人可以走進一間陌生的屋子，立刻開始幹活，我們基於對物理世界的認知，能夠在不同環境之間遷移，但讓機器人做到這點卻很難。
所以關於“具身智能的ChatGPT時刻”, 宇樹科技王興興曾提出一個衡量標準是，在80%的陌生場景中，通過語音或文字指令，機器人能夠順利完成大約80%的任務。
現在，這個目標被Figure初步摸到了門檻。
今天，Figure公司推出最新一代神經網路模型Helix 2.5，能夠讓人形機器人進入不同陌生環境實現長時序的全身協同作業。
人形機器人能否走進一間從未見過的房間，依靠全身自主控制，立刻投入工作？為驗證這一點，該團隊使用自建的面向全球的人類行為資料集Index對Helix 2.5開展預訓練。
基於這個基礎模型，Figure機器人實現了三類作業能力：整理客廳、摺疊毛巾以及鋪床。隨後，該團隊將機器人帶到舊金山灣區的30戶家庭中，這些家庭沒有採集過任何前期資料，但絲毫不影響Figure機器人的幹活兒能力。
官方稱，這是人形機器人首次在該規模下完成零樣本全身泛化驗證，同時也證明：全身智能可以從人類行為經驗中學習，並遷移至全新場景，而不必每換一個環境就重新搭建整套能力。
Helix 2.5可在這30個從未見過的住宅環境裡完成三項長時序任務，全程無需在這些場景、操作對象上採集資料、微調模型或做環境適配。
Index預訓練是泛化能力的核心。在保持任務專屬資料、模型架構、訓練方式與評估方案不變的前提下，僅依靠Index預訓練，就將零樣本任務成功率提升數倍。
大部分機器人泛化相關研究，環境都是專門給機器量身打造的。桌面機械臂只能在固定範圍內幹活；輪式機器人需要足夠空曠的地面，才能移動和轉彎，但家裡的環境不會遷就機器人。
人形機器人必須一邊幹活一邊移動，調整自己的身體姿勢，在狹小雜亂的空間裡觀察、伸手、操作物品，而別的形態機器人並不能很好滿足。
零樣本泛化進一步提高了難度。機器人在訓練期間從未見過房間、佈局或物體，到達目的地後也無法進行適應，它必須利用已有的知識來解決完整的感知和控制問題。
Helix 2.5能做到零樣本幹活，能力主要來自Index預訓練，還是單純靠任務專屬訓練資料？
Figure官方做了對照實驗。用一模一樣的任務專屬資料訓練兩套策略模型，這些資料裡完全沒有測試用的家庭場景和物品。一套模型權重隨機初始化，另一套基於經過Index預訓練的Helix 2.5模型起步。Helix 2.5本身完全在Index上從隨機初始化開始預訓練，而上代模型Helix 02則從預訓練的視覺語言模型開始。
結果顯示，Helix 2.5的零樣本能力，絕大部分來自Index預訓練。在盲測裡，從零訓練出來的策略，零樣本任務成功率只有9%；經過Index預訓練的模型成功率達到56%，是前者的6倍多。
任務成功的標準是完整做完整件事：所有物品收拾妥當、每條毛巾摺疊完成、整張床鋪整理好，不接受只完成一部分的情況。預訓練資料覆蓋面很廣，目的是支援後續隨便微調，實現各類動作，但本次測試裡的任何一項任務，在Index預訓練資料集裡佔比都不超過1.90%。
兩組結果的差距，直接衡量預訓練帶來的提升效果：同樣一份任務訓練資料，如果模型已經學習過大量人類行為經驗，遷移到新場景的效果會強得多。
此外，把Helix 2.5和老版本Helix 02在同一套任務模型中做對比。Helix 02的訓練資料，是直接在它測試的那個環境裡採集的；而Helix 2.5，只用一半的適配資料，就能達到和Helix 02一樣的任務成功率，打造通用性更強的動作，所需資料減半。
Helix 2.5還有個很亮眼的新能力：可以自己發現問題並調整。比如往後退一步重新站位、換個姿勢，或是繞著床走動，修正鋪床動作，具備出問題後自行補救、繼續完成任務的能力，有點“自進化”的感覺。
縮放定律徹底改變了大語言模型的研發，從人類行為到機器人的遷移學習，是不是也符合類似的規律？
Figure團隊用Index資料集裡大小逐級擴大的4個子集訓練模型，預訓練資料總量最多擴大8倍；模型大小、後續任務訓練條件全都保持不變。所有模型都用同一套任務資料做微調，並在同一組預留測試集上評估動作預測損失。
實驗發現，每把Index訓練資料翻一倍，損失值就會按規律下降，Index預訓練可以穩定提升模型對機器人下一步動作的預測能力。
目前Index資料集每秒大約會新增35分鐘的人類行為資料，而Helix 2.5的結果證明，更多的資料與算力，將直接讓機器人在踏入陌生家庭之前，就掌握更多現實世界的物理常識，Figure官方表示，現在正是擴大規模的時刻。
人形機器人進入家庭的商業模式會是什麼？Figure首席執行長Brett Adcock曾表示，可能會是面向家庭使用者的租賃方案，例如以每月約600美元的價格租賃一台Figure 03，讓機器人在家裡幫忙干家務。
除了持續增長的Index資料集，本月初，Figure也與Nscale達成合作，將斥資35億美元在德克薩斯州巴斯托部署NVIDIA Vera Rubin平台，該平台將搭載多達10萬個GPU，計畫於2027年下半年開始初步部署，完成Helix進化所需的資料和計算能力的部署。
當前，具身智能技術演進路徑各不相同，Helix 2.5邁出的這一步，不只是一次技術演示，也是為家庭人形機器人的未來，驗證了一套全新的訓練範式。
當資料和算力持續加碼，未來的人形機器人或許不需要為每一個陌生環境單獨訓練，走進家門，它們就能自適應上手幹活。 (頭部科技)