文 | AI 唱反调
6 月 20 日，Figure CEO Brett Adcock 在 X 上发布了一张图表。机器人保有量曲线，向上击穿了员工数量曲线。
配文是："For the first time, robots now outnumber humans at Figure."
但很少有人注意到，这张图的前奏是一个月前的那场 200 小时直播。三台机器人在传送带旁分拣了近 25 万件包裹，其中一段 10 小时的人机对照测试显示，机器人单件耗时 2.83 秒，人类实习生 2.79 秒，差距不到 0.04 秒。
这两场发布间隔仅一个月，前一场证明 " 能干 "，后一场证明 " 量产 "。节奏看似完美，实则是一次精心编排的预期管理。毕竟，在科技圈，造出一张漂亮的图表，往往比造出一台能修好自己的机器人要容易得多。
200 小时直播：选了最取巧的测试场景
5 月 14 日到 22 日，Figure 在圣何塞总部直播了八天。三台 F.03 机器人站在传送带旁边，循环干一件事：识别包裹，拿起来，旋转，扫描条形码，放回传送带，条形码朝下。
Figure 在最优环境里勉强追上人类实习生的速度，这谈不上突破，反倒暴露了人形机器人的尴尬：在最适合自动化的场景里，它才刚刚摸到人类入门水平的门槛。哪怕是在物流分拣这个最友好的场景里，人形机器人也谈不上领先。
ABB （瑞士工业机器人巨头）的快递分拣机器人单台每小时可处理 1500 件，AGV （自动导引车）自动搬运车分拣系统平均每小时 640 到 1100 件。Figure 三台机器人协同，10 小时才完成 12732 件，单台每小时约 424 件。这不是 " 接近人类 " 的问题，是连传统机械臂的尾气都追不上。
真正考验人形机器人的，从来不是标准化分拣。传送带突然停机、包裹破损漏液、条形码被遮挡这些 " 长尾异常 "，才是难关。直播里这些被刻意回避了。机器人只处理标准包裹，异常件要么被推下传送带，要么触发 " 自动重置 "，等后台工程师远程处理。
俄亥俄州立大学工程学院院长 Ayanna Howard 对此评价，这场演示更像一个科学项目，离成熟的商业服务还有距离。
Figure 不需要你记住异常、记住重置、记住专家评价。他们只需要公众记住三个数字：25 万件、200 小时、接近人类速度。而这些数字，在一个月后成了 " 机器人数超人类 " 叙事的最佳注脚。
数量超越：数字魔术里的三重概念偷换
200 小时直播是 " 能力证明 "，6 月 20 日的 " 机器人数超人类 " 是 " 规模证明 "。两场事件一前一后，补上 " 能力到规模 " 的叙事缺口。但每一环都有猫腻。
物流分拣是人形机器人最 " 作弊 " 的场景，结构化、标准化、无异常。拿这个推导 " 机器人可以替代工人 "，就像一个人在跑步机上跑完马拉松，就说自己能征服所有山地地形。用最优场景的成绩推导全产业的替代能力，这是第一层偷换。
图表显示机器人保有量已大幅超过员工规模。但这条曲线代表的是投产以来的总产量，据制造业惯例推测，其中包含流水线上待组装的半成品、仓库里的待发货设备、实验室里的原型机。真正部署到客户产线稳定干活的，据公开披露的客户案例，规模与总产量之间存在明显落差。把 " 自产自用的产能 " 和 " 全职在岗的工人 " 画等号，就像蛋糕店说 " 我的模具比师傅多 "，模具再多，不烤蛋糕就只是库存。用总产量冒充在岗劳动力，这是第二层偷换。
这些机器人没有减少人力，反而需要更多人在背后伺候。数据标注员标注动作样本，运控工程师调试步态算法，现场运维处理死机故障。所谓 " 机器换人 "，只是把人力从一线操作岗搬到了后台技术岗，总量没减，成本结构反而更复杂。用成本套利替代效率优势，这是第三层偷换。
Figure 02 曾在宝马斯巴达堡工厂进行了 11 个月试点，参与了 3 万多辆 X3 的生产，搬运了 9 万多个零件。这份听起来不错的成绩单，细算下来却暴露了效率天花板。按 1250 小时总工时算，每小时约 72 个。同规格零件搬运，熟练工每小时处理数百件是常态。72 个这个水平，放在工人身上是要被约谈的。
宝马为什么还在用？机器人效率不高，但足够便宜。Figure 03 定价约 25 美元 / 小时，低于美国制造业平均工资。可便宜和技术替代是两码事。替代的逻辑是 " 我比你强，所以取代你 "，Figure 现在的逻辑是 " 我比你便宜，所以你可以容忍我效率低 "。成本套利和技术革命，中间隔着一条河。
这也不只是 Figure 的问题。人形机器人行业正在集体涌入一个 " 场景陷阱 "：最先落地的物流分拣、产线搬运，恰恰是最不需要人形的场景。传统机械臂、AGV 小车成本更低、效率更高。人形机器人的核心价值是通用性，但行业为了商业化，都扎堆在最不需要通用性的场景里讲故事。用最优场景的成绩推导全场景的未来，整个行业都在给自己画饼。
先把非标场景的螺丝拧明白再说
当然，我们也不能全盘否定 Figure 的技术价值。200 小时公开直播，确实是具身智能行业的重要一步。它第一次把人形机器人从实验室的概念视频，搬到了公开可监督的真实场景里。但进步归进步，叙事归叙事，演示和商业成熟是两回事。
国内人形机器人企业也在走相似的路线。宇树科技 2025 年人形机器人出货量超 5500 台，智元机器人超 5100 台，两家包揽国内近 80% 的市场份额。但和 Figure 一样，这些数字更多是 " 产能 " 和 " 出货量 "，而非 " 在岗替代劳动力 "。
优必选的情况更具代表性：其 Walker S2 在工业场景试点，全年订单近 14 亿元，但交付量仅数百台。与此同时，优必选近期推出的消费级产品 U1 系列，主打情感陪伴，分男女两款，预售 10 天订单近 4000 台，远超去年全年人形机器人销量。该产品在官方页面标注 " 仅限成年人购买 "。
短期内不存在大面积的 " 机器换人 "。人形机器人会作为 " 昂贵的特种工具 "，在高度标准化的流水线里干单一辅助作业。工人干复杂活，机器干重复活，人机协同才是主流。
具身智能的商业化拐点，从来不看 " 工厂每小时能造多少台机器人 "。三个硬指标更值得关注：单台机器人的全生命周期利润，能不能超过一个同岗位工程师的人力成本；客户付费复购率，能不能从 " 试点合作 " 变成 " 持续采购 "；无人工干预下的连续作业时长，能不能从 200 小时突破到 1000 小时，而且不是在传送带旁，是在有异常、有变化、有干扰的真实环境里。
技术层面，NVIDIA 近期发布的 SpatialClaw 空间推理框架，通过代码作为动作接口，让智能体无需针对每个新场景重新训练，就能灵活组合感知工具、适应环境变化。这指向了一个关键方向：只有当机器人走进一个新场景就能自主理解、自主工作时，通用具身智能的时代才会真正到来。
什么时候 Figure 敢宣布：" 我们裁掉了一半运维工程师，因为机器人能自己排查故障、自己修复了 "，那才是替代拐点的真正到来。
在那之前，图表上的产能数字只是待消化的成本，和 " 替代人类的劳动力 " 之间还差得远。
现在，先把非标场景的螺丝拧明白再说。
