機器人前瞻（公衆號：robot_pro）

作者 | 鍾宸

編輯 | 漠影

機器人前瞻9月18日報道，今天，Figure發布了新模型Helix 2.5，這是其迄今為止構建的最先進的神經網絡模型。

Figure將這一模型帶到了30個真實的家庭環境中，並表示模型幫助機器人實現了零樣本的全身自主行為（Zero-shot whole-body autonomy），這是在這種規模上，首次實現了人形機器人零樣本全身行為泛化能力的演示。

同時，Figure將單一的預訓練基礎模型應用於三種不同的行為：移動、剛性及可變形物體的操控、雙手協調運動，以及主動感知能力。

Figure還透露，只要保持任務特定數據（task-specific data）、架構、訓練方法和評估方式不變，僅通過Index（Figure面向全球規模構建的機器人數據集項目）預訓練就能將零樣本識別的成功率從9%提高到56%，且該模型也驗證了人機轉換的Scaling Law（A Human-to-Humanoid Robot Transfer Scaling Law）。

另外，在Helix 2.5中，所需的任務特定數據僅為Helix 02的一半。

一、展示四小時實機視頻，可整理房間、鋪床和疊毛巾

Figure在X上展示了約四個小時的視頻，包含Helix-2.5在真實家庭完成整理房間、鋪床、疊毛巾的長程任務演示，無需在任何環境或操控物體的過程中進行數據收集、微調或適應處理（collection,fine-tuning,or adaptation）。

Figure表示，這是首次在這一規模上，實現人形機器人零樣本全身行為泛化能力的演示。

Figure放出的演示視頻中，Helix 2.5的表現較為驚豔。工作人員故意把物品扔得滿屋都是，機器人便在整個屋子裏來回搜尋，一件一件撿起來，放進人類遞來的籃子，最後還不忘記把籃子放到客廳角落裏。整個流程耗時約一分半。

真正令人眼前一亮的是一個細節：撿最後一件物品時，機器人第一次抓取失敗了，但它沒有停下求助，而是換了個角度重新嘗試。

Helix-2.5先是擺正枕頭，再將被子鋪平，甚至還記得把床沿處垂下來的被角也掖好整理。一套動作下來，比人類還要細心一點。

疊毛巾任務中，面對四條毛巾，Helix 2.5都是先攤開、再對摺，過程中還不斷調整鋪平，動作幾乎沒出過錯，只是四條毛巾疊完足足花了五分多鐘，精準有餘，速度尚待打磨。

另外，據Figure透露，該模型擁有從錯誤中恢復的能力。

當面臨諸如未撿起物體、拿起被子失敗的錯誤時，機器人會後退一步，重新定位自己，然後圍繞環境移動，以糾正錯誤並完成那些需要長期規劃的任務。

二、承諾投入超200億算力，Index預訓練產生泛化能力

Figure指出，在訓練過程中，模型必須利用已有的知識來解決整個感知與控制問題。在複雜的任務中實現自主行為，即使在熟悉的環境中也極為罕見。該公司稱，Helix 2.5是第一個能夠在家中、且面對從未接觸過的物體時實現這一能力的模型。

Figure還想要弄清楚，Helix 2.5的零樣本泛化能力究竟是來自於Index預訓練，還是來自於具體的任務數據本身？

於是，Figure在相同的任務特定數據上訓練了兩種策略，這些數據中並不包含任何評估樣本或對象信息。

其中一個策略以隨機權重初始化，另一個則基於Index預訓練的Helix 2.5模型進行初始化。

Figure發現，Index預訓練是Helix 2.5零樣本能力實現的一大因素。在盲測中，從零開始訓練的策略在測試中的成功率為9%，而採用Index預訓練的策略則取得了 56%的成功率。

Figure還將Helix 2.5與Helix 02進行了比較。Helix 02是通過在評估後的環境中直接收集的數據進行訓練的。Helix 2.5在使用的數據量僅為Helix 02的一半的情況下，仍然取得了與Helix 02相當的成功率。

另外，Figure還驗證了人機轉換的Scaling Law。

該公司在擴展了8倍預訓練數據的Index數據集上訓練了四個模型，同時保持模型規模不變，也不對下游訓練方式進行更改。這些模型都在相同的任務數據上進行微調，並且以相同的動作預測損失（held-out action-prediction loss）作為評估標準。

而隨着數據的增加，損失也會相應減少。Figure指出，這是首次在人形機器人身上觀察到這種Scaling Law，即Index預訓練規模擴大，可以改善後續機器人行為的預測效果。

同時，Figure透露，兩者的關係相關性足夠準確，還可以進行預測。僅通過較小的樣本，Figure就能在訓練開始之前，將最大值的測試誤差預測到四位小數的精度，在數據範圍擴大的過程中，預測誤差僅為0.54%。

目前，Figure稱，Index每秒大約能生成35分鐘的新人類經驗數據。為了訓練Helix模型，其已承諾投入35億美元（約合234.43億元人民幣）的算力資源。

結語：高額投入，砸出一條Scaling Law

在X（原推特）上，部分網友對這一成果表示認可，還希望能夠儘快用上這個機器人。

但也有人表示，需要觀察這個模型能不能完成更多的任務。

但不可否認的是，Figure用真實任務證明，Index預訓練能將零樣本成功率從9%拉到56%，且擴大預訓練數據可持續改善下游行為預測，這一定程度上證明，具身智能的數據飛輪開始具備可預測、可擴展的工程範式。

當然，超兩百億的承諾算力投入又提醒着所有人，這條路的門檻極高。但當機器人能用一半的任務數據達到同等效果，具身模型的路線圖已愈發清晰。接下來的懸念是：誰能以更低成本，跑通這條Scaling Law曲線？

技術博客：https://www.figure.ai/news/helix-2-5-zero-shot-30-home-generalization

X鏈接：https://x.com/Figure_robot/status/2100657350952779925