Figure zebrało 16 mln nagrań dla humanoidów. Index buduje „internet fizycznych zachowań”

Figure nie pokazało nowego humanoida. Pokazało coś potencjalnie ważniejszego: maszynę do produkowania danych o świecie fizycznym. Index ma zamienić setki tysięcy użytkowników w globalną sieć twórców materiału treningowego dla Helix. Jeżeli strategia zadziała, przewaga w robotyce może coraz częściej wynikać nie tylko z konstrukcji maszyny, lecz z jakości i skali pętli danych.

16 milionów filmów zamiast kolejnego efektownego demo

Figure ujawniło, że Index działał przez około cztery miesiące w trybie stealth. Według danych firmy aplikacja przekroczyła 264 tys. pobrań w 108 krajach, ma ponad 44 tys. aktywnych użytkowników tygodniowo, a twórcy przesłali ponad 16 mln nagrań. Obecny strumień ma odpowiadać 30 minutom filmu przesyłanego w każdej sekundzie. To ogromna skala jak na system zbierania danych robotycznych, ale wszystkie te liczby są dziś raportowane przez Figure, a nie przez zewnętrznego audytora.

Najciekawsze jest to, co użytkownicy nagrywają. Figure wymienia gotowanie, pranie, sprzątanie, pracę w restauracjach, centrach logistycznych, fabrykach, biurach i retailu. Na każde 1000 godzin zaakceptowanych danych firma deklaruje 373 unikalne zadania, 1146 różnych manipulowanych obiektów i 116 środowisk. Ten „długi ogon” codziennych sytuacji jest dokładnie tym, czego brakuje klasycznym datasetom z laboratoriów.

Dlaczego dane są dziś wąskim gardłem Physical AI

LLM-y mogły trenować na gigantycznym korpusie tekstu i obrazu z internetu. Roboty nie mają porównywalnego repozytorium pokazującego, jak człowiek fizycznie działa w tysiącach mieszkań, magazynów i stanowisk pracy. Teleoperacja daje bardzo wartościowe trajektorie, ale jest kosztowna i trudna do skalowania geograficznie. Index próbuje odwrócić ten model: zamiast budować wyłącznie zamknięte farmy teleoperacyjne, Figure płaci zwykłym ludziom za dokumentowanie fizycznych czynności.

Firma podaje, że wypłaciła twórcom już około 15 mln USD i zamierza przeznaczyć ponad 1 mld USD na dane i compute w ciągu kolejnych 12 miesięcy. To pokazuje, jak bardzo koszt budowy ogólnej inteligencji robotycznej przesuwa się z samego hardware’u w stronę data engine, infrastruktury przetwarzania i uczenia modeli.

Pipeline jest równie ważny jak sama liczba nagrań

Figure opisuje pięcioetapowy pipeline: filtrowanie jakości, wykrywanie fraudu, deduplikację, równoważenie zbioru i automatyczne tworzenie wielopoziomowych opisów. Sama liczba filmów nie wystarczy, jeżeli miliony nagrań pokazują te same łatwe czynności w podobnych warunkach. Z punktu widzenia Helix ważniejsza jest różnorodność obiektów, geometrii, sposobów chwytu i błędów człowieka niż surowa liczba klipów.

Figure twierdzi, że wewnętrzne wyniki Helix już potwierdzają korzyści z tej strategii, ale nie opublikowało jeszcze niezależnego benchmarku pozwalającego zmierzyć, ile jakości daje konkretna liczba godzin z Index. To jest najważniejsza luka dowodowa i właśnie na nią będziemy patrzeć przy kolejnych aktualizacjach.

Europa: przewaga danych kontra prywatność

Z europejskiej perspektywy Index ma dwa oblicza. Z jednej strony globalni twórcy mogą wnieść do zbioru europejskie mieszkania, produkty, układy kuchni, magazyny i lokalne sposoby wykonywania zadań, co powinno poprawiać generalizację robotów poza typowo amerykańskimi środowiskami. Z drugiej strony nagrywanie pracy i domów może obejmować wizerunek osób postronnych, informacje poufne, ekrany, dokumenty i dane pracownicze.

Dla firm z UE pytanie nie brzmi więc tylko „czy dane poprawią model?”, ale również „czy zostały zebrane z odpowiednią podstawą prawną, zgodą i kontrolą retencji?”. GDPR, prawa pracownicze i tajemnica przedsiębiorstwa mogą stać się realną barierą dla takiej globalnej fabryki danych. Figure publikuje zasady platformy, ale skala projektu sprawia, że temat prywatności będzie wymagał stałego monitorowania.

Co to zmienia dla rynku humanoidów

Index wzmacnia tezę, że wyścig humanoidów nie będzie wygrany wyłącznie przez firmę z najlepszym napędem czy dłonią. Coraz większą przewagę może dawać sprzężenie zwrotne: więcej robotów i twórców danych → więcej różnorodnych przykładów → lepszy model → łatwiejsze wdrożenia → jeszcze więcej danych. To mechanizm podobny do przewagi platform internetowych, ale przeniesiony do świata fizycznego.

Dla kupującego w 2026 r. nie oznacza to jeszcze, że Figure 03 jest „bardziej autonomiczny” od konkurentów w każdym zadaniu. Oznacza natomiast, że warto oceniać producentów również przez ich zdolność do ciągłego uczenia floty. W naszym przewodniku po humanoidach 2026 rozdzielamy więc dostępność hardware’u od dojrzałości autonomii i zaplecza danych.

Źródła i metodologia

Źródłem pierwotnym jest Figure — Introducing Index, 25.08.2026. Specyfikację Figure 03 weryfikowaliśmy również na oficjalnej stronie robota. Skala Index, liczba użytkowników, filmów i wypłat są deklaracjami Figure; RoboMorrow nie ma niezależnego audytu tych metryk i nie testowało Helix ani Figure 03.

RoboMorrow Reality Check: dane nie są jeszcze autonomią

Index jest mocnym sygnałem strategicznym, ale nie powinien być mylony z dowodem gotowości Figure 03 do pracy bez nadzoru. Film pokazujący człowieka wykonującego zadanie może pomóc modelowi nauczyć się semantyki, kolejności czynności i zależności między obiektami, lecz droga od obserwacji do niezawodnej polityki sterowania nadal obejmuje transfer do konkretnego ciała robota, ograniczenia bezpieczeństwa, percepcję w czasie rzeczywistym i obsługę błędów. W praktyce najważniejszym testem Index będzie więc nie liczba klipów, ale to, czy kolejne wersje Helix pokażą mierzalny wzrost skuteczności na nowych zadaniach i w nowych środowiskach.

Dla rynku to również przypomnienie, że przewaga danych może być trudna do skopiowania. Hardware można reverse-engineerować, komponenty kupować od tych samych dostawców, a ceny napędów z czasem spadają. Dobrze zaprojektowany zbiór danych, pipeline oceny jakości i pętla wdrożenie–uczenie mogą natomiast kumulować przewagę miesiąc po miesiącu. Jeżeli Figure rzeczywiście utrzyma globalną skalę Index, konkurenci będą musieli odpowiedzieć własnymi data engines, partnerstwami lub syntetycznym generowaniem danych.

Na dziś najlepsza interpretacja jest więc ostrożna: Index nie rozstrzyga wyścigu humanoidów, ale przesuwa dyskusję z „kto ma najbardziej efektownego robota” w stronę pytania „kto potrafi systematycznie uczyć flotę świata fizycznego”. To jest dokładnie ten rodzaj infrastruktury, który może decydować o różnicy między demonstracją a produktem pracującym codziennie.