机器人架构的路线之争
2026年2月，Figure AI宣布与OpenAI终止合作，转向完全自研端到端神经网络——这一事件引爆了机器人控制架构的路线之争。端到端（End-to-End）和模块化（Modular）两种架构各有拥趸，行业正处于关键的分岔路口。
模块化架构：经典三层范式
将机器人控制系统分为感知→规划→控制的串联管线：
- 感知层：SLAM、目标检测、位姿估计
- 规划层：任务规划（TAMP）、运动规划（RRT*/TrajOpt）
- 控制层：PID/MPC/阻抗控制执行
优势：可解释性强（每层输出可检查）、安全可验证、模块可独立升级
劣势：信息瓶颈（层间传递丢失细节）、误差累积、无法处理未建模场景
端到端架构：一个神经网络搞定一切
传感器输入→神经网络→动作输出，中间无显式模块划分：
优势：性能上限高（无信息瓶颈）、泛化潜力大、简化系统工程
劣势：黑箱不可解释、安全难保证、需要海量训练数据
为什么Figure选择了端到端？
Figure CEO Brett Adcock表示："模块化架构的上限不够高——你永远无法用人工编写的感知→规划→控制管线达到人类的灵巧水平。" Figure在2026年展示了自研端到端网络在30天内取得的突破，包括从抽屉中取物品等此前未能完成的任务。关键进展：Figure 3系统实现了感知-决策-执行0.3秒闭环，搭载NVIDIA Jetson Thor（2070 TFLOPS）。
产业界的务实选择
尽管端到端路线引人注目，大多数工业机器人企业采取务实态度：
- 工业场景：仍以模块化为主，因为需要确定性、可追溯、安全认证
- 前沿探索：端到端用于非结构化操作研究，模块化作为兜底安全层
- 混合架构：用端到端VLA做高层任务理解，模块化做底层安全执行——这是当前主流共识
参考：Figure AI技术博客、ICRA 2026 Panel讨论、MIT/Stanford机器人架构综述