Figure 将三支团队并入 Helix，核心是打破研发孤岛。本文拆解这次重组对智能工厂落地具身智能、数字孪生与预测性维护的直接启示。
AI人形机器人为何要重组？Helix案例给智能工厂的启示
制造业里有个很现实的矛盾：工厂越来越“智能”，但研发组织往往还停留在“各做各的”。硬件团队盯结构与供应链，嵌入式团队盯实时控制，软件团队盯系统平台，AI团队盯模型与数据。每个团队都很忙，结果却常常是——机器人能动，但不够“会做事”；系统能跑，但现场不够“好用”。
这也是为什么 Figure 在 2025-05-30 公开宣布完成其“史上最大规模重组”：把三个原本相对独立的团队并入 AI 小组 Helix。在外界看来，这是一次组织架构调整；放在“人工智能在制造业与智能工厂”的语境里，我更愿意把它理解为一句话：具身智能的竞争，已经从单点技术比拼，升级为端到端协同效率的比拼。
本文属于「人工智能在机器人产业」系列，我们借 Figure 的 Helix 重组，拆解一个对工厂更有价值的问题：为什么“把人和团队摆对位置”，往往比“再训练一个更大的模型”更能加速智能工厂落地？
Figure 的重组信号：人形机器人商业化不缺模型，缺协同
Figure CEO Brett Adcock 的表态非常直白：Figure 的核心是一家 AI 公司，重组将加快人形机器人商业化进程。表面上是“强调 AI”；实际上传递的是更硬的一层信息：人形机器人要进工厂，瓶颈通常不在某一个模型指标，而在跨团队交付的链路。
从公开信息看，Figure 的核心技术长期分为硬件工程（Hardware）、软件系统（Software Systems）和嵌入式开发（Embedded Systems）等板块。Adcock 之前也提到，商业化需要打破硬件、嵌入式控制与 AI 软件之间的开发孤岛。
这次把三个独立团队并入 Helix，本质是把“最终要对交付结果负责的组织”前置：
- 让 AI 模型对硬件可用性负责：不是模型在云端表现好，而是在真实末端执行器、真实载荷、真实误差下仍能稳定完成任务。
- 让控制与系统对数据闭环负责：没有高质量的现场数据、标注策略、回放与仿真体系，具身模型很快会卡在“演示可行、量产难”的阶段。
- 让工程化节奏围绕任务闭环，而不是围绕部门边界：工厂客户关心的是“这条产线今天能不能稳定跑”，而不是“哪一组的KPI完成了”。
组织结构不是管理话术，它决定了研发链路中“谁为最后 10% 的可用性买单”。而最后 10%，往往决定能不能收款。
Helix 代表的研发范式：把“VLA 具身模型”变成“可交付能力”
Figure 在 3 个月前推出了首个 VLA 具身模型（文中提到的 Felix/Helix 同名体系）。不管命名细节如何，VLA（Vision-Language-Action）这条路线对制造业的意义很明确：从“写规则、配工位、调参数”，转向“用视觉理解场景、用语言接任务、用动作完成操作”。
但很多企业容易误判：以为买一套大模型就能让机器人上岗。现实更接近这样：
1）VLA 的价值在“泛化”，代价在“工程闭环”
VLA 让机器人能理解更开放的任务描述，比如“把左侧托盘上最上面那件放到检具里”，比传统产线机器人更灵活。
代价是工程问题更集中地暴露出来：
- 相机位置偏一点，识别误差就变成抓取失败
- 夹爪磨损、滑移，动作分布就变了
- 现场光照变化、反光、遮挡，感知稳定性下降
- 产线节拍要求 7×24h，模型的偶发失误变成停线风险
所以，VLA 不仅是“模型能力”，更是“系统能力”：数据采集、标定、仿真、回放、在线监控、异常恢复、软件发布机制，缺一不可。
2）把团队并入 Helix：更像是在押注“端到端负责人制”
当硬件/嵌入式/软件与 AI 合并到同一个交付团队，最直接的变化是：
- 需求定义从“接口对齐”变成“任务对齐”
- 迭代节奏从“分段交付”变成“端到端小步快跑”
- 故障复盘从“甩锅”变成“同一张工单同一套指标”
这对智能工厂很关键，因为工厂需要的是可复制的交付模板：同类工位 2 周上线、稳定运行、可远程运维，而不是一次性定制项目。
对智能工厂的直接启示：别只谈“上机器人”，先把“交付体系”做成产品
Figure 的重组之所以值得制造业关注，是因为它映射了一个趋势：工业自动化正在从“设备采购”走向“智能能力订阅”，交付方式必须产品化。
如果你负责智能工厂/工业互联网/自动化改造，下面三点尤其值得对照自查。
1）组织上要围绕“工位闭环”而不是“专业分工”
很多工厂的典型配置是：自动化工程师负责节拍与设备集成，IT 负责系统，算法团队负责视觉或预测。
问题在于，工位上线后最常见的痛点不是“某个模块没做”，而是“边界处没人负责”：
- 相机脏了、光源衰减，谁来处理？
- 误抓导致卡料，谁来定义恢复动作？
- 产线换型，新物料新包装，数据和模型怎么更新？
建议的组织方式是把一个“工位”当成最小产品单元，建立跨职能小队（类似 Helix 的合并逻辑）：
- 现场工艺/产线工程
- 机电与末端执行器
- 控制与嵌入式
- 视觉/具身模型
- 运维与质量
谁对 OEE、停线分钟数、误动作率负责，谁就拥有推动协作的权力。
2）技术上要把“数字孪生 + 回放”当成标配，而不是锦上添花
Helix 这类 AI 核心组真正要解决的，是“现场不可控”。在智能工厂里，最便宜的迭代发生在不上线的时候。
我更推荐把两件事前置：
- 数字孪生/仿真：把工位、夹具、物料、相机位姿做成可复用模型，用于离线验证节拍、碰撞、可达性。
- 数据回放系统：每一次失败都能回放（视频+传感器+控制指令），让问题可复现、可归因、可回归测试。
这两项组合起来，能显著降低“靠现场调参”的比例，是预测性维护、在线质量监测、具身模型迭代的基础设施。
3）指标上要从“准确率”切到“可运营指标”
工厂不会为“模型准确率 98%”买单，但会为这些买单：
- 单工位节拍（秒）与波动
- 连续运行时长（小时）
- 人工介入次数/班次
- 异常恢复时间（分钟）
- 换型时间（分钟）
- 远程运维可达率（%）
把 KPI 从“算法指标”转成“运营指标”，组织协同会自动变得更真实。
2026 年工厂落地的“现实路线”：从单工位复制到多工位编排
站在 2025-12-19 这个时间点看，很多制造企业已经过了“要不要 AI”的阶段，进入“怎么让 AI 在一线稳定赚钱”的阶段。
我对 2026 年的判断是：
- 单工位具身智能会先规模化：优先落地在“抓取-放置、上下料、分拣、包装、简单装配”这类标准化程度更高的任务。
- 多工位协作将变成系统工程：机器人不再是一个设备，而是被 MES/WMS/SCADA 与质量系统编排的“执行节点”。
- 预测性维护会与具身数据打通：同一套数据闭环既服务“设备健康”，也服务“动作策略迭代”。
Figure 的 Helix 重组，恰好踩在这条路线的前半段：先把“端到端交付能力”磨出来，才能谈规模化进入工厂。
给制造业管理者的落地清单：照着做，少走半年弯路
如果你正在推进智能工厂或引入人形/协作机器人，我建议用下面这张清单做一次内部对齐（很具体，也很好用）：
- 明确一个可复制的首工位：目标是 4-8 周上线，而不是“一步到位改整条线”。
- 建立跨团队的工位负责人：把工位当产品，负责人对 OEE 与停线负责。
- 上线前必须具备回放能力：没有回放，就没有工程化迭代。
- 预先定义异常恢复策略：卡料、误抓、掉料、识别失败，每一种都要有“自动/半自动”处理路径。
- 把数据闭环写进合同与验收：数据归属、采集频率、模型更新周期、远程运维边界要提前谈清楚。
这些看起来像“管理动作”，但本质上是在搭建 AI 能力产品化的底座。
结尾：真正的门槛，是把 AI 变成可重复交付的生产力
Figure 把三个团队并入 Helix，传递的不是“我们更重视 AI”这种口号，而是一个更务实的选择：把组织、流程、指标全部对齐到“机器人在真实场景持续稳定工作”这件事上。
对智能工厂来说，道理完全相同。你可以采购很多设备、部署很多系统，但只有当“数据闭环 + 端到端协同 + 可运营指标”同时成立时，AI 才会从演示走向产线。
如果你的工厂准备在 2026 年把具身智能、工业机器人与预测性维护真正跑起来，你更想先从哪个工位开刀？是上下料、分拣，还是装配与质检？