专栏名称: APPSO

让智能手机更好用的秘密。

刚甩掉 OpenAI 转身就爆火，Figure 机器人收拾家务视频刷屏全网，默契配合看傻网友

APPSO · 公众号 · app · 2025-02-21 12:16

正文

与 OpenAI 官宣「分手」后，人形机器人公司 Figure 在 X 平台放出狂言，宣称其内部 AI 模型取得重大突破，将在接下来的 30 天内展示前所未见的创新成果。

这一天的到来没有让我们等太久，Figure 深夜正式发布通用具身智能模型 Helix。

Figure 创始人 Brett Adcock 在 X 平台发文称， Helix 团队的目标是攻克通用机器人技术——让每个家庭都能拥有一台机器人 ，虽然还有很长的路要走，但目前的成果已经初见成效。

「介绍 Helix，我们最新的 AI，它的思维方式更接近人类。要让机器人真正走进家庭，我们需要能力上的巨大飞跃。Helix 能够适应并操作任何家居物品。」

具体来说，Helix 是一种通用的视觉-语言-行动（VLA）模型，它融合了感知、语言理解和学习控制能力，旨在解决机器人技术中长期存在的多个难题。

按照 Figure 的说法，Helix 在多个方面实现了行业首创：

Helix 是 首个能够对整个人形机器人上半身进行高速连续控制的 VLA，包括手腕、躯干、头部以及单个手指。

Helix 是首个能够同时运行在两台机器人上的 VLA，使它们能够协作完成一个共享的长时任务，即便面对的是从未见过的物品。

配备 Helix 的 Figure 机器人现在几乎可以拾取任何小型家用物品，包括成千上万种它们以前从未接触过的物品， 只需遵循自然语言指令即可完成操作。

与以往的方法不同，Helix 仅使用一组神经网络权重来学习所有行为——从拾取和放置物品，到使用抽屉和冰箱，再到跨机器人交互—— 无需针对特定任务进行额外微调。

Helix 是首个完全运行在嵌入式低功耗 GPU 上的 VLA，意味着它已具备直接商业化部署的能力。

比技术报告更直击人心当属 Figure 官方发布的演示视频。

还是熟悉的家庭场景，画面中的男人三言两语就给两个 Figure 02 机器人交代了任务—— 运用 Helix AI 模型，推理眼前这些第一次看到的物品所属的位置，然后协作收拾好。

这对机器人搭档收拾家务主打一个行云流水，当机器人递过来一个苹果，另一个机器人秒 Get 同伴的心思，主动递过去一个黑色大碗，搭配暗黑色调，赛博朋克风格拉满。

分类冷藏，这对机器人搭档分工明确，配合默契，整理完还不忘关上冰箱门，比一些真人室友还要靠谱。

一个递，一个放，手脚相当麻利。

脑子也很灵活，让其捡起眼前「沙漠物品」，它二话不说就能在众多物品中准确拣出仙人掌玩偶。

一些 X 网友甚至将这一成果比作「人形机器人领域的 iPhone 时刻」。

虽然这种评价有些夸大其词，但 Helix 确实解决了家用机器人领域长期以来的一个核心难题，在理想的家庭场景中，你可以简单地告诉机器人做某事，它就会去做。

但与标准化的工业环境不同，家庭场景复杂多变，衣物可能皱皱巴巴地散落在各处，餐具可能有着不同的形状和材质，甚至每天都会出现全新的物品，这对家庭机器人的适应能力提出了极高的要求。

传统的解决方案往往需要投入大量资源。一种是请博士级专家花费大量时间为每个具体任务编写专门的程序；另一种是通过数千次反复示范来训练机器人学习特定动作。

显而易见，这些方法不仅耗时费力，而且成本高昂，难以在家用机器人领域大规模普及。基于此，Figure 团队提出了一个新的解题思路。

既然 AI 在图像识别、语言理解等领域已经展现出强大的学习能力和即时泛化能力，那为什么不利用视觉语言模型（VLM）中积累的丰富语义知识来指导机器人行为，特别是这些模型通过对互联网大规模数据的学习，已经积累了大量关于物体、场景和行为的常识性知识。

点子有了，但路还没有走通。

如何从 VLM 中提取这些常识性知识，并将其转化为可泛化的机器人控制？而这正是打造 Helix 的核心目标—— 让机器人能真正理解和执行各种复杂任务，使其具备更强的适应能力。

与传统机器人系统相比，Helix 最大的优势在于无需繁琐的任务演示或复杂的编程，就能自主完成从简单的物品抓取到复杂的协作任务等多样化操作。

作为评价机器人智能水平的关键指标，机器人能否自主处理未见过的场景和物品，将决定其实用价值。

凭借强大的泛化能力，Figure 机器人能够通过自然语言指令，识别和操作数千种不同形状、大小、颜色和材质的家居用品，即使是从未见过的物品也能准确处理。

技术层面上，Helix 的运作依赖于两个紧密配合的系统。一个是负责高层语义理解的 System 2（S2，7B 参数），另一个是负责实时控制的 System 1（S1，80M 参数）。

用更通俗的话来说，S2 负责「思考」，S1 负责「行动」。 其中，S2 系统以 7-9Hz 的频率运行，持续处理机器人摄像头拍摄的画面和接收到的语言指令，将其转化为机器人可以理解的行为指令。

而 S1 系统则以 200Hz 高频率运行，基于 S2 的指令和实时环境数据，精确控制机器人的每个动作。

为了支持这种高效运算，每台配备 Helix 的 Figure 机器人都装有双低功耗嵌入式 GPU，通过高效的并行计算实现流畅的控制效果。

在实际应用场景中，Figure 02 不仅能精确控制每一个手指的动作、手臂的运动轨迹、头部的转向和身体姿态，更重要的是实现了实时整体协调效果。

执行任务时，Figure 02 机器人能像人类一样自然地移动双手，同时调整头部和身体位置，以获得最佳的操作视角和活动范围。

据 Figure 官方介绍，这种全身协调的精准控制在机器人领域是一个重大突破，因为身体各部位的移动会相互影响，形成复杂的连锁反应，传统技术往往很难解决这个问题。

Helix 的另一个重大突破则是实现了真正的多机器人协作。

在测试中，两台 Figure 机器人共享同一套模型权重，无需为每台机器人单独训练或进行多阶段训练，仅通过简单的语言指令就能默契配合。

比如，当系统收到「把饼干袋递给右边的机器人」，接着「将饼干袋放入抽屉」这样的连续指令时，两台机器人能完美配合完成任务，即使是首次遇到的物品也能手拿把掐。

降低训练成本是推动机器人普及的关键。通过采用端到端的训练方法，Helix 能够直接从原始像素和文本命令映射到连续动作。

据悉，Helix 仅使用了约 500 小时的高质量监督数据（仅为传统方案的 5%），却实现了更强的泛化能力。而且，Helix 还通过梯度反向传播和时间偏移机制，让训练成果能够顺利地应用到实际场景中。