8 月 25 日，Figure AI 结束四个月的非公开测试，正式发布 Index。这款手机 App 付费征集人们完成现实任务的视频，为其机器人模型 Helix 提供训练数据。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，尚无第三方审计。Figure 认为，通用人形机器人的主要瓶颈正从硬件转向数据：机器人要适应更多任务，需要足够多样、能覆盖少见场景的真实操作记录。
Figure 为什么要自行采集人类操作视频
Figure 的判断来自机器学习的一条经验：扩大数据规模，有助于提升模型对新任务的适应能力。语言模型可以利用互联网语料，机器人却很难找到同样规模的训练材料；「人在真实环境里如何完成一件家务」这类具身数据，在公开网络上十分稀缺。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，Figure 于是决定自行采集。Index 由 Figure 自营，既负责征集数据，也负责质检。
创作者拍视频拿报酬，Figure 负责筛选和质检
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。
要把每天收到的大量手机视频变成训练数据，Figure 设置了五道处理流程：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，避免简单任务占比过高，确保少见任务也有数据）、标注（为每段生成分层的文字描述）。这也要求 Figure 具备支付和内容审核平台的运营能力：公司已支付 1500 万美元，需要让创作者愿意持续参与，同时防止刷量。相比早前与地产方 Brookfield 合作采集数据，App 通过招募零工扩张得更快，让有手机的人也能参与采集。
看过人类视频，机器人能否学会精细操作
Index 能否改善机器人的实际表现，取决于一个尚未被独立验证的假设：人类视频能帮助 Figure 03 学会根据实时反馈控制关节力矩。这里存在一个物理差异：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，以此把从人类视频中学到的任务理解，与机器人自身的执行能力衔接起来。
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。
仿真、众包与真机采集，分别解决什么问题
Index 主要希望扩大训练数据覆盖的任务和环境，其他路线则着重解决不同问题，不能简单判断谁更优。仿真与世界模型路线（如 NVIDIA 的 Cosmos 物理世界模型）可以低成本、大量生成合成数据，但仍有仿真与现实的差距；单样本视频情境学习路线（如 Skild AI 的 S1 所代表的方向）着重减少部署新任务时需要的样本数；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。
这些路线可以配合使用：仿真增加数据产量，众包拓宽场景覆盖，单样本学习提高部署效率。Index 的新意是把真人视频、付费征集与互联网分发结合起来，让采集规模能随投入扩大。Figure 承诺投入的 10 亿美元，正是对这套方案的押注。
拍摄授权和刷量之外，还要证明数据能改善机器人
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商业公司的训练流程，如何取得拍摄者与被拍摄者同意、如何处理未成年人影像，都需要明确安排。采集还涉及各地的隐私要求，包括加州 CCPA/CPRA、伊利诺伊 BIPA 等框架；在共享空间持续采集影像与空间地图时，相关规则如何适用，需要结合具体情况判断。1500 万美元的报酬也可能诱发刷量，Figure 因此把反作弊与去重放在处理流程的前端。
这类数据能否带来长期竞争优势，也有待验证。Index 的采集系统归 Figure 所有，其他公司却也可以付费请普通人拍视频。要证明投入有效，Figure 需要展示这些视频如何提高 Helix 在非结构化任务上的成功率。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。
