390 亿 Figure、200 美元手套 Sunday、远程司机 Weave：三家机器人公司扎进洗衣房抢数据

2026 年 8 月，硅谷最值钱的三家机器人公司不约而同做起了同一件事：叠衣服。

Figure AI 的人形机器人 Figure 02 挥舞着多指机械手，把毛巾对折、压平、摞齐，全程端到端神经网络控制。Sunday Robotics 的轮式机器人 Memo 用两只钳形夹爪抓起袜子，在 785 次尝试中成功了 778 次。Weave Robotics 的固定式叠衣机 Isaac 0 已在加州用户家中运行数月；，今秋发货。两款机器都靠远程操作员兜底，AI 搞不定时由人类接管。

三家公司合计融资数十亿美元。，估值 390 亿美元；，估值 11.5 亿美元；，。

但让它们挤进同一条赛道的，不是洗衣本身，而是洗衣背后的同一个赌注：谁能以最低成本、最大规模地将人类操作变成机器人训练数据，谁就先拿到家用机器人市场的入场券。

"技术一直不够，然后一夜之间什么都变了"

，"很长一段时间里，技术就是不够。然后，一夜之间，什么都变了。"

Dogrusoz 指的"变"，是机器人学习范式在两年内的彻底转向。过去教会机器人叠一件 T 恤可能需要工程师手工编写每一个动作轨迹。如今，端到端神经网络可以直接从传感器像素输出电机指令。前提是喂给它足够多的高质量人类演示数据。

机器人学家、斯佩尔曼学院院长 Ayanna Howard 对将叠衣服称为机器人学"长期以来的圣杯"。衣服可变形的特性让这项任务极其棘手：毛巾会皱、袜子会团、衬衫会滑。没有固定几何形状可以记忆，也没有唯一的"正确抓点"。人类凭指尖直觉摸边缘、捏衣角、顺势抹平。这些动作直到最近才开始被机器人复现。

。关键细节不是机器人叠得多好，而是 Helix 的架构完全没有改动：模型参数、训练超参数保持原样，仅更换了数据集。"同一套架构，只换数据，"Figure 在博客中写道，"从工业物流无缝切换到家务劳动。"

：依赖遥操作（人类远程遥控机器人）采集数据会陷入"数据死锁"：没有大规模部署就攒不够数据，没有数据就造不出智能，没有智能就无法部署。他们在 2025 年 11 月的博客中写道："除非我们发明比遥操作高效几个数量级的方法，否则收集通用机器人所需的数据将需要几十年。这太慢了。"

洗衣为什么成了机器人的终极入学考试

选洗衣作为第一个突破口不是偶然。

它足够难。毛巾、T 恤、运动裤、衬衫：每种面料的垂坠感、摩擦力和形变方式各不相同。机器人需要在没有固定几何参照的情况下识别物品边界，在布料滑动时实时调整力度，在面料自身遮挡时推测折叠状态。，模型"完全不需要显式的物体级表征"，因为对毛巾这种高度可变形物体来说，建立表征"脆弱且不可靠"。

它足够普适。几乎每个家庭都有洗衣需求，训练数据和商业场景高度重叠。。测试家庭与训练数据完全不重合，模型参数冻结，没有任何上门调试。最终成功率 99.1%，778 次成功，7 次失败。

它也足够标准化，可以被量化评估。Sunday 不仅报告了成功率，还给每一件叠好的衣物打分：五星制，平均 4.72 分，98.3% 获得四星或五星。每件衣物从抓取到摞好，中位耗时 2 分 13 秒。这些数字比任何加速演示视频都更有说服力。

但洗衣同时暴露了各家能力的真实边界。，遇到复杂情况需要远程操作员介入，一筐衣服耗时 30 到 90 分钟。，成功率 94.7%。轻薄材质提供的稳定几何线索最少，直接拖了后腿。Figure 的人形机器人目前主要承担工业物流任务，洗衣仍是展示项目而非在售产品功能。

三条路，同一座山：三种数据策略拆解

三家公司在数据采集上的分歧，比硬件形态的差异更大。

Sunday：200 美元手套 + 500 个家庭。 Sunday 的核心赌注是。这副传感器手套量产成本约 200 美元。相比之下，一套完整遥操作设备通常需要 20,000 美元。Sunday 招募了数百名"记忆开发者"（Memory Developers），让他们在家戴着手套做家务，手套记录下高保真的动作和力度数据。。

Sunday 的关键发明是 Skill Transform，一套将人类手套数据转换成机器人可执行指令的软件管道。手套和机器人手爪共享完全相同的几何结构和传感器布局，。这意味着每一段人类家务视频都可以直接变成机器人训练数据，无需机器人在现场。Sunday 的 ACT-1 模型正是完全依靠这种"零机器人数据"方式训练出来的。

Figure：遥操作大军 + 规模化预训练。 Figure 走的是更传统的路线，但规模前所未有。，公司的招聘页面列出了一整条数据产线：Helix AI 研究员、视频预训练工程师、数据基础设施工程师、遥操作硬件工程师、Helix 数据创作者，以及人形机器人"飞行员"。这些人穿着传感器或遥操作设备，引导机器人执行行为，采集训练数据并上传到 Figure 的训练系统。

，目标是以互联网规模进行人形机器人预训练，并宣布与 Brookfield 资产管理公司合作，利用后者旗下超过 10 万套住宅、5 亿平方英尺商业空间采集人类行为数据。Figure 还报告了一个关键里程碑：Helix 在仅使用 100% 人类第一视角视频训练的情况下，实现了零样本的语音导航——"走到厨房桌子前""去给植物浇水"，完全不需要机器人演示数据。

Weave：直接卖进用户家，边用边学。 Weave 选择了最激进的路径：先卖产品，再靠产品反哺数据。Isaac 0 是一个固定式叠衣机，Isaac 1 升级为轮式移动机器人，可在房间内巡游、捡脏衣服、叠好放回。。AI 搞不定时，人类介入。公司在公开声明中承认了这一点，把 Isaac 比作早期自动驾驶：承诺最终全自主，当前靠远程安全员兜底。

这种"人机混合"模式让 Weave 获得了竞争对手没有的东西：真实用户反馈。据，Weave 部署的机器人数量已经超过公司员工数。每台 Isaac 在用户家中运行的每一分钟，都在为下一代模型制造训练数据。

从"会叠"到"叠得可靠"：家用机器人的及格线正在被重画

过去，一家机器人公司只需要发一段 30 秒的加速视频就能制造轰动。现在，：785 次尝试，7 次失败，每一段都可以点开看。

Sunday 提出了一套叫"Solve"的评估框架：一项能力只有在明确声明的范围内、以可测量的可靠性、在给定的适配成本下反复成功，才算"被解决"。是九类衣物、XXS 到 8XL 尺码、多种面料颜色厚度、未见过的房间和光照条件。适配成本为零：不调参，不上门。

指出了这套框架的强弱两面。强在透明：它是目前家用操作机器人领域最详尽的第一方可靠性报告之一。弱在独立：仍是公司自测自评，没有第三方复制，也没有报告远程干预次数、安全停止次数、连续运行时长或家庭层面的结果分布。

而在图景的另一端，Figure 今年 5 月让两台人形机器人在直播间里连续分拣包裹超过 80 小时，处理了超过 10 万件包裹。，机器人与一名实习生的 10 小时比赛结果：人类 12,924 件，机器人 12,732 件，差距仅 192 件。但 Ayanna Howard 在同一篇报道中指出，技术仍未就绪：条码朝向错误、包裹被撞下传送带——速度够了，准确度还差一口气。

这恰恰是三家公司在洗衣战场上反复演练的东西：不只要"会做"，还要在没人看着的时候"持续做对"。

数据产线才是真正的赛点

Figure 估值 390 亿、Sunday 估值 11.5 亿、Weave 谨慎地控制着约 20 人的团队。三家公司的估值差了不止一个数量级，但赌的是同一件事：谁的数据飞轮先转起来。

Sunday 的答案是用 200 美元的硬件撬动 500 个家庭的数据贡献，训练出在未见过的房间里 99.1% 成功率的策略。Figure 的答案是砸钱建一条从遥操作员到预训练集群的完整数据供应链，再拉上 Brookfield 的 10 万套住宅作为数据猎场。Weave 的答案是把产品塞进用户家里，让每一次远程介入都变成下一版模型的养分。

没有一条路被证明是对的。但有一点已经清楚：在这个赛场上，硬件参数和演示视频正在加速贬值。决定谁能先走进普通人客厅的，是哪家公司能最快、最便宜地让人类的手，通过手套、遥操作杆或远程屏幕，教会机器人的手。