机器人公司买算力，像极了结构生物学买GPU

把 Figure 与 Nscale 的 35 亿美元算力协议看成机器人新闻，容易；看成基础设施新闻，才有点意思。它像实验室里买服务器：表面是芯片数量，底层是电力、冷却、数据回流和验证闭环。

我这几天在试 AI推理节点，之前用 GPU集群跑 AlphaFold3，感受很直接：模型能跑起来和实验能稳定产出，是两件事。Figure 这次计划部署最多 10 万片 NVIDIA Vera Rubin，Nscale 又对外说合同收入很高，平均期限 5.7 年。这个结构很像云厂商签长约，把 GPU、机房、电力、网络打包成可预测现金流。Anthropic 与 Nscale 约 450 亿美元的协议也类似，租大约 460 兆瓦，锁定六年。算力开始像电力一样被定价。

但机器人不是蛋白质。AlphaFold2 在 Nature 2021 证明，多序列比对和结构模块能把序列推成高精度结构；AlphaFold3 在 Nature 2024 扩展到复合物，这个模型在生物数据上的表现强，靠的不只是算力，还有 PDB、冷冻电镜、MSA、物理约束和湿实验验证。湿实验和干实验的 gap，不是多几张卡能填。Figure 买算力，买的是视觉-语言-动作模型的训练和推理预算，但真实容错率要来自抓取失败、光照变化、地面摩擦、电池衰减、现场网络抖动。我之前看场景赛，感觉也类似，百米冲刺好看，场景赛的下限才值钱。

这里能分出两条路线。Nscale 做的是 AI 云基础设施，长约绑定大模型公司和机器人公司，赚容量、电力和资本开支的规模效应。Figure 做的是具身智能闭环，算力外包，但数据、动作策略和部署留在自己手里。前者像公共 GPU 集群，弹性高，通用性强；后者像专用蛋白预测管线，任务窄，但每个环节都要调。这个模型在生物数据上的表现，往往取决于数据格式、并行化、缓存和评测；机器人也一样，10 万片芯片不可能都长在机器人本体上，更多是给训练、仿真和批量推理用。本体真正要的是低延迟、小模型、稳定执行。

RT-2 这类论文把视觉语言模型迁移到动作 token，PaLM-E 也尝试让大模型接上机器人状态。它们说明模型可以统一表示，但动作环境比蛋白结构更脏。蛋白预测有相对标准的输入输出，机器人面对的是非结构化世界。于是训练算力越大，越需要高保真仿真、遥操作数据和现场评测。否则只是把错误规模化。

我更关心的是合同数字背后的质量。这笔合同收入听起来猛，平均 5.7 年也给了现金流叙事，但 AI 云的核心风险不是有没有 GPU，而是电力能不能落地、液冷能不能交付、芯片代际会不会把旧容量迅速压价。矿场机柜改推理我昨天刚碰过，硬件便宜不等于便宜，运维、散热和稳定性才是门槛。Figure 这笔钱如果真能换来机器人长期稳定干活，它就不是买卡，而是买一条数据回流管道。如果换不来，它可能只是把试错成本推迟到下一次 IPO。

等到 10 万片 Vera Rubin 点亮的时候，机器人公司到底是更接近 AlphaFold 那种可验证的预测引擎，还是更接近一个昂贵的仿真机房，这个问题可能比融资金额更值得盯。

---

📌 本文编译自 Bloomberg Tech，原文：https://www.bloomberg.com/news/articles/2026-09-03/nscale-backs-robot-firm-figure-alongside-3-5-billion-cloud-deal

版权归原作者所有，本文为基于公开报道的编译与独立分析。