AI 组织重组启示：Figure Helix 合并如何映射智能工厂协同

2025-12-19 早间，一条看似“内部管理新闻”在机器人圈里引发了不少讨论：Figure 创始人兼 CEO Brett Adcock 表示，公司完成了史上最大规模重组，把三个独立团队并入 AI 小组 Helix。他没有公布具体人事变化，但释放的信号很明确——Figure 想用组织结构把“具身智能”这件事做成。

我更关心的不是 Figure 到底合并了哪些人，而是这件事对制造业和智能工厂意味着什么。很多工厂的数字化项目失败，并不是因为算法不够强，而是“硬件、控制、软件、数据”被拆成了互相甩锅的烟囱。Figure 这次把团队并到 Helix，本质上是在用组织手段解决系统协同问题。

这篇文章放在我们的《人工智能在机器人产业》系列里，想讲清三件事：Figure 为什么要合并、这种合并对应了制造业哪些痛点、制造企业如何把“打破孤岛”变成可落地的工程体系。

Figure 合并到 Helix：表面是重组，核心是“控制权回到 AI”

Figure 的动作可以用一句话概括：把与 AI 强耦合的能力，从“支持部门”拉回到“核心产品团队”。在具身智能和人形机器人里，AI 不是一个可插拔的软件模块，它决定了机器人能否在真实世界里稳定执行任务。

公开资料显示，Figure 的核心技术部门长期划分为硬件工程（Hardware）、软件系统（Software Systems）和嵌入式开发（Embedded Systems）。这也是大多数机器人公司和自动化公司最常见的切法：

• 硬件团队关注结构、驱动、传感器、可靠性与成本
• 嵌入式团队关注实时控制、通讯、固件与安全
• 软件系统团队关注调度、日志、平台与部署
• AI 团队（Helix）关注感知、决策、学习与通用控制

问题在于：当人形机器人要实现“通用智能控制”时，AI 必须深度参与硬件选型、控制环路设计、数据采集策略和系统容错。如果 AI 只能在最后“接个接口”，那就会变成一套漂亮但脆弱的 Demo。

Figure 三个月前推出的首个 VLA 具身模型 Felix（与 Helix 同名/强相关）所强调的“突破”目标，就是为其人形机器人提供更通用的智能控制能力。把团队合并进 Helix，意味着公司要把以下事情做成闭环：

1. 数据从哪来、怎么采、怎么标、怎么回流
2. 模型输出如何落到控制指令、如何做安全约束
3. 现场失败如何复盘、如何变成下一轮训练素材

在具身智能里，“组织结构”往往决定了数据闭环速度；数据闭环速度决定了商业化节奏。

智能工厂最缺的不是 AI，而是“跨域协同的工程能力”

把 Figure 的重组映射到制造业，你会发现非常像：很多工厂上了 MES、WMS、SCADA、ERP，又加了工业互联网平台，最后还是解决不了“产线不稳、良率波动、换线慢、设备停机多”。原因常常不是系统不够多，而是系统之间的责任边界把问题切碎了。

典型“技术孤岛”长什么样

在智能工厂场景里，孤岛通常表现为三类断点：

• 数据断点：设备数据在 PLC/SCADA，质量数据在 QMS，工艺参数在 Excel，设备维保在 EAM。AI 项目启动时，80% 时间花在对齐字段与口径。
• 控制断点：算法只能“建议”，不能“闭环控制”。模型预测到异常，但无法自动调整工艺参数，最终变成“报警系统升级版”。
• 指标断点：IT 追求上线，OT 追求稳定，质量部门追求合规，生产追求产能。KPI 不同，协同就会变慢。

Figure 的做法相当于在组织上承认：AI/控制/系统是一个产品，不是三套项目。对工厂来说，这种承认非常关键——你想要的是“更稳的产线”，而不是“更多的系统”。

为什么 2025 年这个问题更紧迫

2025 年制造业的现实压力更直接：

• 订单波动加大，小批量多品种成为常态，换线频率上升
• 用工结构变化，熟练工缺口扩大，经验难以复制
• 能耗与碳指标更硬，单位产品能耗波动会直接影响利润

这些问题都指向一个结论：工厂需要更强的自适应能力。而自适应能力不是“再买一套软件”就能得到的，它来自跨域协同：数据、模型、控制、现场工程必须是一条链。

从 Helix 到智能工厂：把“通用智能控制”翻译成工厂能用的语言

Figure 讲的通用智能控制，在工厂里可以拆成三类可落地能力。别把它想得太玄，它更像是“把复杂系统从人工调参，推进到模型驱动的闭环优化”。

1）类比数字孪生：用可解释的“过程模型”承接 AI

很多企业做数字孪生卡在“建模成本高、维护困难”。更务实的路径是：

• 对关键瓶颈工序建立轻量孪生（只建关键变量与约束）
• 用孪生做边界条件与安全约束
• 用 AI 做预测与策略搜索

这种组合的好处是：AI 不会变成黑箱瞎调参数，现场工程师也更愿意接纳。

2）类比预测性维护：把“报警”升级为“处置策略”

预测性维护常见的尴尬是：模型说“可能会坏”，但不告诉你“现在该怎么做”。把 Helix 式的闭环思维引入，就是要把输出从“概率”变成“行动”：

• 建议在 48 小时内更换哪个部件
• 将某台设备负载从 85% 下调到 70% 持续 3 小时
• 在下一批次把某个工艺参数收紧到某区间

这需要 AI 团队、设备工程、工艺工程共同对结果负责，而不是各自提交报告。

3）类比机器人协作：把多系统调度统一成“生产意图”

智能工厂里常见“多机器人、多工站、多系统”的调度难题：AGV、机械臂、立库、产线节拍彼此牵制。更高层的做法是把调度目标从“设备效率”提升到“生产意图”，例如：

• 今天优先保证交期，允许能耗上升 3%
• 本周优先提升良率，允许节拍下降 5%

当目标变成可计算的意图，AI 才能在复杂约束下给出全局最优或次优策略。

制造企业如何借鉴 Figure：三步打破“硬件-控制-AI”烟囱

组织协同不是口号，得落在机制上。下面这三步我见过最有效，尤其适合正在推进智能工厂、又被数据和责任边界拖慢的团队。

第一步：建立“一个负责人”的闭环小队（而不是跨部门周会）

Figure 把团队并入 Helix，本质是在减少跨部门接口。工厂里也一样：请把关键场景（例如涂装良率、压铸缺陷、包装节拍）组织成一个小队，满足三点：

• 一个业务负责人：对产能/良率/能耗的结果负责
• 一个技术负责人：对数据链路、模型、上线质量负责
• 现场工程常驻：对传感器、采集、工艺约束负责

跨部门周会只能同步信息，闭环小队才能对结果负责。

第二步：用“统一数据口径”替代“统一平台”

很多企业一上来就想统一平台，结果陷入平台改造年年做、效果年年弱。更现实的路线是先统一口径：

• 统一设备、工单、批次、物料、工艺参数的主数据编码
• 明确采样频率、缺失值策略、时间戳对齐规则
• 规定“可用于闭环控制”的数据必须满足的质量门槛

口径统一后，平台选择反而变简单。

第三步：把上线标准写成“可验收”的工程指标

AI 项目最怕“上线即结束”。建议把验收写成硬指标，典型可以这样定：

• 稳定性：连续运行 30 天，关键指标（误报率/漏报率/停机率）满足阈值
• 收益：良率提升 ≥ 1.5 个百分点，或 OEE 提升 ≥ 3 个百分点（按单产线计）
• 响应：从异常发现到处置建议输出 ≤ 60 秒
• 回流：每周至少一次模型复训/规则更新，并有变更记录

当指标可验收，跨部门就会自动对齐。

People Also Ask：工厂管理者最常追问的两个问题

AI 与自动化团队合并，会不会让组织更混乱？

短期会更“吵”，但长期更清晰。原因很简单：过去大家靠接口文档协作，现在要靠共同的指标协作。只要 KPI 统一（例如良率、节拍、停机时间），争论反而能加速决策。

人形机器人离工厂大规模落地还有多远？

我倾向于一个判断：先在“高变动、低结构化、人工依赖强”的工序落地，再扩展到更复杂的跨工段任务。真正的门槛不是行走，而是数据闭环、可靠性、安全与总拥有成本（TCO）。Figure 这类公司强调自己是 AI 公司，本质就是在抢“闭环速度”。

写在最后：智能制造的胜负，往往从组织架构开始

Figure 把三个独立团队并入 Helix，传递的不是“我们又搞了个新部门”，而是一个更硬的态度：具身智能要跑起来，必须让硬件、嵌入式控制与 AI 软件同频协作。这对智能工厂同样适用。

如果你正在推进智能工厂，别只盯着“上哪些系统、买哪些设备”。先问一句更尖锐的问题：我们有没有把最关键的场景做成跨域闭环？如果没有，组织怎么改、数据怎么回流、控制怎么接管，才是真正的起点。

下一篇《人工智能在机器人产业》系列文章，我想继续聊：当机器人与工厂的 AI 平台连成一张网，如何用“统一生产意图”把多机器人调度、能耗优化与质量控制串成一套体系？你所在的工厂，最想先闭环哪个场景？