累计融资约 19 亿的人形机器人公司，签下最高超 60 亿美元算力单：Figure 抢 GPU 比造机器人还烧钱

一家成立至今累计融资约 19 亿美元的人形机器人公司，本周官宣签下了一份金额最高可能超过 60 亿美元的算力合同。合同的上限，大约是它历史上融资总额的三倍还多。也就是说，这家公司花在「租算力」这一件事上的钱，比它过去几年造机器人融到的所有钱加起来还要贵得多。

把荒谬感说破之后，再看新闻本身。9 月 3 日，总部在伦敦的 AI 云公司 Nscale 与 Figure 联合宣布一项多年期战略合作：Nscale 将为 Figure 部署基于 NVIDIA Vera Rubin 平台的算力，规模最多可达 10 万块 GPU，首批计划在 2027 年下半年于美国得克萨斯州 Barstow 上线。合同初始承诺金额为 35 亿美元，双方明确表示意向将扩大到超过 60 亿美元。作为交换，Nscale 将入股 Figure，并成为 Figure 的首选算力提供商。

一、合同拆开看：35 亿起步、60 亿封顶，买的是 10 万块 GPU

这笔交易不是一次性付清的采购，而是一份带明确阶梯的长期算力协议。先把公开的关键数字摆出来。

Nscale 这家公司很多人还不熟，它的直接对手是 CoreWeave、Nebius 这类专为 AI 训练而生的云厂商。与传统云不同，这类公司不追求通用计算全覆盖，而是把数据中心、电力、GPU 集群和上层调度软件打包成「算力即服务」，客户按卡租、按训练任务付费。Nscale 的卖点是垂直整合：自己握有数据中心与低价电力，再叠 NVIDIA 的先进加速卡，省掉中间商。

对 Figure 来说，这份合同解决的是最现实的瓶颈。Figure CEO Brett Adcock 在公告里说得直白：把机器人送进千家万户这件事，眼下主要被两样东西卡住，一个是数据，一个是算力。Figure 上星期刚发布名为 Index 的全球数据采集计划，官方口径是每秒能产生约 35 分钟的真实任务视频；数据在快速累积，但喂给模型做训练的计算资源必须同步跟上，否则数据堆在仓库里没有任何意义。

二、19 亿融资对上 60 亿合同：为什么「买算力」比「造机器人」更烧钱

把两串数字摆在一起，对比格外扎眼。Figure 自成立以来的公开融资累计约 19 亿美元，其中最近一轮是 2025 年的 C 轮，融到超过 10 亿美元、投后估值冲到约 390 亿美元。19 亿美元是它造机器人、建工厂、养研发团队的全部家底。而这一次，仅仅是一份算力采购意向，上限就超过 60 亿美元。

为什么会这样？根子在 Figure 的技术路线。它没有走「把别人的开源模型装进机器人」的轻量路线，而是押注端到端：自己训练一个叫 Helix 的具身大模型，从摄像头画面直接映射到关节动作。端到端模型的能力上限很高，但它是最贪吃算力的那种架构。大语言模型的训练可以靠海量互联网文本，而具身模型需要的是真实的、物理世界的交互数据，采集成本高出一个量级；把这些数据反复训练成稳定策略，需要的算力同样惊人。

换个角度理解：过去两年大家习惯了大模型公司一年烧几十亿美元买算力，那是 OpenAI、Anthropic 这类纯软件公司的故事。现在 Figure 把同一套剧本搬到了机器人行业：一个硬件公司的最大单项支出，不是厂房、不是产线，而是 GPU 算力。人形机器人行业正在复刻大模型行业的资本结构，头部玩家拼的已经不只是机械设计，还有谁能先锁住足够大的算力盘子。

还有一个财务细节值得注意：Figure 为什么不用股权融资去覆盖这笔算力开支？答案是稀释成本。它的估值已经到约 390 亿美元，再靠增发股票去融资几十亿美元，老股东的股权会被明显摊薄；而算力租赁走的是运营开支路径，把一笔可能超过 60 亿美元的资本负担，拆成按训练量浮动的多年服务合同，资产负债表上干净得多。这个结构与 OpenAI 当年拿微软、甲骨文的大额算力承诺、Anthropic 长期租用 AWS 算力是同一套打法：模型公司用远期算力合同锁定供给，把烧钱的压力从股权市场挪到服务合同里，赌的是模型和机器人量产成功之后现金流能接上。

三、不止 Figure：算力军备正从大模型烧到具身智能

Figure 这笔合同更大的意义，在于它揭示了人形机器人行业的竞争维度正在切换。过去判断一家机器人公司强不强，看的是关节电机、减速器、运动控制、量产工厂。现在要多看一项：它有没有拿到足够的算力供给。

这不是 Figure 一家的事。特斯拉的 Optimus 押注自己工厂场景加自研芯片协同，Figure 选择外部租算力再加 Helix 自研模型，1X、Agility 等玩家各自站队，行业里关于「模型要不要自己训」的路线之争，本质上是「算力资源怎么来」的资源配置之争。而 NVIDIA 的角色很微妙：它一面是几乎所有机器人公司训练算力的供应商，一面通过 Isaac Sim、GR00T 等工具往机器人生态里扎，像卖铲人一样通吃整条赛道。Jensen Huang 在 Figure 的公告里专门出来背书，把这套合作称作「物理 AI 的飞轮」：用 NVIDIA 芯片训练、用 Isaac Sim 验证、再部署回机器人本体。

具身模型训练为什么这么吃算力，值得展开讲。Figure 的 Helix 是典型的视觉语言动作模型，输入是高帧率摄像头画面加任务指令，输出是全身关节的运动指令。这类模型的参数量虽然远小于大语言模型，但训练时对数据的多样性和真实度极其敏感。Figure 的 Index 计划号称每秒产生约 35 分钟真实任务视频，一年累计下来就是超过 18 万小时的原始数据；这些数据要清洗、切片、标注、回放，再反复喂给模型做模仿学习和强化学习，每一轮迭代都要把整个数据池重新过一遍。仿真环境可以补充一部分合成数据，但仿真与真实世界之间的差距，决定了机器人公司必须把大量真实数据也搬进训练集群。数据越多、模型越大，算力账单就越吓人，这是物理规律，不是财务技巧。

对云厂商来说，具身智能是一个正在打开的增量市场。大模型训练的算力需求终会见顶或走向分散，而机器人训练需要的是另一种算力：更强调真实世界数据回放、仿真验证与长时程强化学习的组合。Nscale 愿意入股一家机器人公司、签下 60 亿美元意向，赌的正是这个新赛道会像过去两年的生成式 AI 一样，把算力需求再推高一个台阶。

四、给从业者和观察者的三个提醒

第一，看机器人公司别只盯硬件参数，要把「算力账」一起算进去。一家公司的真实竞争位势，取决于模型能力、数据规模和算力供给三条腿，缺一条都会跛脚。第二，对做算力生意的人，具身智能是下一个值得跟的客户群，但要注意交付节奏：Vera Rubin 平台的产能与电力配套才是合同能不能兑现的关键，意向金额不等于实际收入。第三，对普通关注者，真正值得跟踪的是 2027 年下半年 Barstow 首批 GPU 能不能按时点亮，那才是这份 60 亿美元合同从纸面走向现实的第一个观察点。

Figure 用一份比自身融资总额还高的算力合同，把「造机器人要先抢 GPU」这件事摆到了台面上。具身智能的资本故事，从此和大模型一样，先看算力，再看产品。对行业而言，这既是泡沫的警报，也是认真玩家拉开差距的起点。