从一个地方一个模型，到零样本泛化
Figure AI 在 9 月 17 日发布 Helix 2.5，称其为公司迄今构建的最先进神经网络。此前的 Helix 02 已经展示过全身协同能力，包括从洗碗机取放餐具、连续 200 小时自主执行物流任务，但它的训练数据全部采集自机器人实际作业的场地。Helix 2.5 要回答的是一个更难的问题：人形机器人能否走进一个完全没见过的家庭，不做任何微调或环境适配，直接开始干活？
答案是三项全身任务：整理客厅、叠毛巾、铺床。这三项任务各自都需要感知、行走、操作、双手协调和全身控制的组合。在真实家庭这种为人类而非机器设计的逼仄空间里，机器必须整体调整身体姿态才能看清、够到和操作物体，因此感知、行走与操作无法拆开单独求解。
9% 对 56%：预训练才是关键变量
评测在旧金山湾区 30 户此前从未采集过任何数据的真实家庭中进行。所有评测用的玩具、毛巾、床品都没有出现在任务规格数据里，机器只能使用每户家庭原有的沙发、床和折叠台面。评分不设部分分：13 到 15 件散落玩具必须全部收进篮子，毛巾四个角要对齐到一英寸以内，被子和两个枕头都要铺到床面上三分之一。任何人工介入都会直接判定失败。
为了隔离预训练的贡献，Figure 用完全相同的任务规格数据训练了两个策略，架构、优化方法、超参数、下游数据和评测条件全部固定，唯一变量是初始化方式。从随机权重开始训练的策略零样本成功率只有 9%，而基于 Index 预训练的 Helix 2.5 达到 56%，高出六倍以上。Index 是 Figure 打造的大规模人类行为数据集，2026 年 8 月 25 日上线，目前已积累超过 1600 万段视频，向数据贡献者支付了 1500 万美元。
我们没有解决通用人形机器人问题。但 Helix 2.5 是第一个证据，说明全身智能可以从人类经验中学习并迁移到全新场景，而不是每换一个地方就要重新搭建一次。
从人类视频到机器人动作的缩放定律
Figure 还报告了另一项更值得关注的结果：在固定模型规模和下游训练的前提下，用 Index 数据的不同子集训练四个模型，可见 Index 预训练数据每翻一倍，下游动作预测损失都会平滑下降。团队称，他们用较小的几次训练结果预测了最大一次训练的测试损失，精确到小数点后四位，预测误差只占整个 8 倍数据区间内变异量的 0.54%。Figure 称之为首个在人形机器人上测得的人类到机器人迁移缩放定律，并强调这只衡量了数据规模这一维度。
数据效率上，Helix 2.5 用了 Helix 02 一半的任务适配数据，匹配了后者的成功率，同时把泛化范围从单一环境扩展到 30 个陌生家庭，即行为规格成本降低一半、覆盖范围扩大 30 倍。当然需要清醒看待：56% 意味着仍有 44% 的完整任务以失败告终，而且评测标准由 Figure 自己设计和打分，这套系统离可以无人看管地放进真实家庭还有相当距离。
参考来源：Figure 官方博客 https://www.figure.ai/news/helix-2-5-zero-shot-30-home-generalization
粤公网安备44130202001736号