FigureがVLAモデル「Helix」を発表：2系統アーキテクチャで上半身を制御、2機協調も実現

工場のような決まった環境と違い、一般の家庭はロボットにとって最も過酷な場所です。散らかったおもちゃ、畳まれていない洗濯物、繊細なグラスなど、形も硬さも予測できないモノで溢れているからです。

これまで未知の物体をロボットに扱わせるには、熟練の技術者による膨大なプログラミングや数千回もの教示データが必要でした。

OpenAIとの提携解消を発表してからわずか2週間、人型ロボット企業のFigureが新たな自社AIモデル「Helix」を発表しました。

思考と反射を分ける「2系統」の仕組み

大規模な視覚言語モデルは文脈理解に優れていますが動作が遅く、従来の運動制御モデルは高速ですが柔軟性に欠けるという課題がありました。

Helixはこの問題を解決するため、人間の思考プロセスになぞらえた2層構造を採用しています。

上位の「System 2」は約70億パラメータのオープン系視覚言語モデルで、機内の組み込みGPU上で7〜9Hzで動作します。周囲の状況を把握し、人間の自然言語による指示を理解する役割を担います。

下位の「System 1」は8000万パラメータの高速なトランスフォーマー型モデルで、200Hzという極めて速い周期で動作します。System 2の意図を受け取り、手首、胴体、頭部、さらには指の1本1本まで連続的かつ滑らかに動かします。

公開されたデモでは、2台のロボットが初見の食料品を片付ける協調作業を披露しました。相手の動きに合わせて瞬時に軌道を修正しながら、指示された作業を自律的にこなしています。

特筆すべきは、この学習に要した遠隔操作データがわずか500時間程度という点です。単一のニューラルネットワーク重みだけで、引き出しの開閉や冷蔵庫の操作、未知の物体の把持までをファインチューニングなしでこなします。

クラウドに依存せず、低消費電力なオンボードGPUだけで完結している点も実用化に向けた大きな特徴です。

なぜ重要か

Helixの登場は、家庭用ロボットの実用化に向けた技術的なボトルネックを一つ打破したと言えます。

一般ユーザーにとって、新しい家具や食器を買うたびにロボットの設定をやり直すのでは意味がありません。「あれを片付けて」と言葉で指示するだけで、見たこともない形状のモノを即座に掴める汎用性こそが必須条件でした。

業界の視点で見ると、OpenAIへの依存から脱却したFigureが、自前の技術でこれだけの完成度を示した意味は非常に大きいです。巨大な基盤モデルをそのままロボットに無理やり詰め込むのではなく、軽量な高周波制御モデルと疎結合させるアーキテクチャは、極めて現実的で賢い判断だと評価できます。

もちろん、複雑な家事を全自動で安全に行えるようになるには、接触時の細かな力加減などクリアすべき課題がまだ残っています。それでも、わずか500時間のデータからこれだけの適応力を引き出せるスケーラビリティを示したことは、人型ロボット開発の勢力図を大きく塗り替える可能性があります。