Figure 01

它能聽會説，動作靈活，能和人類描述眼前看到的一切。根據創始人的介紹，Figure 01通過端到端神經網絡，可以和人類自如對話。基於OpenAI提供的視覺理解和語言理解能力，它能完成快速、簡單、靈巧的動作。模型只説是一個視覺語言大模型，是否為GPT-4V不得而知。它還能規劃動作、有短期記憶能力、用語言解釋它的推理過程。

它使用了OpenAI訓練的視覺語言模型，機器人攝像頭會以10Hz拍下畫面，然後神經網絡將以200Hz輸出24自由度動作（手腕+手指關節角度）。 ^[1] 

Figure，創立於2022年，與OpenAI合作將多模態大模型的能力擴展到機器人的感知、推理和交互上，“開發能夠取代人類進行體力勞動的人形機器人”。 ^[1]