Rozwój humanoidowych robotów odbywał się powoli przez niemal dwa dziesięciolecia. Jednak dzięki współpracy między Figure AI i OpenAI, miało miejsce gwałtowne przyspieszenie w tej dziedzinie. Efektem jest zadziwiające wideo, w którym pokazano robota Figure 01 z nowym Modelem Języka Wizualnego (VLM), który przekształcił go w robota sci-fi o możliwościach zbliżonych do C-3PO. W wideo, Figure 01 jest umieszczony za stołem z talerzem, jabłkiem i filiżanką, a na lewo znajduje się ociekacz. Przed robotem znajduje się człowiek, który pyta, "Figure 01, co teraz widzisz?" Po chwili Figure 01 odpowiada niezwykle ludzkim głosem (choć nie ma twarzy) i szczegółowo opisuje wszystko na stole oraz osobę przed nim. Zadziwiony, pomyślałem, "To jest niesamowite. " Następnie osoba pyta, "Hej, czy mogę coś zjeść?" Figure 01 pewnie odpowiada, "Oczywiście, " i umiejętnie podnosi jabłko, podając je tej osobie. Nie mogłem powstrzymać się od wykrzyku, "Woah. " Kolejno, osoba opróżnia kosz zgniecionych śmieci przed Figure 01, pytając, "Czy możesz wyjaśnić, dlaczego właśnie to zrobiłeś, podnosząc ten śmieć?" Nie tracąc czasu, Figure 01 tłumaczy swoje rozumowanie, umieszczając papier z powrotem do kosza. "Podałem ci jabłko, ponieważ jest to jedyny jadalny przedmiot, który mogłem ci zaoferować ze stołu. " Z podziwem mówiłem sam do siebie, "To nie może być prawdziwe. " Jednak według Figure AI, jest to właśnie prawda. Rozumowanie z mowy na mowę odgrywa ważną rolę w zdolnościach Figure 01, ponieważ wykorzystuje w tym celu wcześniej przeszkolony multimodalny model OpenAI, VLM, do rozumienia obrazów i tekstów.

Polega on na konwersacyjnej interakcji głosowej w celu formułowania odpowiedzi, co odróżnia go od GPT-4 OpenAI, który skupia się przede wszystkim na pisemnych sugestiach. Ponadto, Figure 01 wykorzystuje technikę "naukowego manipulowania na niskim poziomie dwoma rękami". System łączy precyzyjną kalibrację obrazu z siecią neuronową, aby kontrolować swoje ruchy, operując na poziomie piksela. Figure AI stwierdziło: "Te sieci przetwarzają obraz na pokładzie z częstotliwością 10 Hz i generują działania 24-stopni swobody (pozy nadgarstków i kąty stawów palców) z częstotliwością 200 Hz. " Figure AI twierdzi, że każde zachowanie przedstawione w wideo jest wynikiem uczenia systemu, a Figure 01 nie jest obsługiwany zdalnie, co wyklucza jakiekolwiek podejrzenia manipulacji. Bez własnej obserwacji Figure 01 i zadawania własnych pytań trudno jest zweryfikować te twierdzenia. Istnieje możliwość, że ta rutyna była wielokrotnie powtarzana przez Figure 01. Być może jest to setne powtórzenie, co tłumaczy imponującą szybkość i płynność. Ale jeśli to jest naprawdę 100% prawda, muszę powiedzieć, "Wow. " Po prostu wow.