离开OpenAI后，Figure展示「你从未见过的机器人能力」，通用VLA表现炸裂

作者 / RoboX‍‍‍‍‍

本月初，AI 机器人公司 Figure 刚刚宣布与OpenAI终止合作，并表示 Figure 在完全自主研发的端到端机器人 AI 方面取得了重大突破，还承诺「将展示一些从未在人形机器人上见过的东西」。

昨日（2月20日），Figure通过一段视频，展示了其通用的VLA模型——Helix可达到的能力，这也引发了具身智能行业的集体关注。

在视频中，两台Figure 02人形机器人互相协作，将首次见到的物体归类，放置于它们应当放置的地方（例如冰箱、碗等等）。

它们虽然动作较慢，但十分流畅，甚至还有类似人类的「眼神交流」和「点头示意」，合作起来非常自然。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

Figure方面表示，Helix可以用于所有机器人的所有任务，通用性和泛化能力极强。‍‍‍

据介绍，与以往的方法不同，Helix使用单一的一组神经网络权重，来学习所有行为——包括抓取和放置物品、使用抽屉和冰箱以及机器人之间的交互——而无需进行任何针对特定任务的微调。

该系统包含两个主要组件：S2（一个视觉-语言模型（VLM）主干网络）和S1（一个潜在条件视觉运动Transformer）。

S2基于一个拥有70亿参数的开源、开放权重的VLM构建，该模型在互联网规模的数据上进行了预训练。它处理单目机器人图像和机器人状态信息（包括手腕姿态和手指位置），并将这些信息投影到视觉-语言嵌入空间中。

结合指定期望行为的自然语言指令，S2将所有与任务相关的语义信息提炼成一个单一的连续潜在向量，并将其传递给S1以调节其低级动作。

而S1是一个拥有8000万参数的交叉注意力编码器-解码器Transformer，负责低级控制。

虽然S1接收与S2相同的图像和状态输入，但它以更高的频率处理这些信息，以实现更灵敏的闭环控制。S2的潜在向量被投影到S1的标记空间中，并与S1视觉主干网络的视觉特征在序列维度上进行拼接，从而为任务提供条件。

S1以200赫兹的频率输出完整的人形上半身控制，包括期望的手腕姿态、手指屈曲和外展控制，以及躯干和头部的方向目标。

据Figure方面介绍，以往的方法面临一个根本性的权衡：VLM主干网络具有通用性，但速度不快，而机器人的视觉运动策略速度快，但不具有通用性。

Helix通过两个互补的系统解决了这一权衡问题，这两个系统经过端到端的训练以进行通信：

系统2（S2）：一个车载的、在互联网上预训练的VLM，以7-9赫兹的速度运行，用于场景理解和语言理解，能够在不同的物体和情境中实现广泛的泛化。

系统1 (S1)：一种快速响应的视觉运动策略，能将系统2 (S2) 产生的潜在语义表征转化为精确的连续机器人动作，动作频率为200赫兹。

这种解耦架构允许每个系统在其最佳时间尺度上运行。S2可以“慢慢思考”高层次的目标，而S1可以“快速思考”以实时执行和调整动作。

由此，Helix开创了如下先河：

全身上部控制：Helix是首个能够输出整个人形上半身高频连续控制的VLA模型，包括手腕、躯干、头部和单个手指。

多机器人协作：Helix是首个能够同时在两台机器人上运行的VLA模型，使它们能够共同解决一个涉及之前从未见过的物品的长期操作任务。

抓取任何物品：配备Helix的人形机器人现在只需遵循自然语言提示，就能抓取几乎任何小型家用物品，包括数千种之前从未遇到过的物品。

单一神经网络：与以往的方法不同，Helix使用单一组神经网络权重来学习所有行为——抓取和放置物品、使用抽屉和冰箱以及机器人之间的交互——而无需进行任何针对特定任务的微调。

商业就绪：Helix是首个完全在嵌入式低功耗GPU上运行的VLA模型，使其立即具备商业部署的条件。

同时，Helix也具备如下特点：

速度和泛化能力：Helix的速度与专门用于单一任务的行为克隆策略相匹配，同时能够零样本泛化到数千个新的测试对象。

可扩展性：Helix直接输出高维动作空间的连续控制，避免了先前视频语言代理（VLA）方法中使用的复杂动作标记方案。这些方法在低维控制设置（如二进制并行夹持器）中取得了一些成功，但在高维类人控制方面面临扩展挑战。

架构简洁性：Helix使用标准架构——一个开源、开放权重的视觉语言模型（VLM）作为系统2，以及一个基于简单Transformer的视觉运动策略作为S1。

关注点分离：将S1和S2解耦，使其能够分别对每个系统进行迭代，而无需受到寻找统一观察空间或动作表征的限制。