」的表現。
3.3 算力、本體與功耗:被低估的硬體側變革
如果只看軟體,很容易忽略一件事:端到端 VLA 模型要在機器人身上即時跑起來,對機上算力與功耗是極大考驗。過去人形機器人經常把重運算放在外部伺服器,透過無線網路回傳,這種做法延遲高、穩定性差,一斷線就變成一具站立的雕像。
2026 年世代的機器人,普遍採用了更高效能的邊緣運算平台(例如 NVIDIA 為機器人設計的 Jetson 系列後續晶片),讓相當比例的推理可以在機上完成。同時,機身設計也朝輕量化、高散熱、低功耗演進,電池續航與關節出力都有明顯改善。
這裡有一個容易被忽略的觀察點:流暢度其實是軟硬體協同的產物。同樣的模型,裝在反應慢、有齒隙、控制延遲高的關節上,動作看起來就是僵硬;裝在低延遲、高精度、有力量回饋的致動器上,才會呈現出「像人」的質感。Figure 在硬體上的迭代(機構簡化、感測器整合、量產導向設計),與模型進步同等重要。
四、產業衝擊:人形機器人的競爭格局正在重排
一項技術展示之所以重要,往往不在技術本身,而在它如何改變其他玩家的預期與資源配置。Figure 這次的展示,至少在三條線上產生了連鎖反應。
4.1 競爭者盤點:誰在跟、誰在追、誰在轉彎
人形機器人賽道在 2025 至 2026 年間已經相當擁擠,主要玩家大致可以分成幾類:
Figure 這次展示的戰略意義,在於它把競爭焦點從「硬體看起來酷不酷」拉回到「AI 模型能不能泛化」。一旦端到端 VLA 被證明可行,那些仍在依賴規則式控制的廠商,技術路線就會面臨被淘汰的壓力。
4.2 應用場景的優先順序:為什麼是倉儲與工廠先,家庭後
儘管示範影片拍的是廚房,但業界普遍共識是:人形機器人的商業化會從「結構化環境」走向「非結構化環境」,也就是先工廠與倉儲,後家庭。
原因很簡單:工廠與倉儲的任務重複性高、環境變異小、有明確的安全規範與 ROI 計算方式,而且出錯的代價可以用流程設計控制。家庭環境則充滿軟性物件、寵物、小孩、難以預測的人類行為,安全門檻高得多。
不過,2026 年的展示隱含了一個重要訊號:非結構化環境的技術門檻正在下降。當模型能在陌生廚房完成長序列任務,代表「環境不確定性」這個變數,正從根本上被 AI 能力吸收掉。這會讓家庭場景的商業化時程,比原本預期的更早到來。
4.3 供應鏈的機會:台灣與華語科技業的位置
對台灣讀者而言,最實際的問題是:這波浪潮中,我們的機會在哪裡?人形機器人的成本結構中,減速機、馬達、滾珠螺桿、感測器、散熱模組、電源管理、邊緣運算模組等,佔了相當高的比重。這些領域正是台灣與華語供應鏈的傳統強項。
此外,資料標註與模型微調服務、機器人安全驗證、以及針對特定垂直場景(如半導體廠務、醫療輔助、餐飲備料)的系統整合,都是相對低資本、高附加價值的切入點。值得注意的是,硬體毛利會隨規模化快速下滑,真正長期值錢的是模型、資料與場域知識的結合,這是台灣廠商在代工思維之外必須提早佈局的方向。
五、別太樂觀:流暢示範背後的五個現實挑戰
論壇文章若只談願景不談風險,就失去了討論的價值。以下五個挑戰,是我認為在 2026 年之後仍會長期存在的結構性問題。
5.1 示範與量產之間的鴻溝
首先必須提醒:精心設計的示範,與可交付客戶的量產產品,中間隔著的不是一條線,而是一片海。示範可以挑場景、挑物件、挑光線、挑失敗重拍;量產則要在千千萬萬個真實家庭與工廠裡,面對沒人想到過的邊角情境。
業界常用「平均無故障時間」(MTBF)來衡量可靠度。一台能連續完成十次任務的機器人,與一台能連續運作一萬小時不出錯的機器人,是完全不同的工程成就。前者靠模型,後者靠系統工程、測試體系與供應鏈品管。
5.2 安全與責任歸屬
當一個重達數十公斤、能舉起數十公斤物體的人形機器人,在你家客廳行動時,安全問題就不只是技術問題,而是法律問題。端到端模型的黑箱特性,讓「為什麼它當時會這樣動」變得難以解釋,這在事故調查與責任歸屬上會造成巨大困難。
可預期的解法包括:模型行為的日誌記錄與可回放機制、獨立的硬體安全層(例如力量上限、碰撞急停,不經過 AI 模型)、以及針對特定場景的認證標準。這些都需要時間建立,而且是跨領域(AI、機械、法律、保險)的系統工程。
5.3 成本、功耗與維護
目前高端人形機器人的單機成本仍高,加上電池續航有限、關節零件磨耗、軟體需要持續更新與遠端監控,總持有成本(TCO)對多數企業與家庭仍是門檻。要讓價格下降到能普及的水準,需要的是供應鏈規模化與設計簡化,這通常比模型進步慢得多。
5.4 資料隱私與場域敏感度
端到端模型需要大量真實世界影像資料,而這些資料來自客戶的工廠與家庭。誰擁有這些資料?能否用於訓練?跨境傳輸是否合規?這些問題在歐盟、美國、亞洲各市場的答案都不同,會直接影響機器人廠商的部署策略。
5.5 「通用」的幻覺與期待管理
最後一個風險比較抽象,但同樣重要:過度行銷會反噬整個產業。當大眾被示範影片拉高期待,實際上買到的產品卻只能完成有限任務,失望會轉化為對整個品類的信任崩塌。歷史上,VR、家用機器人、自駕車都經歷過類似的期待落差循環。產業需要的是誠實的溝通:把「能力邊界」講清楚,比把「可能性」講得天花亂墜更能建立長期價值。
六、給華語讀者的觀察清單:接下來該盯哪幾個指標
如果你不是工程師,但想持續追蹤這個領域,以下幾個觀察指標比看熱鬧的新聞標題更有資訊量。
6.1 看「未剪接長鏡頭」而非精華剪輯
判斷一家機器人公司技術實力的第一原則:看它敢不敢放未剪接的長鏡頭。精華剪輯可以隱藏所有失敗與人工介入,長鏡頭則會暴露一切。若示範影片中出現時鐘、連續背景音、或第三方在場記錄,可信度會高很多。
6.2 看「失敗後的處理」而非成功率
真正有價值的資訊,是機器人搞砸之後做了什麼。它會停住?會呼叫人類?會自己重試?重試幾次才成功?這些細節比「成功率 95%」這種行銷數字更能反映系統成熟度。
6.3 看「部署數量與運轉時數」而非發表會
技術展示是一時的,真正難以造假的是「已部署機器人數量」與「累積運轉時數」。這兩個數字代表資料飛輪是否真的在轉,也代表客戶是否願意續約。當一家公司開始公開這類數據,通常意味著它已經從研發階段跨入商業階段。
6.4 看「成本曲線」而非規格表
規格表上的自由度、負載、續航都是靜態數字。真正決定人形機器人能否普及的,是每台成本隨著產量上升而下降的速度。如果三年內成本只降了兩成,那普及還很遠;如果降了七成,產業格局就會劇烈改變。
七、結論:這不是終點,而是「可用」的起跑線
回到本文標題:OpenAI 投資的 Figure 機器人在 2026 年展示具備流暢端到端視覺語言操作能力。這件事最值得記住的地方,不是某個特定動作有多炫,而是它標誌著一個範式轉移的完成——人形機器人的核心競爭力,從「機械工程」正式轉移到「AI 模型與資料」。
對產業而言,這意味著接下來幾年的贏家,不一定是最會做馬達與關節的公司,而是最會收集資料、最會訓練模型、最懂場域需求的公司。對個人而言,這意味著「機器人」這個詞的內涵正在改變:它不再是固定的自動化設備,而是一個可以透過語言溝通、可以學習新任務、可以適應新環境的行動實體。
但同時,我們也必須保持清醒。流暢的示範距離可靠、安全、便宜、普及,還有好幾年的工程與制度建設要走。真正的關鍵時刻,不會是某支爆紅影片發布的那天,而是某一天你走進便利商店、工廠或醫院,發現角落那台機器人已經安靜工作了一整年、沒人特別提起它的時候。
在那天到來之前,保持關注、保持批判、也保持一點耐心——這大概是面對這波 AI 機器人浪潮,最合適的姿態。
常見問答
Q1:Figure 與 OpenAI 現在還有合作嗎?
OpenAI 是 Figure 的早期投資人之一,雙方曾在 2024 年展開技術合作,由 OpenAI 提供視覺語言模型能力。但 2025 年初 Figure 宣布結束該合作,轉向自研 Helix 系列模型,理由是模型與硬體需要更深度的整合。因此「OpenAI 投資的 Figure」作為股東關係仍成立,但技術上已各自發展。
Q2:端到端 VLA 模型跟傳統機器人控制最大的差別是什麼?
傳統控制是模組化堆疊:視覺辨識、姿態估測、任務規劃、運動控制層層串接,每層都要人工設計與調校。端到端 VLA 則是把影像與語言直接輸入單一大型神經網路,直接輸出動作指令,靠大量資料學習泛化能力。前者的優點是可解釋、可控;後者的優點是能處理沒見過的場景與指令。
Q3:這類機器人什麼時候會進入一般家庭?
多數業界的判斷是:工廠與倉儲會先落地,家庭場景則需要更長時間。關鍵變數包括安全性認證、單機成本、維護體系與使用者接受度。若成本曲線下降夠快、安全標準逐步建立,部分高收入家庭在 2020 年代末期就有機會看到實用型產品,但全面普及仍需更長時間。
Q4:台灣供應鏈在這個趨勢中有機會嗎?
有,但機會的性質正在改變。減速機、馬達、感測器、散熱、電源與邊緣運算模組等硬體領域仍是台灣強項;然而長期價值會往「模型、資料與場域知識」傾斜。建議廠商在代工之外,提早投入特定垂直場景的系統整合與資料服務,避免停留在低毛利的硬體製造環節。
```
💬 想說點什麼?
歡迎到留言板分享你的想法、心得或疑問。
💬 前往留言板 →