Figure创始人兼首席执行官Brett Adcock周四公布了一种用于人形机器人的新机器学习模型。这一消息在Adcock宣布旧金山湾区机器人公司决定退出与OpenAI的合作两周后发布，其核心是Helix，一种“通用”视觉-语言-动作（VLA）模型。
VLA是机器人领域的新兴现象，利用视觉和语言指令来处理信息。目前该类别中最著名的例子是Google DeepMind的RT-2，它通过视频和大型语言模型（LLM）的组合来训练机器人。
Helix以类似的方式运作，将视觉数据与语言提示相结合，从而实时控制机器人。Figure写道：“Helix展现出强大的物体泛化能力，能够仅通过自然语言指令，拾取成千上万种在训练中从未见过的、具有不同形状、尺寸、颜色和材质特性的新型家用物品。”
弥合视觉与语言的鸿沟
在一个理想的世界里，你只需告诉机器人去做某件事，它就会照做。这正是Helix的用武之地，据Figure所述。该平台旨在弥合视觉处理与语言处理之间的差距。在接收到自然语言语音提示后，机器人会对环境进行视觉评估，然后执行任务。
Figure举了一些例子，比如“把那袋饼干递给右边的机器人”或“从左边的机器人那里接过那袋饼干，并将其放入打开的抽屉中”。这两个例子都涉及一对机器人协同工作。这是因为Helix被设计为同时控制两台机器人，其中一台协助另一台完成各种家务任务。
家庭场景：复杂且充满挑战
Figure正在展示该VLM（视觉语言模型），重点突出其在家用环境中与其02人形机器人合作所做的工作。众所周知，房屋对机器人来说非常棘手，因为它们缺乏仓库和工厂那样的结构和一致性。
学习和控制方面的困难是复杂机器人系统与家庭应用之间面临的主要障碍。这些问题，加上高达五到六位数的高昂价格标签，使得大多数类人机器人公司尚未将家用机器人作为优先发展方向。一般来说，行业做法是先为工业客户建造机器人，在解决住宅场景之前，先提高可靠性并降低成本。家务机器人还需几年时间才能普及。
当TechCrunch参观Figure位于旧金山湾区的办公室时，Adcock展示了其人在家庭环境中正在经历的一些测试阶段。当时看来，这项工作并未被优先考虑，因为Figure专注于与宝马等企业合作开展workplace试点项目。
随着周四发布的Helix公告，Figure明确表示，家庭环境应成为其独立且重要的优先事项。这是一个充满挑战且复杂的测试环境，用于验证此类训练模型。例如，教机器人在厨房中完成复杂任务，使其能够在不同场景中执行广泛的操作。
突破传统训练瓶颈
Figure表示：“为了让机器人在家庭中发挥作用，它们需要能够按需生成智能的新行为，尤其是针对那些从未见过的新物体。”“目前，即使只教会机器人一种新行为，也需要大量的人力投入：要么是数小时的博士级专家手动编程，要么是需要数千次演示。”
手动编程无法在家庭场景中扩展。存在太多未知因素。厨房、客厅和浴室各不相同，烹饪和清洁所使用的工具也千差万别。此外，人们会留下杂乱、重新摆放家具，并偏好多种不同的环境光线。这种方法耗时耗资巨大——尽管Figure显然拥有充足的后者。
另一种选择是训练——而且需要大量的训练。在实验室中接受过抓取和放置物体训练的机械臂通常采用这种方法。人们看不到的背后，是数百小时的重复练习，才能使演示足够稳健，以应对高度可变的任务。为了第一次就正确拿起某个物体，机器人过去必须已经成功完成过数百次同样的操作。
与当前许多围绕人形机器人的工作一样，Helix的研究仍处于非常早期的阶段。观众应知悉，为了制作出本帖子中看到的短小且制作精良的视频，幕后付出了大量努力。今天的公告本质上是一个招聘工具，旨在吸引更多工程师加入，以帮助推动项目发展。