8 月 25 日，Figure AI 结束四个月的隐身测试，正式发布 Index——一个付费众包「真实世界物理数据集」的手机 App，也是其人形机器人 Helix 的数据引擎。Figure 给出的规模数字是：App 累计下载 26.4 万次、覆盖 108 个国家，4.4 万名周活跃创作者上传了 1600 万段视频，每秒处理 30 分钟新视频、相当于每天录入 4.9 年的人类工作量；公司已向创作者支付 1500 万美元，并承诺未来 12 个月在数据与算力上投入超过 10 亿美元。这些数字全部来自 Figure 自述、没有第三方审计，但它们共同指向一个命题：Figure 认为，通用人形机器人的瓶颈已经从「造出会动的硬件」转向「买到足够多的长尾物理数据」。
为什么是数据问题，而不是硬件问题
Figure 的核心论点是机器学习过去十年最稳的一条经验：泛化能力随数据规模提升。这条经验在语言模型上被互联网语料反复验证，在机器人上却难得多——「人在真实环境里如何完成一件家务」这类具身数据几乎不存在于公开网络。Figure 在公告里的原话是：「训练一个真正通用的机器人所需的数据，互联网上不存在，它必须来自真实世界。」
Helix 是 Figure 自研的视觉-语言-动作（VLA）模型，Figure 用「从像素到动作」描述它：2025 年 2 月结束与 OpenAI 的模型合作后转向自研，2026 年 1 月的 Helix 02 把控制范围从上半身扩展到全身。VLA 的输入是视觉与语言、输出是动作，这解释了为什么在 Figure 的框架里，视频本身就能被当作训练信号——如果模型本来就是从像素学动作，那么海量的人类视频理论上就是可用的监督。
Figure 也试过直接买数据。官方博客说，外部供应商达不到 Helix 对吞吐量、多样性和质量的要求，于是它自建管道。Index 因此不是外包数据标注，而是一条自营的采集与质检基础设施。
一条把消费者 App 当工业质检的采集管道
Index 的机制是一个双边市场：任何人下载 App 成为「创作者」，拍下自己在家或工作场所做真实任务的视频换取报酬；也可以反过来在 App 里预订一名创作者上门帮忙干活，顺便采集第一视角影像。Figure 给出的多样性指标是：每 1000 小时，Index 平均包含 373 个独特任务、1146 个被操作的独特物体、116 个独特环境，覆盖做饭、清洁、洗衣等家务，以及物流中心、餐厅、工厂、办公室等场所。
把每天海量手机视频变成可训练数据，靠的是五级管道：过滤（自动筛掉技术、视觉和语义不合格的片段）、反作弊（人工按账号抽查刻意规避审核的行为）、去重（对每段视频做嵌入，丢弃与已入库数据相似度过高的片段）、再平衡（用任务配额和嵌入聚类防止简单任务过载、保住长尾）、标注（为每段生成层级化文本 caption）。这条管道更接近支付与内容审核平台，而不是机器人实验室的记事本——因为 1500 万美元已经付出去，Figure 既需要创作者持续留存，也需要防刷量。它比 Figure 早前与地产方 Brookfield 的合作扩张得更快：App 用零工市场的方式，把采集点铺到了任何有手机的人手里。
视频到扭矩的缺口，是这笔赌注最不确定的一环
Index 的全部价值，取决于一个尚未被独立验证的假设：人类视频能稳定转化为 Figure 03 上的闭环扭矩控制。这里存在物理上的不对等——人拍下的是「人用人的手和身体做这件事」，机器人要输出的是「机器人关节的力矩命令」，二者在运动学、动力学和触觉反馈上并不等价。Figure 的应对是 Helix 的双模型分工：高层的 S2 从视觉与语言中学语义和目标，低层的 S1 处理具体到本体的动作控制，这个切分正是在「人类视频教语义」和「机器人本体执行」之间搭桥。
Figure 目前公开的唯一佐证来自更早的 Project Go-Big：它宣称 Helix 仅用第一视角人类视频训练后，就能根据「去冰箱」这类自然语言指令在杂乱空间里导航，并称之为「零样本人类视频到机器人迁移」的首次实现。但这是导航任务，不是精细操作：导航只需要理解空间与目标，抓取和操作则需要力、接触与抓握的闭环反馈。Humanoids Daily 直接点出这个悬而未决的问题——人类视频能否提供精细物理操作所需的触觉与力觉信息，仍是开放问题。Figure 自己也在博客里只说「内部泛化结果正在验证这个论点，稍后分享更多细节」，并未发布可核对的基准。
众包视频只是数据路线之一
Index 并不天然优于其他路线，它攻击的是「分布」这一个环节，而具身智能的数据瓶颈有不同的人在打不同的部位。仿真与世界模型路线（如 NVIDIA 的 Cosmos 物理世界模型）用合成数据换吞吐量，成本低、可无限采样，代价是 sim-to-real 差距；单样本视频情境学习路线（如 Skild AI 的 S1 所代表的方向）攻击的是部署时的样本效率，而非数据规模；集中式真机训练场（如中国多地建设的机器人训练基地）采集的是真实闭环数据，质量更接近真机，但规模受限于机器数量。
这些路线并不互斥：仿真解决吞吐量，众包解决分布，单样本学习解决部署效率。Index 的新意在于，它把「真人视频 + 付费市场 + 互联网规模」变成一条可资本化、可扩张的采集管线，并用 10 亿美元的承诺把这套打法摆上台面。
隐私、劳工与「数据即壁垒」的含义
Index 的输入是真实的家庭、工作场所和人脸。创作者上传的影像进入一家商业公司的训练管线，涉及同意、被拍摄者未同意、未成年人以及区域合规等问题；美国各州的隐私框架（加州 CCPA/CPRA、伊利诺伊 BIPA 等）本为网站和 App 设计，对「在共享空间里连续采集视觉与空间地图的机器人」并不直接适配。1500 万美元的悬赏本身也会诱导刷量，Figure 把反作弊与去重放在管道前端，等于承认了这一点。
更根本的问题是这类数据能否形成壁垒。Index 的管道是 Figure 独家的，但「付费让普通人拍视频」这件事本身没有排他性——壁垒不在 App，而在能否把这些视频真正转化为 Helix 在非结构化任务上更高的成功率。在 Figure 公布可核对的泛化基准之前，「数据获取正在成为比硬件更稀缺的壁垒」仍是一个待验证的命题，而不是已经成立的事实。下一个可观察的节点，是 Figure 是否兑现「稍后分享更多细节」的承诺、发布不依赖自述的泛化结果。