在2月初终结与OpenAI的AI模型合作后，美国机器人创业公司Figure AI周四公开了背后的原因：公司已经研发出更强大的通用具身智能模型Helix。

（来源：Figure AI）

Figure AI强调，Helix是首款能对整个人形机器人上半身（涵盖头部、躯干、手腕及手指）执行高频、连续控制的视觉-语言-动作（VLA）模型。该模型通过直接转化视觉语言模型中的丰富语义知识为机器人动作，成功攻克了人形机器人领域的多项长期难题，显著减少了为每个动作进行大量训练的需求。

为了平衡视觉语言模型的“通用性不足”与机器人视觉运动策略的“快速但不通用”问题，Figure设计了一套互补系统。这两套系统通过端到端训练实现高效通信。

如下图所示，系统2是一个拥有70亿参数的开源、开放权重端侧互联网预训练视觉语言模型，负责理解场景和自然语言；系统1则是一个拥有8000万参数的快速反应视觉运动策略，能够将系统2理解的语义转化为每秒200次的精确连续机器人动作。

（来源：Figure AI）

Figure透露，Helix的训练仅使用了500小时的高质量监督数据，这一数据量不到之前收集的VLA数据集的5%，且无需多机器人数据或多阶段训练。

作为这项科技突破的成果，搭载Helix的机器人现在能够响应自然语言指令，识别并拾取几乎所有小型家居物品，包括成千上万从未见过的物品。在公司提供的案例中，机器人在听到“拿起那个仙人掌”或“拿起沙漠里的东西”时，都能准确选择最接近的玩具，成功从一堆物品中拎出仙人掌玩具。

在实际操作中，配备Helix的Figure机器人仅凭简单的“捡起XX”指令，就成功完成了成千上万次的任务，无需任何提前演示或额外编程。

更令人惊叹的是，Helix是首款能在人形机器人上协同运行的AI模型，使两台机器人能够协作完成一个共享的、长期的操作任务。

在演示案例中，两台模型权重相同的Figure机器人面对一堆首次见到的杂物，自行分类并放置在柜子、冰箱、盆子等收纳位置。

本次挑战的难点在于，研究人员故意将一些物品放在另一台机器人面前，这意味着两台机器人必须协作才能完成摆放。

演示中，机器人之间不仅能互相理解对方并衔接动作，还展现出一种特殊的默契——在交接物品时，两台机器人一定会互相对看一眼，确认彼此的“眼神”。

在演示的最后阶段，Figure展示了更高水平的协作：左边的机器人将果盆拉过来，右边的机器人顺手将水果放入，然后左边的机器人再将果盆放回原位。

在完成首次VLA模型在多机器人之间灵活、可扩展的协作操作后，Figure表示这只是“可能性的冰山一角”，公司期待看到Helix规模扩大1000倍后的潜力。

Figure还透露，Helix完全能够在嵌入式低功耗GPU上运行，现已具备商业部署条件。

据早前报道，在发布机器人AI系统演示的同时，Figure正进行一轮目标15亿美元的融资，估值预计达到395亿美元。相比之下，去年该公司融资时的估值仅为26亿美元，这一对比凸显了当前机器人赛道的火爆程度。

（文章来源：科创板日报）