Figure 釋出 Helix 模型：雙腦架構控制人形機器人上半身，支援雙機協作

如果讓一個人形機器人進工廠打螺絲，事情還算好辦。流水線上的工位、光線和零件形狀幾千次都不會變。

但如果把它放進你的家裡，場面瞬間就會失控。茶几上的雜亂杯子、被壓在沙發底下的玩具、揉成一團的外套，每一件東西在機器人眼裡都是從未見過的全新物體。在過去，要教機器人學會抓一件新東西，要麼靠博士專家手動程式設計幾個小時，要麼得采集幾千次演示動作，根本不可能進家庭。

在與 OpenAI 分手兩週後，人形機器人公司 Figure 端出了自己的答案：通用視覺-語言-動作模型 Helix。

拆成快腦和慢腦，讓全身動作跟上反應

具身智慧一直有個兩難：大模型懂語言也懂常識，但推理速度太慢；機器人底層的動作策略跑得飛快，但根本認不出沒見過的東西。

Figure 在 Helix 上做了一個聰明的切割，借用了人類認知裡的「系統 1」和「系統 2」。

慢腦由一個約 70 億引數的開源開源權重視覺語言模型擔任，以 7 到 9 Hz 的頻率在端側執行。它專門負責讀懂周圍環境和主人的語音指令，生成高維語義。

快腦則是一個僅有 8000 萬引數的輕量 Transformer 動作模型，以 200 Hz 的極高頻率把慢腦的意圖變成機器人的肌肉反應。比如兩臺機器人合力整理從未見過的雜貨時，慢腦負責盯住收拾目標，快腦則隨時微調手指和手腕，適應搭檔機器人的移動。

更關鍵的是，Helix 沒有像過去許多方案那樣把動作切碎成離散的詞元，而是直接輸出高維連續動作。從頭部、軀幹、手腕一直精確控制到十根獨立手指。

500 小時資料，在端側晶片上跑起來

以往要訓練這類通用行為，往往需要海量資料堆砌。Figure 這次只收集了大約 500 小時的多機、多操作員遙控資料。

他們利用自動標註模型為這些動作資料打上回溯指令，讓一整套神經網路同時學會了開關冰箱、拉抽屜、分揀物體和雙機配合，完全不需要針對特定任務單獨微調。

而且，這套模型完全不需要聯網上雲，直接塞進了機器人體內的嵌入式低功耗 GPU 上執行，隨時聽得懂自然語言指令去拿取各種未見過的日用品。

為什麼重要

我們認為，Helix 是具身智慧從概念演示走向真實家庭落地非常紮實的一步。

對使用者和普通家庭來說，機器人的核心門檻從來不是走得有多穩，而是能不能聽懂一句「把桌上的零食收進抽屜」，並且不會把薯片捏得粉碎。Helix 展現出的零樣本泛化能力，意味著買回家的機器人不再需要工程師上門重新調參，開箱就能應付生活中的雜亂場景。

對行業而言，這一步走得相當關鍵。Figure 剛和 OpenAI 分道揚鑣，外界原本擔心它在多模態理解上失去支柱。但 Helix 用 70 億引數開源底座加上自家動作模型的組合，直接向整個行業證明了一件事：人形機器人廠商完全有能力擺脫通用大模型巨頭的繫結，走出獨立的端側技術路線。

當然，這並不意味著家用保姆機器人明天就能量產送貨。500 小時的資料雖然高效，但在複雜物理接觸、易碎物品力度控制和動態安全邊界上，依然需要更長時間的極端情況驗證。但至少在技術路線上，這種雙層解耦架構看起來比硬把超大模型塞進機器人底層要靠譜得多。