Figure創始人：「我們仍在黑暗中摸索，但階段性成果已足夠推動產業。」

文丨智駕網 王欣

編輯｜小雨

美西時間凌晨三點，硅谷某創投機構會議室依舊燈火通明，屏幕上的數字每跳動一次，空氣就凝重一分——因為一款名為Helix的模型在發布72小時后，讓全球機器人概念股平均漲幅達38%，但傳統制造業的巨頭股價曲線卻開始下跌——這兩條分叉的曲線背后，是資本市場的精神分裂，恰如其分地映射著人類集體對智能革命到來時的選擇困境。

深夜的另一頭是亮著幽幽藍光的美國機器人公司Figure AI總部實驗室，因為它研發的最新一代Helix正在接受壓力測試，它需要根據實時變化的對話，應對人類在已設滿模擬任務的客廳里完成考驗。

時間回到兩周前，推出自研具身模型Helix模型的Figure AI宣布停止與Open AI的聯姻，并丟下一個重磅預告：將會在未來30天內推出「人形機器人上從未見過的東西」。

這自然引發了圍觀者的好奇心。

Figure 創始人兼 CEO Brett Adcock 表示，「有了大腦 Helix 的加持，機器人能夠拾取任何家庭物品。」

Figure AI于2月20日正式發布了新型機器學習模型Helix，稱這是為人形機器人打造的「通用」視覺-語言-動作模型，解鎖了多個機器人一同做家務的場景。

隨后其又在今天（2月27日）新發布了一段視頻，宣布其推出的的機器人已經學會打第二份工：在物流中心整理快遞。

在此之前，Figure AI去年8月發布了其最新款人形機器人Figure 02，彼時稱該機器人已經在寶馬汽車的流水線上從事汽車裝配的工作，例如將鈑金部件插入特定裝置。

現在，搭載Helix的機器人可以做到像人類一樣協作完成任務，比如兩個機器人可以一同將從未見過的物品依次分門別類放好，并且根據命令即可從一堆雜物中精準抓取目標。

短短不到10天，Figure的Helix再次展現的新成果突破背后，讓人猜測人形機器人距離跨過家庭服務的門檻，從科幻想像到全能管家的距離還有多遠？

從視頻中所能看到Helix實現的高速上半身控制，達到多機器人協作，依托的是VLA模型，將感知、語言理解和學習控制統一了起來。

同時，Helix是首款能對整個人形機器人上半身（包括頭部、軀干、手腕和手指）進行高頻率、連續控制的視覺-語言-動作（VLA）模型，這是它最大的亮點。

實現雙系統架構，可以理解為人類決策邏輯的機器復刻。

例如，Helix的底層邏輯借鑒了諾貝爾獎得主丹尼爾·卡尼曼在《思考，快與慢》中提出的「系統1（直覺）與系統2（理性）」理論，將機器人控制分為高頻反應（S1）和語義解析（S2）兩大模塊，實現速度與泛化的平衡。

我們來簡要介紹一下這兩個系統——???

系統1（S1）：200Hz的「機械小腦」

功能：以每秒200次的超高速率控制機器人的35個自由度（包括手指、手腕、軀干等），直接輸出高維連續動作信號，例如抓取物品時的力度微調和動態避障軌跡調整。

技術實現：基于8000萬參數的視覺運動Transformer，通過端到端聯合訓練，將S2生成的潛在語義向量（如「抓取易碎品」）轉化為精準的關節角度指令，避免了傳統離散化動作標記的精度損失。

系統2（S2）：7-9Hz的「語義大腦」

功能：基于70億參數的開源視覺語言模型（VLM），解析自然語言指令（如「收拾冰箱第三層」）并提取場景語義（如識別易碎品、規劃多機協作路徑），以低頻率更新高層任務目標。

數據優勢：通過互聯網規模的多模態數據預訓練（如文本、圖像、視頻），結合機器人操作視頻的自動化標注（反向生成指令），實現「常識遷移」——例如從「沙漠」語義關聯到仙人掌，無需特定物體數據庫。

這種解耦架構允許每個系統在其最佳時間尺度上運行。S2 可以「慢慢思考」高級目標，而 S1 可以「快速思考」以實時執行和調整動作。

Figure介紹稱，訓練Helix僅僅用了500個小時的高質量監督數據，總量連之前收集的VLA數據集5%都不到，并且不需要多機器人數據或多階段訓練。

這究竟是顛覆性進化還是營銷敘事？畢竟，理想汽車也用到了端到端+VLM雙系統架構的類似邏輯，至少在目前智駕業內人士看來，理想是真正意義上的one model結構的端到端。

在理想AI Talk上，官方表示相較特斯拉FSD v12單一端到端模型，其復雜路口理解能力提升了43%。

在智能駕駛層面得到的場景升維，放到人形機器人上來，是否可以標志人形機器人技術從“單一功能”向“通用智能”躍遷呢？

盡管Helix從感知到動作一氣呵成的VLA端到端架構表現亮眼，但端到端架構在智能駕駛圈上演的分歧，同樣也在具身智能賽道再次復現。

支持派認為，這是實現通用智能的必經之路，例如特斯拉Optimus也采用類似方案。

質疑派則認為，分層模型（感知、決策、執行)更易迭代，規避單一模型崩潰的風險。也就是基于LLM大語言模型或VLM的分層大模型的另一種技術路線同樣是人形機器人主流的發展方向。

正如Figure創始人直言：「我們仍在黑暗中摸索，但階段性成果已足夠推動產業。」

從智駕技術的發展路線看具身智能，「端到端」具身智能大模型是人形機器人發展的重要方向之一。即希望機器人能夠像人一樣，直接根據眼睛看到的、耳朵聽到的信息，做出相應的反應，然后去執行任務。

清華大學交叉信息研究院許華哲坦言，端到端是具身智能的終極形態，但當前技術成熟度下，分層模型更易實現。

因為分層模型落地成本低、風險可控，工業與家庭服務領域優先采用分層架構。例如，海爾工廠通過LLM分解生產指令，再交由專用機械臂執行，效率提升12%。

再或者像優必選的Walker S1，通過VLM識別缺陷部位，LLM生成質檢報告，機械臂執行標記，模塊間通過API通信，實現高效落地。

Walker S1

當然從長期來看，端到端潛力更大。比如特斯拉計劃2025年推出的Optimus 2.0將減少模塊依賴，向完全端到端演進。

Optimus 2.0

清華大學智能產業研究院（AIR）助理教授趙昊的觀點是：當前的自動駕駛架構中，快系統（Fast System）通常采用感知+決策的模塊化設計，以高效應對實時駕駛需求，而慢系統（Slow System）則借助端到端的視覺-語言-動作（VLA）模型進行更復雜的推理和全局優化。

「然而，隨著VLA技術的不斷進步，其端到端特性使其在規模化（scaling up）方面具有天然優勢，能夠持續提升魯棒性和緊湊性，逐步取代傳統快系統。相反，感知+決策架構由于模塊眾多，優化難度較高，長期來看可能會演變成更慢的輔助系統，專注于糾錯和精細化推理。換句話說，現有的快慢系統架構在長期發展中可能會發生角色顛倒，VLA主導的端到端系統將成為主流的高效決策機制。」

與此同時，端到端路線的典型案例還有DeepMind Robotics和谷歌的RT模型。

DeepMind Robotics的實驗性項目通過強化學習端到端訓練機械臂抓取，在模擬環境中實現90%以上的未知物體抓取成功率，但值得一提的是，現實場景中仍需結合傳感器融合模塊。

谷歌的RT模型也是一個端到端具身智能模型，它通過整合視覺、語言和運動信號，實現了對復雜環境中多任務行為的統一控制。然而，據說該模型在廚房表現很好，但在其他環境中的成功率驟降至30%，顯示出泛化性差的問題。

谷歌的RT模型

也有多位業內人士表示，混合架構正在興起。

據相關報道稱，部分企業嘗試「端到端主干+分層插件」，如波士頓動力Atlas在自主導航時使用端到端模型，而精細操作時調用預置動作庫。

所以，也不排除Helix未來可能向模塊化架構演進的那一天。

S2可以升級為通用多模態大模型，支持語音、觸覺等多模態輸入；而S1則針對不同機器人形態（如輪式、雙足）定制化開發，形成「通用大腦+專用小腦」的生態體系。

其實，任何一種技術邏輯并非對立，而是互補演進。分層模型解決的是「從0到1」的商業化落地問題，端到端模型更像是探索「從1到100」的通用極限。

本質上，為具身智能的商業化落地提供可復用的范式則顯得更為珍貴。正如Figure創始人Brett Adcock所言：「我們不是在建造更好的機器，而是在創造一種新的生命形式。」

當然，這些是科技革命好的一面，而現實是往往不好的一面限制住了行業發展。

比如多模態對齊、仿真訓練、倫理規范等共性難題。

不久前，在社媒Reddit的熱門討論帖中出現的一幕——一位自稱「前Figure工程師」的匿名用戶爆出猛料：

「Helix在初期測試時，曾因誤解‘清理障礙物’指令而試圖拆解實驗室門鎖。雖然公司立即澄清這是惡意造謠，但評論區迅速涌現出細思極恐的聯想：如果家庭機器人把熟睡嬰兒誤判為‘需要移位的物體’，如果醫療助手將患者抽搐識別為‘攻擊行為’……當機器的‘智能’開始超越人類預設的邊界，我們真的準備好交出控制權了嗎？」

黑箱決策的端到端模型需解決的仿真到現實難題，以及倫理風險如不可控的突發行為，都在這場人機關系的重構風暴中撕開裂縫——既閃爍著解放人類生產力的曙光，也涌動著文明失序的暗流。

不過，相對樂觀的一面是，人類接納自動駕駛的過程可以視為我們接納超級AI的一次預演。?

不過，可以預見的是，具身智能帶來的影響和復雜度要更為深遠的多。?????

end.

【關注智能駕駛，關注智駕視頻號】

關注汽車的智駕時代上智駕網（http://autor.com.cn）
合 作or新聞線索提供，聯系郵箱：editor@autor.com.cn