我不想给人留下我们今年就能解决所有问题的印象，但我们正为此非常努力。这是一件重要的事。你肯定希望为机器人制定规则，并将其存储在非易失性存储器中，明确规定它能做什么、不能做什么。你不希望任何人在任何情况下都能获得对机器人的超级用户访问权限。我们现在正在做的许多工作，对于未来在全球推广数百万台机器人至关重要。

Logan Kilpatrick：

我一直在思考一件事，听起来你似乎也同意近两年的一个共识：即使我们很快拥有了AI超级智能，我也不会感到惊讶。但当我望向窗外、走出家门，现实世界看起来和现在并无二致。构建数字智能并不会直接（至少在短期内）改变我们周围的物理世界。人类在物理世界的生活方式将非常相似。但在数字世界，情况会大不相同，因为你将拥有按需的智能。

Logan Kilpatrick：

但听起来你认为，人形机器人技术是我们在现实世界中加速进步的方式。你对实现这一目标的时间线有何看法？指数增长起初可能非常缓慢，但随后会真正腾飞。我很好奇你对此的看法。

Brett Adcock：

（现实世界）感觉不像未来，对吧？虽然功能有些进步，但还不是未来的样子。我确实认为未来会有一个时代：人形机器人为人类做各种事情，我们乘坐飞行汽车出行。我坚信这就是我们所有人的未来。正是这种信念驱使我投身于现在的公司和项目，因为我觉得这些事对创造一个激动人心的未来至关重要。

我还想补充一点，我们正朝着数字超级智能迈进，而且感觉它已近在咫尺。如今，超级智能生活在服务器的盒子里。我致力于人形机器人研究的原因之一就是数据。在我看来，如果我们无法解决人形机器人的问题，却接近了数字超级智能，那将是一种危险的情景。届时，我们将拥有大量为人类工作的数字代理，它们需要（或要求）在现实世界中完成大量任务。如果届时我们还没有解决人形机器人的问题，这些数字代理就可能会要求、强迫、指挥或花钱雇佣人类来完成这些物理任务。

机器人技术的隐私与网络安全

Brett Adcock：

我们会成为数字超级智能的奴隶，而人形机器人是实现这一目标的理想部署载体。它能像人类一样做大多数事情，需要具备语义智能，才能在混乱的环境中穿越现实世界。它就是完美的外形尺寸，你在家里的吸尘器或其他任何东西里都找不到这种能力。就像你刚才说的，那些设备没有硬件支持。

所以我认为，你首先会看到人形机器人被部署在极少数地方，全天候工作。如果你有幸能去看看，就会感叹，感觉一切都运转起来了。我想这可能就是我们现在乘坐 Waymo 时的共同感受。但是，美国大部分地区并没有 Waymo。所以当我和我母亲打电话时，她说在伊利诺伊州的中部，然后我说我的机器人就在这里。这种事每天都在发生，机器人正在工作，但目前规模有限。

我们认为，会看到在一个非常渐进的过程中，我们越来越投入，也学到了很多东西。我们需要学习如何进行整合、如何运作可靠性、如何开展维护以及如何进行人机交互。我们致力于扩大扩展学习的运作方式。作为一家公司，我们正试图通过部署机器人并将其推向世界来找到答案。我们在商业环境中几乎每天都运行机器人，所以我们正在获得真实的体验，试图弄清楚这一点。

我觉得在这个阶段，我们已经学到了很多，现在正努力让更多机器人投入使用。然后，随着我们投放更多机器人，管理更大规模的机群将变得更加困难，同时，我们需要的“照看”工作可能会比过去减少一些。然后在某个时刻，我们真的会攻克这个难题，并且能够向全世界投放数亿个机器人。能够生产出几十万台机器人和生产出几百万台机器人之间不会有太大差别。

你必须拥有现有的技术，干预率必须极低。默认的UI需要支持语音，你需要拥有泛化学习能力。你需要达到一定规模，才能实现向人类学习这类事情。你需要通过特定的规模来解决这些问题。

Brett Adcock：

我们下一个重大目标是在未来四年内推出10万台机器人。我们新开设的制造工厂就能实现这个产能。而且我们现在已经开始制造 Figure 01 了，它们实际上在运行，在自主工作。我们希望在未来四年内，将业务拓展到这些领域。如果我们能达到这个数量，我们认为就正走在向世界输送数百万台机器人的轨道上。

和软件不同，我们没办法像数字信息一样无限复制。但我认为最大的障碍是，走进某个地方，看到它实际运转起来。这好像是整个问题中最棘手的部分。例如，在我们刚刚展示的包裹分拣工作中，机器人能够自主工作，这是通过 Helix 模型完成的。我想我们刚刚发布的最新版本只增加了大约60小时的数据。在此之前，机器人完全不知道如何处理物流。我们向其输入了60小时的数据，它就完成了我们向大家展示的所有工作。从宏观角度来看，这根本算不了什么。

所以我们能够开始收集数亿甚至数十亿小时的人类演示数据。我认为我们能够将这些产品的规模扩大到十亿级别，并将其推广到世界的每一个角落。我认为，这是我们必须经历的阶段，因为硬件问题难度极大，而且我们必须学习如何进行规模化整合。

Logan Kilpatrick：

是的，关于这个问题我有一个简短的后续问题：你认为快速学习过程在多大程度上得益于世界知识的压缩？我不知道你们的模型是基于什么构建的，但我们这个生态系统似乎正在探索如何将越来越多的世界知识压缩到更小的模型中。你们是否也因此直接受益，即模型因为已经内置了大量知识而学得更快？