最近， Figure AI 创始人 Brett Adcock 在 X 上发布的一段视频，让具身智能圈再次陷入“历史性突破”的讨论。视频里的 Figure 03 在没有遥控、没有人工协助、也没有预设动作序列的情况下，自主攀爬了一段工业梯子。这段画面看似简单，却被不少人视为移动操作耦合第一次以完整形态出现。
爬梯子的动作之所以被放大，不是因为它更高或更快，而是因为它第一次把三种能力塞进同一个连续任务：眼睛要实时判断扶手和落脚点，手要在移动中持续抓握，腿要在动态中保持平衡。机器人学界把这类挑战称为移动操作耦合（loco-manipulation）。
在此之前，大多数演示是把能力拆开的： Boston Dynamics 的机器人可以翻跟头但不做精细操作，各家 VLA 演示抓取时，脚下往往是平地。 Figure 03 这次把两者拼到了一起。
支撑它的是 Figure 发布的 Helix 02 三层架构。System 2 负责语义理解，约 1 赫兹拆解动作序列；System 1 约 200 赫兹把相机、触觉和本体感知折算成关节目标；System 0 是约 1000 万参数的神经网络全身控制器，以 1 千赫兹直接替代了过去 10.9 万行手写 C++ 控制代码，负责平衡、接触和全身协调。 Figure 称 System 0 用 1000 小时人类动作数据和 20 万个并行仿真环境训练，sim-to-real 迁移无需额外标定。
但这些描述出自公司发布材料，尚未被第三方独立复现验证。视频中机器人的动作也明显比人类慢，成功率、测试条件和失败数据都没有披露。
几乎在同一周， Google DeepMind 发布了 Gemini Robotics 2，核心变化同样是把机器人的整个身体纳入统一控制。在官方演示中，搭载 Gemini Robotics 2 的 Apptronik Apollo 2 收到“把浇水壶放进底层架子的绿色箱子里”的指令后，自己走到桌边、拿起水壶、再走几步到货架旁、弯腰放进指定位置。整个过程不再依赖“先走到位置、站稳、再伸手”的回合制切换。
Google 公布的数据显示，同一套模型权重在 Apollo 2、Franka Duo 等不同本体上，桌上拾取成功率 68.4%，架上拾取 76.3%，地面拾取 45.7%。最能体现全身控制的地面取物，反而成功率最低。多指灵巧操作也仍是薄弱环节：拧下灯泡约 92%，装回灯泡则骤降至 36%。
两款系统的共同点是把“身体”当成一个统一的动作空间。Gemini Robotics 2 不仅要控制双腿行走、躯干平衡、手臂伸展，还要协调 22 自由度的 SharpaWave 五指灵巧手完成系绳结、封拉链袋等精细任务。 Figure 的 Helix 02 也强调用一套统一网络覆盖毫米级指尖动作到房间级移动。全身控制的方向已经明确，但动作还不够利索，工程化还没有完成。
这背后有一个产业判断正在形成：具身智能的竞争重点，正在从“谁有更大的基础模型”转向“基础模型能不能把整副身体协调好”。大脑负责理解与规划，小脑和全身控制器负责高频执行，二者必须被压缩到同一个闭环里。
中国头部公司也在往这个方向布局。 宇树科技 2025 年人形机器人出货超过 5500 台，8 月 5 日启动科创板 IPO 询价； 智元机器人 的远征系列强调全身协同与多场景任务； 银河通用 发布的 AstraBrain-WBC 0.5 是全球首个人形机器人通用小脑基础模型，试图用同一套运动智能覆盖不同本体； 优必选 则把 Walker 系列推进到工业和商业服务场景。
如果把视野拉远，这次技术转向发生在产业验收季的窗口。2026 年下半年， Figure 的 BotQ 工厂宣称已经把产量从日产 1 台提升到小时产 1 台，累计交付超过 350 台； 特斯拉 Gen 3 产线 8 月投产； 宇树 则以盈利报表和 420 亿元发行估值冲击科创板。
但演示和量产之间仍有剪刀差。 Figure 03 爬梯子发生在实验室，不是工厂；Gemini Robotics 2 的成功率还不足以支撑无人值守。2026 年下半年最大的叙事风险，就是把演示视频直接当成验收报告。
复旦大学深度学习实验室主任陈涛在 8 月 6 日接受澎湃新闻采访时给出了更审慎的判断。他认为，当前主流 VLA 模型高度依赖数据，而训练数据大多是成功轨迹，缺少失败数据，这让机器人在动作偏差后难以像人一样及时调整轨迹。他还质疑，语言模型架构是否一定适合解决物理世界的问题。在陈涛看来，具身底层模型架构急需突破，两年内很难实现具身模型的“GPT 时刻”。
另一个不能忽略的变量是贸易壁垒。7 月 28 日，FCC 把外国产先进机器人设备列入限制进口清单，新开发的人形机器人和四足机器人未经授权不得进入美国市场。中国公司占据全球人形机器人约 85% 到 90% 的出货份额，2025 年宇树、 智元 、 优必选 三家合计出货超过 1.1 万台，而美国 Figure 、Agility、 特斯拉 三家各约 150 台。砌墙之后，两边的技术叙事和成本叙事被强行分开。
市场对两种路线的定价也在分裂。 Figure 用约 390 亿美元估值讲通用智能的故事， 宇树 用约 420 亿元人民币估值和盈利报表讲规模的故事，两者相差约 6 倍。这个定价差本身，就是当前市场对“技术”与“成本”最直接的投票。
回到移动操作耦合本身，它的产业意义在于：人类建造的环境是为人类身体设计的，门槛、楼梯、扶手、低矮货架都是典型例子。机器人如果不能把腿、腰、手臂和手指连成整体，就永远只能进入被改造过的场景。全身控制不是让机器人更酷，而是让它能进入更多真实空间。
但全身控制只是必要条件，不是充分条件。它解决的是“怎么到达”和“怎么站稳”，真正决定能否进入家庭和工厂的，仍然是最后几厘米的精细操作、失败后的自主纠错、跨场景的泛化能力，以及把这些能力工程化量产的成本结构。
下一个值得记住的时刻，可能不是某个更酷的演示视频，而是第一份把全身控制写进量产交付季报的数据。当机器人不仅能爬梯子，还能在客户现场连续几个月稳定爬梯子、取物、放置、纠错，验收季才算真正结束。
在那之前，行业需要做的，是把每一次演示都标上限定条件，把每一次成功率都放进具体场景里看，并且接受一个事实：具身智能的通用化，不会由某一家公司、某一段视频单独完成，而是由大量工程细节在真实场景中缓慢堆出来。
本文基于公开报道整理。