Helix 2.5-机器人不再一间一间地学

Helix 2.5：机器人不再一间一间地学

我走进一个从没去过的家，放下包就能开始干活。

床高一点，家具换了样式，我不需要重新学怎么铺床，也不需要重新学怎么收拾房间。

脑子里的物理世界是跟着人走的，从一处到另一处，不用重装。

机器人不是这样。

它们是一个地方一个地方地学。

学一处，会一处。

换个地方，从头再来。

Figure 发布的 Helix 2.5，是他们目前最强的神经网络。它要回答的问题只有一句：人形机器人能不能进一个从没见过的家，用整个身体，自己开工。

Helix 02 已经走到哪一步

Helix 02 证明过一件事：神经策略能让一个人形机器人长时间协调全身。

从卸洗碗机，到自主跑 200 小时的物流任务。

但那些系统的数据，采集自机器人以后要干活的地方。学会了活儿，也学会了那个地方。

这次的赌注押在数据上

Figure 的做法是先把 Helix 2.5 放在 Index 上预训练。Index 是他们自建的、全球规模的人类行为数据集。

这里有个差别值得记。Helix 2.5 完全从随机初始化起步，全程在 Index 上预训练。

上一代的 Helix 02，是从一个预训练的视觉语言模型开始的。

从这一个基础模型出发，他们做出三个行为：整理客厅、叠毛巾、铺床。

然后把机器人带进 30 个旧金山湾区的家。

这 30 个家里，一个数据点都没采。

五个结果

按 Figure 的说法，这是人形机器人上第一次做出这个量级的零样本全身泛化。

我注意到他们紧接着补了一句。

这不等于通用人形机器人已经解决。

三个任务为什么难

整理客厅、铺床、叠毛巾。三件事加在一起，需要感知、移动、操作、双手协调和全身控制。

每一个在固定环境里都不轻松。

大多数机器人泛化研究，是在为机器造好的环境里做的。桌面机械臂的活动范围固定，轮式机器人需要够宽的地面让底盘转身。

家里不提供这种条件。

人形机器人得一边移动一边完成任务，在狭窄、杂乱的缝隙里调整身体去看、去够、去操作。感知、移动、操作这三件事没法分开解。

零样本又把门槛抬高一截。房间没见过，布局没见过，物体没见过，到了之后也不许适配。

它只能用已经会的东西，把整套感知与控制问题解掉。

我理解这三个任务的分工：一个考找，一个考走，一个考手上的活。

9% 和 56% 是怎么测出来的

Figure 做了一个很干净的对照。

两个策略用完全相同的任务规格数据训练，数据里不含任何评测用的房间和物体。

一个从随机权重开始。另一个从 Index 预训练过的 Helix 2.5 开始。

架构、优化器、超参、下游数据、评测方式，全部固定。唯一的变量就是 Index 预训练。

盲测结果：从零训练的那个，零样本试验成功率 9%。Index 预训练的那个，56%。

差了 6 倍以上。

这个差距能说明问题，是因为预训练是唯一的实验变量。同一份任务规格数据，从一个学过广泛人类经验的模型出发，迁移效果好得多。

我看这个实验，关键不在 56% 这个数，在于变量只剩了一个。

成功判定很严。必须完成整个任务，每一件东西归位、每一条毛巾叠好、整张床铺完。

不给部分分。差一点就成的，也记成失败。

还有个细节我记下来了。没有任何单个评测任务，占 Index 预训练数据超过 1.90%。

预训练是刻意做宽的，为的是支撑任意行为的微调。这样出来的模型才不是围着某个任务长的。

30 个家是怎么评的

约束比任务本身更值得看。

• 任何评测家庭都没有采集数据
• 评测用的玩具、毛巾、床品，都没有出现在任务规格数据里
• 物体在实验开始前就被单独放置，经 AI 模型与人工两轮复核
• 三个任务在 30 个家里共用同一个固定 checkpoint
• 没有针对评测家庭或物体做权重适配
• 也没用评测过程数据来挑 checkpoint

这几条合起来，才是零样本这两个字的实际含义。

评分细则也不是临时定的

判定标准在评测开始之前就固定下来。

每一轮的初始配置都不一样。

时间上卡得很细。每件玩具 1 分钟，每条毛巾 3 分钟，每个枕头和被子每一侧各 1 分钟。

超时就中止，或者判失败。

毛巾还分档。四角都在 1 英寸以内算 A，只有两角在内算 B，都不在内算 C。

叠好了但没放进篮子，这一条判失败，折叠本身照常计分。

铺床按枕头和被子分开评。枕头放进床头上三分之一算过，横放且朝向偏差小于 15 度算好。

被子要求两侧都抬起、两角都到位。角与角相差 6 英寸以内算好，6 到 12 英寸之间算一般。

还有一条：如果过程中需要人工介入保证安全，这一轮直接中止并判失败。

我看下来，这套细则的作用不在于把门槛抬高，在于把主观空间压掉。

自己纠错

长时程任务里，纠错是必需的。环境越陌生，越是。

Helix 2.5 有个明显变化：它会自己纠正。后退重新定位，换站姿，绕着整张床走一圈去补救一处折叠。

Figure 把这种出错后能恢复、能继续推进的能力，算作 Index 预训练的结果。

那条曲线

语言模型的开发方式，是被 scaling law 改掉的。数据与算力上去，下一 token 的预测稳定变好。

大实验因此可以从小实验预测。这条规律后来成了整个行业的排期依据。

Figure 问的是同一件事：人→机器人的迁移，是不是也这么走。

他们用 Index 的嵌套子集训了四个模型。预训练数据跨度 8 倍，模型规模和下游训练固定。

每个模型在同一份任务数据上微调，用同一个留出的动作预测损失来评。

结果：Index 每翻一倍，损失稳定下降。

更关键的是精度够用。他们只用规模较小的那几次运行，就把最大一次运行的测试损失预测到了小数点后四位。

而且是在训练开始之前。

预测误差，是 8 倍数据范围里全部波动的 0.54%。

如果这条规律在人形机器人上也站得住，就意味着可以在训练前先算一笔账。

下一次翻倍的人类经验，值多少收益。

Index 的构成方式也有说明。他们用两种嵌入来刻画任务：每个片段的视频嵌入，以及一个视觉语言模型给出的文本嵌入。

我看到的边界

这份公告给得很实，但有几条线得画清楚。

一是口径。零样本指的是评测环境和被操作物体没见过。任务本身，仍然靠别处采集的微调数据来定义。

这不是无监督。

二是范围。测的是数据扩展，模型规模和下游训练是固定的。这条曲线只说明数据的边际收益可预测。

三是覆盖。三个任务，整理客厅、叠毛巾、铺床，推不出通用家务能力。

四是分值。成功判定不给部分分，所以 56% 是个偏保守的数。差一点就成的情形也被算作失败。

五是来源。所有数据出自 Figure 自家实验。在第三方复现之前，这些数字的适用范围就是这份公告本身。

对我来说，这几条不是打折，是给后面的复现留参照。

收尾

一年前，Figure 立过一个判断。

机器人在模型规模、算力、尤其是数据上，差了好几个数量级。

Index 是他们补这个差距的尝试。问的问题很简单——人形机器人能不能从人类经验里学到足够多。

多到不必再教它每一个以后要去的地方。

Helix 2.5 是他们目前最强的证据。

答案可能是能。

这套配方在别的 AI 领域已经见过：预训练里学宽，把行为规格化一次，部署时泛化。

Index 现在每秒产生大约 35 分钟的新人类经验。Figure 已经承诺 35 亿美元算力用来训练 Helix。

按 Helix 2.5 的表现推，更多数据和算力会换来更多先学会、再见到的物理世界。

这条曲线，我愿意再等一轮数据再下判断。

前提是它在更大规模上继续成立。