Figure 首個 VLA 模型，有效實現人形機器人上半身高效控制。

作者丨吳華秀

編輯丨陳彩嫻

兩週前，Figure 宣佈停止與 Open AI 的聯姻，並丟下一個預告，將會未來 30 天內推出“人形機器人上從未見過的東西”。

勾起不少人好奇心的 Figure，這回終於丟出了一個重磅：將首個自研具身模型 Helix 裝入機器人Figure。Figure 創始人兼 CEO Brett Adcock 表示，有了大腦 Helix 的加持，機器人能夠拾取任何家庭物品。

影片畫面中，一臺桌子，一臺冰箱，兩個機器人合夥一同整理物品，將它們從未見過的物品挨個分門別類放好。動作全程行雲流水，無比絲滑。

尤其是兩機器人傳遞物品時抬頭的那一對望，讓不少網友直呼機器人彷彿有了意識，“原來這就是心電感應”。

這得益於 Helix 對機器人上半身的全控制，其中涵蓋手腕、軀幹、頭部和各個手指，能夠對機器人上半身進行高速率的連續控制。

同時，影片中還罕見地展示了多個機器人間的協作與配合。“多機協作是一個亮點，不過這次 Figure 機器人之間的協作任務還比較簡單。”一位從業者告訴 AI 科技評論，多機協作的互動和規劃會是一個重要課題，但目前優先順序還是讓單一機器人能真正落地幹活，這也是當下機器人廠商普遍的發力點。

在具體任務的執行上，Figure 表示，只要向機器人發話，機器人便能拾取各種各樣從未見過的家庭用品。比如拾取生活中的各種物品，玩具、杯子等等。

不過，正和其他機器人廠商一樣，目前 Helix 仍還處在比較早期的階段。

實現高速上半身控制，達到多機器人協作

Helix 是一個通用的“視覺-語言-感知”（VLA）模型，將感知、語言理解和學習控制統一起來，取得一系列首創：

在對機器人上半身的控制上，Helix 能以 200Hz 頻率協調 35 自由度動作空間，讓機器人的上半身從手指、手腕到頭部的動作流暢高效。頭部與軀幹控制存在獨特挑戰——當頭部移動時，將會改變機器人的接觸距離和視線範圍，以往這種變化會導致機器人不穩定。

影片中，機器人用頭部平穩地跟蹤雙手，同時調整軀幹以獲得最佳範圍，同時保持精確的手指控制以抓握物品。Figure 表示，此前還沒有 VLA 能展示這種程度的實施協調，同時保持多工泛化能力。

Figure 還嘗試了將 Helix 運用在一個高難度多智慧體操作場景中：兩臺 Figure 機器人之間協作實現零樣本雜貨存放。這兩臺機器人都採用了相同的 Helix 模型權重進行操作，不再需要對機器人進行訓練或分配角色，它們之間能透過自然語言進行合作。

如下面影片中所展示的，“將一袋餅乾遞給你右邊的機器人”或“從你左邊的機器人那裡接過一袋餅乾並將餅乾放在開啟的抽屜裡”，兩臺機器人能靈活協同處理問題。

搭載 Helix 的機器人還展現出了強大的泛化能力。只要一個簡單的“拿起 [X]”命令，機器人幾乎能拿起所有的小型家庭用品。在系統測試中，機器人成功處理了雜亂無章的數千件新物品），不需要任何事先演示或自定義程式設計。

更難得的是，Helix 能彌合語言理解與機器控制之間的距離。例如，當指示機器人“撿起沙漠物品”時，Helix 不僅能識別出玩具仙人掌，還能選擇最近的手去抓住物品。這種通用的“語言到動作”的掌握能力，讓機器人部署在非結構化環境中有了新可能。

Figure 創始人 Brett Adcock 表示，團隊花了一年多的時間研發出了 Helix，讓人形機器人無需經過任何訓練、程式碼，就能抓取幾乎任何家庭用品。

首創“系統 1、系統 2” VLA，慢思考與快思考

Helix 是首創的“系統 1、系統 2”VLA 模型，可對人形機器人的整個上半身進行高速、靈巧的控制。

先前的方法面臨著一個取捨：VLM主幹網路具有通用性但速度不快，機器人視覺運動策略速度快但通用不足。而 Helix 透過兩個互補的系統解決了這一權衡，這兩個系統經過端到端的訓練，可以實現通訊：

這種解耦架構允許每個系統在其最佳時間尺度上執行。S2 可以“慢慢思考”高階目標，而 S1 可以“快速思考”以即時執行和調整動作。

Figure 所採用的分層式的架構具備分而治之的優勢，能對不同任務模組進行獨立最佳化和迭代。目前業內分層式架構和一體式架構並存，後者有 1X Technologies、星動紀元等機器人廠商代表。這兩種方案並無顯著優劣之分，都還在探索階段。

與現有方法相比，Helix 的設計有幾個主要優勢：

速度和泛化：Helix 匹配專門的單任務行為克隆策略的速度，同時將零樣本推廣到數千個新穎的測試物件。
可擴充套件性：Helix 直接輸出高維動作空間的連續控制，避免了先前 VLA 方法中使用的複雜動作標記方案，這些方案在低維控制設定（例如二值化並行夾持器）中已取得一些成功，但在高維人形控制中面臨擴充套件挑戰。
架構簡單：Helix 使用標準架構 – 用於系統 2 的開源、開放權重 VLM 和用於 S1 的簡單的基於變壓器的視覺運動策略。
關注點分離：將 S1 和 S2 解耦，我們可以分別在每個系統上進行迭代，而不受尋找統一的觀察空間或動作表示的限制。

Figure表示，Helix 以極少的資源實現了強大的泛化能力，一共使用了約 500 小時的高質量監督資料來訓練 Helix，僅佔此前採集的VLA資料集的一小部分（＜5%），而且不依賴機器人實體收集資料或多階段訓練。

儘管資料要求相對較小，但 Helix 可以擴充套件到更具挑戰性的動作空間，即完整的上半身人形控制，具有高速率、高維度的輸出。

參考連結：https://www.figure.ai/news/helix