人类第一次
「看见」机器人上班

直播期间，其中一台机器人（观众叫它 Frank）连续出现操作失误：包裹掉落、抓取方向错误、停顿卡住。聊天室瞬间沸腾——"Frank is having a mental breakdown"、"I'm calling your supervisor now Frank"、"give him a break 💀"。观众们先是幸灾乐祸，然后是一种奇怪的宽慰感：机器原来也会犯错。

真正让人不安的部分是接下来发生的事：Frank 没有停下来等人类干预。Helix-02 内置了自主恢复机制——当机器人检测到任务卡住或出现不熟悉的情况时，AI 系统自动触发重置，然后继续工作。没有人过来帮忙，没有暂停提示，就只是……继续了。聊天室的评论立刻从嘲笑变成了沉默。

传统工业机器人遇到错误会立刻报警停机、等待人工干预——这是设计逻辑，因为机器人不"理解"自己在做什么。但 Helix-02 建立在视觉-触觉-本体感受统一的神经网络上，它有足够的情境理解来判断"这次失败了，让我重新来一次"。这不只是容错能力，是面向不确定性的自主性——一个能自己解决问题的机器人和一个需要人类时时看管的机器人，本质上是两种不同的劳动关系。

Gary 在连续工作 7 小时 44 分钟后，自主走向充电站。Frank 无缝接管传送带。全程没有任何人类介入——这是直播里最安静、也最令人后背发凉的片段之一。

这一刻，整条生产线从人类劳动的视角消失了：它不再需要轮班时间表、班前班后沟通、工头监督、人力调度。整个系统的自我维持能力意味着，这不仅仅是"机器干人类的活"，而是机器系统化地替代了人类劳动的组织结构本身。BigGo Finance 的报道用了一个精准的意象："Gary sorted a staggering 10,000 packages before slowly stepping back—like an office worker clocking out—and walking itself to the charging station." 这种"下班节奏感"不是偶然——System 0 训练于人类运动数据，连"走向充电桩"这样的功能性动作，也被执行得像人类的步态。

直播聊天室里，韩语评论占比异常高，远超韩国观众人口比例的预期。这不是偶然——韩国是全球工业机器人密度最高的国家（每万名工人配备 1,000 台机器人），同时也是仓储物流行业极速扩张的社会：Coupang（酷澎）几乎是韩版亚马逊，高度依赖仓储分拣劳动力。

特别是最后一条——一个人类劳动者在看直播的过程中，突然开始质疑自己工作的意义。这是一种实时的存在主义危机，通过弹幕被公开表达出来。这场直播本质上是一面镜子：数以万计的普通劳动者在直播间里看着自己的工作被一台机器完成，不是在新闻里看报道，不是在 TED 上听专家分析——是实时地、无删减地、每 2.6 秒一次地看着自己被替代。这是 AI 时代一次极为罕见的"公共意识时刻"。

直播从一开始就伴随质疑：是不是循环播放的视频？背后是否有人遥控？摄像机角度是否精心选择以掩盖错误？这种质疑并非没有根据——机器人公司的演示视频中此前确实存在剪辑、人工辅助等情况，波士顿动力、Tesla Optimus 都曾被质疑过。

聊天室里，一个观察敏锐的用户注意到：背景中有一名人类工作人员倒退着走路。"yo that guy walked backwards. can we talk about that??!?!" 一个倒退的人类身影，成了这场直播最有力的真实性证明——它的反常性（人一般不会倒退走）恰恰证明了这是真实发生的、未经剪辑的现场。

这是 Figure 这次营销策略最聪明的地方：与其用一段精心剪辑的 5 分钟 PR 视频，不如用一场无法造假的 119 小时直播。演示视频可以剪掉失败、调整节奏、选择最好的镜头；直播里每一次失败、每一次暂停、每一次重置都实时暴露。Frank 的失误不是失败，而是证明——恰恰是那些失误和自主恢复，最终让所有怀疑者闭嘴。当直播持续到第六天，"造假"的说法自然站不住脚：你无法伪造 119 小时不间断的画面。

直播中，F.03 多次做出一个出人意料的动作：用手触碰自己的头部。聊天室立刻开始质疑——"Is it a guy from India in disguise?"（里面是不是藏了个真人在操控？）这种质疑有历史渊源：1769 年，匈牙利人 Wolfgang von Kempelen 展示了一台会下国际象棋的"机械土耳其人"，棋盘下藏着一位真人棋手。250 年后，互联网观众的第一反应仍是同样的怀疑。

Brett Adcock 在 X 上直接回应了三个字："It's all policy!" 在强化学习语境里，policy（策略函数）指的是从"当前状态"到"执行动作"的映射——机器人摸头这个动作，是神经网络在当前状态下自主计算出的输出，不是预设的、不是人类遥控的，也不是 bug。Helix-02 的 System 0 训练于超过 1,000 小时的人类运动数据，人类思考、暂停时会做出各种细微的自我接触动作，这些模式被神经网络学到了——不是设计，是涌现行为。

另一个不太被注意的细节同样出自涌现：处理塑料气泡袋包裹时，F.03 会用一只手按压包裹表面、另一只手完成抓取，以确保条码扫描成功——这不是预编程的特殊处理，而是 policy 在新情况下自主生成的解法。

2026 年 5 月 17 日（直播第 81 小时），Figure AI 宣布机器人累计处理包裹突破 10 万件，零停机、零人工干预。韩国《首尔经济日报》将这一时刻单独成文报道。从工程角度说，10 万件没有特别含义——第 99,999 件和第 100,001 件没有本质区别；但从叙事角度，这个数字建立了一个可比较的参照物。

美国机器人学专家 Ayanna Howard 的评价点出了这条对照的另一面："The demonstration looks more like a science project than a mature commercial service." 直播任务是标准纸箱、条码清晰、传送带位置固定的单一循环；现实仓储要面对破损包裹、动态堆放、多任务切换与极端环境。机器人目前在受控的理想场景下与人类速度相当，但在长尾异常处理上依然有巨大缺口——这个缺口才是商业化的真正门槛。

支撑这场 119 小时马拉松的是 Helix-02 的 S0/S1/S2 三层架构——理解它，才能理解为什么这台机器可以连续工作而不崩溃。

关键设计是"任务完成度"机制：S1 的动作向量末尾附加一个浮点数，代表自我预测的"当前任务完成百分比"——这让网络可以自主判断任务何时结束，不需要外部停止信号。Gary 的自主交班、Frank 的自主恢复，都依赖这个机制。全部推理在机器人本体完成，没有云端连接，无网络延迟，断网也能继续工作。Helix Logistics 论文里还有一个反直觉发现：用经过质量筛选的 ⅔ 数据训练，比全量未筛选数据吞吐量高出 40%——但要保留"环境随机性导致的纠错行为"，过度清洗反而会伤害策略的鲁棒性。

这场 119 小时的直播不只是一个产品演示——它把行业评估标准从"能不能做"转向了"能做多久"：连续自主运行时长、累计任务量、自主恢复的次数与速度，正在取代那段 2–5 分钟精心剪辑的 demo 视频，成为具身机器人新的行业基准。

它同时暴露了一个更难回答的问题。一位 TechRadar 评论者的话被反复引用："The robots are impressive, but the real question is: who owns the productivity gains? Not the warehouse workers whose jobs disappear, and not society—just Figure AI's shareholders." 这是这场直播里最难被回答的问题，也是最少出现在弹幕里的问题。