Η ανακοίνωση του Figure 03 σηματοδοτεί ιστορικό ορόσημο για τη ρομποτική τεχνητή νοημοσύνη. Ενώ τα παλαιότερα ρομπότ βασίζονταν σε υβριδικές μεθόδους, το Figure 03 καθοδηγείται εξ ολοκλήρου από ένα νευρωνικό δίκτυο όρασης-γλώσσας-δράσης (VLA).
Λειτουργώντας σε συχνότητα 100Hz, το σύστημα επεξεργάζεται εικόνα από 4K κάμερες και υπολογίζει τις κινήσεις των αρθρώσεων σε πραγματικό χρόνο.
Σε δοκιμές στο εργοστάσιο της BMW, το Figure 03 τοποθέτησε μεταλλικά εξαρτήματα με ακρίβεια χιλιοστού σε ταχύτητες ισάξιες με έμπειρους τεχνικούς.