Figure 03走进30个陌生家庭，挑战“举一反三”

©有界UnKnown原创

作者丨山茶

编辑｜韩林

机器人距离走进家庭还有多远？

从技术层面要回答这个问题，就是机器人的长尾泛化能力和稳定性做得怎么样了；翻译成人民群众能听懂的语言，就是机器人在从未见过的环境中，还能不能继续完成任务。

9月17日，美国明星人形机器人公司Figure发布了新一代机器人模型Helix 2.5。同时发布的，还有一条长达的3小时57分钟的视频，展示Figure 03基于Helix2.5，在旧金山湾区30个真实的，此前从未见过的家庭中进行测试的情况。

结果上，搭载Helix2.5后，Figure 03在这些从未见过的场景中，无需现场采集数据或微调，即可直接执行整理房间、折毛巾和铺床三类长程家务；在严格要求完整完成任务的评测中，Index预训练模型的zero-shot成功率达到 56%，相比从零训练模型的9%提升超过6倍。

Figure官方表示，这是首次在人形机器人上实现如此大规模的零样本全身泛化能力。同时，Helix 2.5首次证明，全身智能可以从人类经验中学习并迁移到新的场景，而无需每次都重新构建。

所以回到最初的问题，从这个结果来看，Figure已经让人形机器人初步具备了进入家庭服务的条件。

那么，我现在来具体看看，在Helix 2.5的加持下，Figure03能把家务做到什么程度？给机器人行业又有什么启示呢？

机器人摆脱“一地一训”？

这次测试，Figure选择了整理房间、铺床和叠毛巾三项全身性任务。

所谓全身性任务，是指需要调动感知、运动、操作、双手协调和全身控制能力。目前行业里关于机器人泛化能力的演示，大多都是围绕一个固定场景来完成的。

比如在厨台上分拣水果，或者在桌面上整理衣服，机器人基本都是固定不动，或者移动范围非常小。

而Figure这次，出来叠毛巾是一个相对固定的场景之外，剩下的整理房间、铺床都需要机器人在房间里辗转移动，弯腰、识别物品、双手协同。

比如铺床任务中，工作人员把整齐的床铺弄乱，被子掀开，枕头扔到一边。

由于床的面积较大，机器人无法站在一个位置完成全部铺床动作。它会先整理靠近自己一侧的枕头，再绕到床的另一边，整理另一个枕头。铺平床单也是同样的逻辑：先处理一侧，再移动到另一侧继续完成。整个过程和我们日常在家铺床几乎一模一样。

这一点在整理房间的任务中表现更明显。

工作人员将一堆小玩具扔在客厅的各个角落，机器人会捡起旁边的收纳袋，再一个一个寻找散落的玩具，将它们捡起并放回袋中。

这个过程，玩具可能会掉在茶几上，掉在沙发上，或者沙发靠背的缝隙里，机器人需要不断移动，识别，弯腰，双手协作，就像人在家收拾客厅一样。

相比而言，叠毛巾反而是一个比较常规的展示了。

但这里面也有一个有趣的点，就是和大多数机器人只会机械的叠毛巾不同，Figure这次展示的内容中，工作人员把毛巾和装毛巾的盒子仍在台面上，机器人的工作位置是被篮子挡住的。

所以这个时候，机器人的第一步不是叠毛巾，而是先把篮子移开，为自己创造工作环境，然后再开始叠毛巾。

今年上半年，Figure发布Helix 02后，已经可以让机器人协调视觉、触觉、手掌摄像头以及全身关节，来完成如洗碗、铺床、整理卧室这些功能。

但当时Helix 02存在一个根本问题，就是每到一个新环境，就需要重新采集数据。而在大概半年之后的今天，Helix 2.5初次接触这些环境时就能独立完成的任务（成功率56%）。

也就是说，现在把这个机器人搬到你家里，它也有同样的概率自己完成这些工作。

除此之外，Helix 2.5还展现出了比较明显的自我纠偏能力，即通过不断调整，比如改变位置，改变站姿来使自己更好的完成任务，这是机器人能够在未来应对复杂的环境所需要的基础能力。

所以我们说，Figure补上了人形机器人进入家庭的一项关键技术前提。

数据、数据、还是数据

那么，Helix2.5是如何实现这些能力的呢？

这里面的一个关键，是引入了Index。

这是Figure在今年8月正式公布的一个专门为Helix 提供预训练数据的基础设施，一套超大规模“人类物理行为数据集 +数据采集系统”。

Figure认为，机器人数据太贵，采集过程也很浪费时间。相对而言，人类每天都在洗衣做饭，整理房间，如果能够把这些行为变成训练数据，就可以绕过“每台机器人都要亲自去采数据”的限制。

因此，Figure建立了一个类似众包平台的系统，让全球用户上传第一视角/行为视频，再经过过滤、去重、分类和标注，进入 Index。

8月公布Index时，Figure就称其已有超过26.4万次App下载、覆盖100多个国家、累计超过1600万段视频。到这次模型发布，Figure宣称Index每秒大约能新增/采集约35分钟人类经验数据，相当于一天就能拥有302万分钟的视频。

除此之外，使用人类数据还有一个好处，比如前面提到的自我纠偏能力，Figure认为，就是引入人类数据的原因。

这样的方式也成为现在机器人行业普遍采用的路径。

国内之前就有报道，某机器人公司为了采集数据，让一些工作人员进入居民区协调拍摄，但因为过程过于繁琐，导致居民难以忍受而报警。

这当然算是一个笑话。

但在国外，使用专门的头戴式设备采集日常工作影像，已经成为很多人增加收入的方式。

比如在印度，多工厂工人和理发师，都开始在工作时采用头戴式的摄像头来记录工作过程，

在国内，也有一些企业开发了类似的头戴式数据采集设备。普通劳动者可以在日常工作时佩戴该设备记录操作过程，通过上传相关数据，即可获得相应的报酬。

而这些视频，经过专门的清洗和标注之后，又会成为未来机器人下一次进步的“燃料”。

机器人自己的Scaling Law

当然，光有数据还不足以让机器人的能力获得如此快速的进步，所以就有了这次Figure观察到的另一个现象——Human-to-Humanoid Scaling Law。

我们知道大模型有Scaling Law，即只要投入更多的数据，更多的算力、做出更大的模型，AI就会变得更聪明，而且这种变聪明的幅度是可以提前用严谨的数学公式计算出来的。

但在机器人领域，在机器人领域，虽然目前也又不少证据表明，发现随着数据量的提升，机器人的能力也会随之提升的，但还没有一个统一的，可预测的Scaling Law。

这里的重点是，可预测。

而这次Figure的工作，证明了在模型规模和下游任务训练保持不变的情况下，增加 Index 中的人类行为预训练数据，可以比较稳定、可预测地降低机器人下游动作预测的 loss。

即一个初步的人类经验向人形机器人迁移的 Scaling Law。

这次Figure一共训练了4 个模型，这些模型使用的是Index数据集不同规模的子集，从最小数据量到最大数据量相差8 倍。

实验中，Figure刻意控制包括模型大小、下游任务训练数据、Fine-tuning 方法、测试集这些变量，只看预训练阶段看到的人类行为数据的多少。

结果是，每当 Index 数据规模增加，机器人在下游任务中的next robot action prediction loss都持续下降，而且下降趋势相当平滑。

他们用前三个较小规模实验拟合出的规律，去预测还没有训练的最大规模模型，得出的结果是，预测误差只有整个8倍数据区间loss变化幅度的 0.54%。

即，他们在最大实验开始之前，就把最终test loss预测到小数点后四位。

更重要的一点是，Figure验证的这个 Scaling Law 用的是“人类数据”。就是人带着摄像头采集的，各种家庭、工业场景下的操作数据。它与机器人实机操作数据相比，数据量更大，更容易获取，成本更低。

这相当于为后续具身智能模型的训练，确定了一条可行的、稳定的、更低成本的路径。

当然，Figure这次的验证也存在一些不足，比如更多的Index数据集，家务成功率是否能够按照同样规律提高、更多种任务能力是否也能按照同样规律出现，这些都还需要进一步验证。

但这并不妨碍Figure在这方面积极的投入，

Figure表示，他们已投入35亿美元的计算资源用于训练Helix。如资源应该能够直接转化为机器人进入新家之前就能学

Figure据此判断，如果Helix 2.5的规律能够延续，更多的数据和算力应能直接转化为更多物理世界的知识，这些知识在机器人进入新家庭之前就已习得。

是时候扩大规模了——Figure说。