Figure AI于近日发布Helix 2.5，宣称首次在人形机器人上测得「人类到机器人迁移scaling law」。这家估值390亿美元的未上市人形机器人公司在旧金山湾区租下30套住宅，将机器人直接运至现场执行整理客厅、铺床和折叠毛巾三类任务，并公布了完整测试数据：420次测试中成功237次，完整任务成功率为56％。
与过往Helix系列在光线良好的样板间完成演示不同，Helix 2.5此次的测试环境为真实住宅。Figure AI表示，团队此前未进入这些住宅采集机器人数据，也未针对其中的床、枕头、毛巾和玩具进行微调，每种行为均使用同一固定版本完成测试。公司创始人Brett Adcock将这一能力描述为「要在一套从未进入过的房子里，折叠它从未见过的毛巾」。
技术路径上，Helix 2.5与此前的Helix 02存在明显差异。Helix 02从已完成预训练的视觉语言模型出发，再使用机器人数据学习动作，其训练数据来自机器人最终工作的环境，换一个场景往往需要重新采集数据。Helix 2.5则从随机初始化开始，先在Figure AI的人类行为数据集Index上完成预训练，再使用任务数据分别适配整理玩具、折叠毛巾和铺床三种行为。
Figure AI为三项任务各进行了140次测试。铺床成功94次，成功率约67％；折叠毛巾成功87次，成功率约62％；整理玩具成功56次，成功率40％。测试中，Helix 2.5表现出全身纠错动作，当发现操作位置不合适时会后退并重新调整站姿，处理床铺时也会移动到另一侧继续完成任务。在相同测试中，未经Index预训练的对照模型成功率仅约9％。
Figure AI在技术博客中公布了scaling law相关实验：使用1倍、2倍、4倍和8倍四个不同规模的Index数据集训练模型，固定模型大小、下游任务数据和评估方法，仅增加人类行为预训练数据。结果显示，数据量每翻一倍，模型预测机器人下一步动作的误差都会继续下降。公司使用前三组实验预测最大规模训练的结果，最终误差仅为整个变化区间的0.54％。
不过，这一宣称在机器人行业引发了少见的公开质疑。Sunday Robotics联合创始人Tony Zhao直接指出，237次成功意味着机器人接近一半时间会失败。Stealth CEO Nikolai Ensslen的说法更为尖锐，认为这组数据恰恰证明Figure AI使用的模仿学习系统不能泛化。Figure AI认为自己摸到了机器人版scaling law，两位同行看到的却是一条可能根本走不通的路线。
机器人领域长期缺乏类似大语言模型的scaling law。机器人数据昂贵、规模小，且来自不同硬件、任务和环境，一家公司即使将某个任务的成功率做到很高，也难以判断增加十倍数据后其他任务是否会同步改善。此前将scaling law作为核心叙事的机器人创业公司主要是Generalist，其在2025年发布GEN-0时展示了预训练数据、模型规模与下游表现之间的关系，并宣称机器人进入类似大语言模型的预训练时代。
Figure AI已为这一方向准备了相应算力投入。公司与Nscale签署的合作协议包含3
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。
