9月17日，美国人形机器人公司Figure发布Helix 2.5，称其为该公司构建的最先进神经网络。与此前在实验室环境中的能力展示不同，Figure将测试场景转移至30个此前未接触过的真实家庭，要求机器人完成整理客厅、折叠毛巾和铺床三项任务，且未提前采集环境数据，也未针对这些家庭进行模型微调。
Figure公布的数据显示，经过人类行为数据集Index预训练的Helix 2.5，在零样本测试中的完整任务成功率达到56％；作为对照，从零开始训练、其他条件一致的模型成功率仅为9％。Figure称，使用Index预训练后，模型零样本任务成功率提升超过6倍。据称，Helix 2.5是首个在家庭环境中面对从未接触过的物体、零次尝试即实现该目标的系统。
三项任务看似日常，但测试条件并未被简化。客厅中待整理的玩具和小型物品在形状、大小、硬度和材质上各不相同，机器人需在陌生房间内找到13至15件物品并从不同位置收入篮子；毛巾存在尺寸、颜色、厚度和纹理差异；床铺则使用了不同材质、重量和颜色的床罩、被子和枕头。各家庭的家具、地面、灯光和操作空间均不相同，床的高度、床架结构和离地间隙也存在差异。物品初始摆放同样未加控制：玩具被随意扔在地板、沙发和桌子上，毛巾被随手丢在桌面，被子和枕头被故意弄乱。
Figure将这一能力称为全身智能，即同时考验视觉感知、移动、抓取、双手协同以及全身控制。目前多数机器人泛化能力研究围绕机器构建的环境展开，桌面机械臂工作空间固定，轮式机器人需要足够开放空间。家庭环境不具备这些条件，人形机器人必须在其中移动并调整身体位置，才能观察、够到并操作狭小杂乱空间中的物体。
Helix 2.5泛化能力的背后是Figure在数据策略上的调整。今年8月，Figure推出数据平台Index，将其定义为全球规模的人类行为数据集。据Figure公布的信息，Index已覆盖108个国家，拥有超过4.4万名周活跃数据贡献者，累计上传超过1600万段视频，数据来源覆盖家庭、餐厅、物流、工厂和办公室等真实环境。与传统机器人数据集不同，Index并非单纯记录机器人完成任务的数据，而是先大量收集人类在物理世界中的行为，再让机器人从这些人类经验中进行基础预训练。
Helix 2.5从随机初始化开始，完全使用Index进行预训练，之后通过任务数据让同一基础模型分别适配三项具体任务。这一路径改变了传统机器人学习围绕具体任务采集数据的思路。Figure在Index数据集的嵌套子集上训练了四个模型，预训练数据规模扩大到原来的8倍，机器人动作预测的loss随数据增加持续下降。Figure据此提出human-to-humanoid robot transfer scaling law，试图证明人类经验向机器人能力的迁移可能存在类似大模型训练中的规模效应。
30个家庭、3类任务仍是有限的测试范围，且任务主要集中在家庭环境，这组数据尚不足以说明人形机器人已实现开箱即用。但从实验设计来看，Figure试图回答的问题已从机器人能否学会某项技能，转向机器人能否将技能迁移至未见过的环境。若模型只能在训练过的房间整理玩具，其价值更接近高度优化的自动化系统；若进入陌生家庭面对不同家具和物体仍能完成相同任务，机器人基础模型的价值才开始显现。大规模人类行为数据正在从训练数据的补充角色，转变为机器人基础模型获得通用能力的重要来源。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
