

▎一目了然:Figure AI
公司名称:Figure AI
成立时间:2022年
公司简介:
Figure AI致力于打造一款能够与人互动、完成多种任务的通用型人形机器人。这款机器人能够自动行走、搬运物品、操作各类物体。它的应用场景涵盖了仓储管理、物流配送、医疗保健等多个领域。
创始团队介绍:
Brett Adcock:创始人兼CEO,资深科技企业家,自创立公司以来已有20年。现在,他的目标是用30年时间将Figure打造成对人类未来有积极影响的企业。
Jerry Pratt:首席技术官,主要负责与工程团队合作,引领公司采用最先进的实践、工具和技术,并致力于研究新兴技术,以融入Figure机器人的发展路线图。
Dana Berlin:战略发展副总裁,负责公司资本化和市场战略相关事务。
融资情况:
2023年3月19日,Figure获得Aliya Capital Partners等10家投资者提供的7000万美元A轮融资。
2023年7月17日,来自Big Sky Partners和Intel Capital的900万美元融资。
2024年2月23日,获得亚马逊创始人贝索斯及微软、英伟达、OpenAI等科技巨头约6.75亿美元的融资。
要打破这一社会瓶颈,促进劳动力的持续增长,就必须提高生产力——这意味着需要更多的自动化技术来提供支持。同时,许多高危险和艰苦的工作并不适合人类从事,迫切需要开发新技术,解决这些难题。
随着这种需求的迅速增长,人形机器人行业因此应运而生。
Figure 01:向自动化迈出的巨大一步
Figure AI目前正在开发的自主人形机器人被命名为“Figure 01”。这一创新旨在弥合劳动力差距,提高制造效率,并确保高风险工作的安全性。

拓展人类能力
无疑,人形机器人的出现极大地扩展了人类的能力,不仅可以缓解劳动力短缺,减少从事高危工作的工人数量,还能促进更多创造和生产。
Figure团队秉持“造福人类”的使命,设定了明确的目标:开发能够对人类产生积极影响的通用型人形机器人,为未来几代人创造更美好的生活。这些机器人将帮助人类完成高危和不受欢迎的工作,使人们的生活更加幸福和有意义。
目前,Figure工程师们正在研发外观和动作更加贴近人类的机器人。这一研究之旅预计将持续数十年。尽管面临着巨大的挑战和不确定性,Figure团队依然勇往直前。
据Figure官方网站透露,如果研究取得成功,这将对人类社会产生深远的积极影响,并可能使Figure成为地球上最大的公司之一。

Figure 01:向自动化迈出的巨大一步
Figure AI目前正在开发的自主人形机器人被命名为“Figure 01”。这一创新旨在弥合劳动力差距,提高制造效率,并确保高风险工作的安全性。
Figure AI在提高生活质量和为新兴市场提供强有力的经济支撑方面都做出了重大承诺。
Figure 01的创新之处
Figure 01最引人注目的特性之一是它的「动态双脚行走」技术。

Figure 01 的腰部和臀部关节的细节
这种行走方式与传统机器人依赖重心保持在接触地面之上的方法不同,它利用动量来维持平衡,提供了调整速度和方向的灵活性,以及优化关节扭转的能力。这一技术进步不仅是科技领域的一大突破,也将深刻改变人类与机器人的互动方式。

受“赛车头盔”启发的头部,可与人类用户交流的 LCD 屏幕

有 6 个自由度的机械手
在外观设计上,Figure 01呈现出中等身材女性的轮廓,这既考虑到了美观,更重要的是,这种设计降低了机器人的移动质量,显著提高了能源效率。同时,这也让机器人的外观更加人性化,减少了人们的陌生感。
好文章,需要你的鼓励
亚马逊云服务部门与OpenAI签署了一项价值380亿美元的七年协议,为ChatGPT制造商提供数十万块英伟达图形处理单元。这标志着OpenAI从研究实验室向AI行业巨头的转型,该公司已承诺投入1.4万亿美元用于基础设施建设。对于在AI时代竞争中处于劣势的亚马逊而言,这项协议证明了其构建和运营大规模数据中心网络的能力。
Meta FAIR团队发布的CWM是首个将"世界模型"概念引入代码生成的32亿参数开源模型。与传统只学习静态代码的AI不同,CWM通过学习Python执行轨迹和Docker环境交互,真正理解代码运行过程。在SWE-bench等重要测试中表现卓越,为AI编程助手的发展开辟了新方向。
当今最大的AI数据中心耗电量相当于一座小城市。美国数据中心已占全国总电力消费的4%,预计到2028年将升至12%。电力供应已成为数据中心发展的主要制约因素。核能以其清洁、全天候供电特性成为数据中心运营商的新选择。核能项目供应链复杂,需要创新的采购模式、标准化设计、早期参与和数字化工具来确保按时交付。
卡内基梅隆大学研究团队发现AI训练中的"繁荣-崩溃"现象,揭示陈旧数据蕴含丰富信息但被传统方法错误屏蔽。他们提出M2PO方法,通过改进数据筛选策略,使模型即使用256步前的陈旧数据也能达到最新数据的训练效果,准确率最高提升11.2%,为大规模异步AI训练开辟新途径。