Figure Helix

是什么

Figure 于 2025 年 2 月 20 日公布 Helix，把它描述为用于人形机器人控制的通用视觉-语言-动作模型（vision-language-action model）^[1]。这类模型接收摄像头图像和文字指令，输出运动指令。说 Helix「通用」，是因为它用同一套神经网络权重覆盖全部行为，不需要针对具体任务做微调（fine-tuning）^[1]。

两个速度不同的系统

Helix 把工作拆成两个速率相差很大的回路。System 2 是一个视觉语言模型，以 7–9 Hz 运行，负责场景理解和语言理解^[1]。System 1 是一个快速反应式的视觉运动策略（visuomotor policy），把 System 2 的潜表示（latent representation）转换成 200 Hz 的连续机器人动作^[1]。这种拆分对应机器人学习里的一个普遍矛盾：看懂场景和指令需要相对笨重的模型，而让机器保持平衡、及时反应需要快得多的控制回路。Helix 的办法不是让慢模型直接下达完成后的指令，而是把它的内部表示交给快模型。

两半的体量差别很大。System 2 建立在一个 70 亿参数的开源、开放权重视觉语言模型之上，System 1 则是一个 8000 万参数的交叉注意力（cross-attention）编码器-解码器 Transformer^[1]。

动作空间

Helix 协调一个 35 自由度的动作空间，覆盖单根手指、手腕、末端执行器轨迹、头部注视方向和躯干姿态^[1]。这个范围对人形机器人很关键：一个模型要同时驱动手、臂、头和身体，而不是一次只控制一条肢体。

怎么训练的

Figure 用约 500 小时的遥操作数据训练 Helix，这些数据来自多台机器人、多名操作者^[1]。由于数据由不同的人、在不同的机器上录制，公司用一个自动标注的视觉语言模型，从切分好的机器人视频片段中生成「事后指令」（hindsight instructions）^[1]，也就是在事后为一段段视频补上语言描述。训练过程用标准回归损失，把原始像素和文字指令端到端地映射为连续动作^[1]。Figure 称，训练 Helix 所用的数据量不到以往视觉-语言-动作数据集所采集数据量的 5%^[1]。

本机算力与多机协作

Helix 完全运行在本机的低功耗嵌入式 GPU 上，每台机器人装两块嵌入式 GPU，System 2 作为异步后台进程运行^[1]。把整个模型放在机器人身上而不是外部服务器上，会改变控制栈所依赖的东西：快速回路不必等待一次网络往返。

Figure 还表示，同一套 Helix 权重可以同时运行在两台机器人上，让它们协作完成一个长程任务^[1]。由于权重共享且不需要按任务调参^[1]，同一个模型可以装到不止一具身体上，而不必为每台机器、每项工作重新训练。

在发展方向上的位置

Helix 属于这样一条路线：把机器人控制当作序列问题处理，输入像素和文字，输出动作，而不是把一堆分别设计的模块叠起来。按 Figure 的说法，它的特点在于把慢的视觉语言模型和快的视觉运动策略分开^[1]、35 自由度动作空间的宽度^[1]、两个网络悬殊的规模^[1]，以及把全部计算放在本机硬件上运行的选择^[1]。这些选择也划定了实际使用时要检验的东西：一套不做任务微调的权重^[1]，只有在跨任务确实管用时才有意义；一个双速控制回路，也只有当快的那一半真的能基于慢的那一半传来的东西行动时才有意义。