Figure「Helix 2.5」：人形机器人零样本泛化到 30 个陌生家庭

一件人类习以为常、机器人做不到的事

9 月 17 日，Figure 发布新一代人形机器人控制模型 Helix 2.5，公司称这是「我们构建过的最先进的神经网络」。它要回答的问题听上去很朴素：一个人走进陌生的家，可以立刻开始干活——不需要因为床的高度不同而重新学一遍铺床，也不会因为家具换了样式就不知道怎么收拾房间。而机器人此前不是这样，它们是「在哪里干活，就在哪里学」，一个地方一个地方地学。

上一代 Helix 02 已经展示过神经策略能协调人形的整个身体完成长程任务：卸载洗碗机、连续 200 小时自主执行物流作业。但这些系统的训练数据，恰恰采自它们将来要工作的那些场所。Helix 2.5 想越过这条线：用一个在人类行为数据集 Index 上预训练出来的基础模型，去支撑从未到过的家。

从 9% 到 56%：一次只改一个变量

Figure 从同一个 Index 预训练底座上派生出三种行为：收拾客厅、叠毛巾、铺床，然后带着机器人走进 30 个湾区住宅。三类任务合在一起，同时考验感知、行走、操作、双手协同与全身控制：收拾房间要求把散落的 13 到 15 件玩具全部拿起放进篮子，叠毛巾要求把毛巾折好放进篮子，铺床则要求两个枕头与被子两个角都到位、被子拉平。

「零样本」在这里有严格定义：评估所用的每一个家庭、每一件被操作的物体，都从未出现在任务说明数据里；机器人使用的是每户人家现成的沙发、床和折叠台面。评估物体在实验开始前就被单独封存，先由 AI 模型、再由人工复核确认它们没有进入任务说明数据。全部 30 个家庭共用同一个固定检查点，权重不针对任何家庭或物体做调整，检查点的挑选也不参考任何评估回合的表现。

最关键的对照实验只有一个变量。Figure 用完全相同的任务说明数据训练两个策略——这份数据里同样不含评估家庭与评估物体：一个从随机权重开始训练，另一个从 Index 预训练的 Helix 2.5 初始化。架构、优化器、超参数、下游数据与评估方式全部固定，唯一差别就是有没有 Index 预训练。

盲测结果：从零开始训练的策略零样本成功率 9%，Index 预训练的策略 56%，提升超过六倍。Figure 的结论是，Helix 2.5 的零样本能力大部分来自 Index 预训练，而不是任务说明数据本身。还有一个能说明预训练宽度的数字：在体量庞大的 Index 预训练集里，任何一个评估任务所占的比例都不超过 1.90%。起点也不同——Helix 02 是从一个预训练的视觉语言模型出发，Helix 2.5 则是完全从随机初始化、在 Index 上预训练出来的。

成功口径同样严格：任务必须整段完成才算成功——每一件玩具都进筐、每一条毛巾都折好、整张床都铺完，Figure 不给部分得分。评分细则在评估开始前就已固定：每件玩具限时 1 分钟，超时即中止该回合；每条毛巾限时 3 分钟，并按四个角能否在 1 英寸内对齐分 A、B、C 三档；枕头必须被拿起并放到床的上三分之一，朝向偏差小于 15 度算好、小于 45 度算差；被子两侧都要被抓起、两个角都要到达床的上三分之一，两角相差 6 英寸以内算好、6 到 12 英寸算差。任何一回合只要需要人工介入以保证安全，该回合就中止并记为失败。

成本减半、自我纠错与一条缩放曲线

预训练是否改变了「指定一个新行为需要多少机器人数据」？Figure 把 Helix 2.5 与一个执行同一任务的旧 Helix 02 策略做了对比。旧策略的训练数据直接采自它被评估的那个环境，而 Helix 2.5 只用了它一半的适配数据就达到相当的成功率——还是跨 30 个陌生家庭零样本完成的。用 Figure 的话说：行为规格的成本减半，泛化范围扩大 30 倍。

预训练还带出一个定性变化：全身自我纠错。长程任务、尤其在不熟悉的环境里，机器人难免做错一步；Helix 2.5 会退回去重新对位、改变站姿，甚至绕到床的另一侧把没折好的角重新处理。Figure 把这种「从错误中恢复并继续推进」的能力，视为 Index 预训练的结果，而不是专门训练出来的技巧。

缩放律曾经改变语言模型的开发方式：下一词预测的误差会随数据与算力增加而可预测地下降，于是小规模实验可以用来预测大规模训练的结果。Figure 想知道，人类经验到机器人的迁移是否也遵守类似规律。他们用 Index 的嵌套子集训练了四个模型，预训练数据量跨度 8 倍，模型规模与下游训练方式保持不变，每个模型都用同一份任务数据微调、在同一份留出的动作预测损失上评估。结果是每把 Index 数据翻一倍，损失就按预期下降；更精确的是可预测性——只用规模较小的几次运行，就能在训练开始前把最大一次运行的测试损失预测到小数点后四位，预测误差只相当于整个 8 倍数据区间变化的 0.54%。Figure 称这是首个在人形机器人上测出的人到机器人迁移缩放律，它衡量的是数据这一维的缩放。

为什么「家」是更难的考场

机器人泛化研究大多发生在为机器让步的环境里：在桌面上工作的机械臂有固定工作空间，轮式机器人需要足够开阔的地面容纳底盘转身。住宅不会这样配合。人形必须作为任务的一部分在住宅里移动，在局促、杂乱的动线里摆正身体，才看得见、够得到、操作得了。于是任务变成全身问题：感知、行走与操作无法分开求解。零样本又把难度推高一层——房间、布局、物体在训练里都没见过，到现场也没有适应期，机器人只能凭已经学到的东西把完整的感知与控制问题解出来，而在这种复杂度上的人形自主行为即便在熟悉环境中也属罕见。

Index 的构建方式值得一提。Figure 用两种嵌入来刻画其中的任务：对每个片段做视频嵌入，再用视觉语言模型对每段的活动与物体描述做文本嵌入，把两者分别聚类成嵌套的语义层级，然后衡量任意一份数据或训练快照在这些语义组上的小时数分布。正是这种广谱的预训练，才支撑得起任意行为的微调，也是 Figure 说「首次在这一规模上做到零样本全身泛化」的依据。

该保留的怀疑也不能省。这是公司自测的结果，不是独立复现的基准，Figure 自己也强调通用人形机器人远未被解决；所谓零样本，限定的是评估环境与被操作的物体，三个任务本身仍由在别处采集的微调数据来指定。56% 意味着接近一半的整段任务没有完成——对家庭场景来说，这个数字指明了方向，但还谈不上可用性。

Figure 给出的下一步仍是大模型那套熟悉的配方：在预训练里广泛地学，把行为一次性指定好，到部署时再泛化。他们披露 Index 正以每秒约 35 分钟人类经验的速度增长，并已承诺 35 亿美元算力用于训练 Helix。一年前，Figure 的判断是机器人行业在模型规模、算力和数据上差了好几个数量级，Index 与 Helix 2.5 是他们给出的答卷。