Figure创始人：「我们仍在黑暗中摸索，但阶段性成果已足够推动产业。」文丨智驾网 王欣
编辑｜小雨
美西时间凌晨三点，硅谷某创投机构会议室依旧灯火通明，屏幕上的数字每跳动一次，空气就凝重一分——因为一款名为Helix的模型在发布72小时后，让全球机器人概念股平均涨幅达38%，但传统制造业的巨头股价曲线却开始下跌——这两条分叉的曲线背后，是资本市场的精神分裂，恰如其分地映射着人类集体对智能革命到来时的选择困境。
深夜的另一头是亮着幽幽蓝光的美国机器人公司Figure AI总部实验室，因为它研发的最新一代Helix正在接受压力测试，它需要根据实时变化的对话，应对人类在已设满模拟任务的客厅里完成考验。
时间回到两周前，推出自研具身模型Helix模型的Figure AI宣布停止与Open AI的联姻，并丢下一个重磅预告：将会在未来30天内推出「人形机器人上从未见过的东西」。
这自然引发了围观者的好奇心。
Figure 创始人兼 CEO Brett Adcock 表示，「有了大脑 Helix 的加持，机器人能够拾取任何家庭物品。」
Figure AI于2月20日正式发布了新型机器学习模型Helix，称这是为人形机器人打造的「通用」视觉-语言-动作模型，解锁了多个机器人一同做家务的场景。
随后其又在今天（2月27日）新发布了一段视频，宣布其推出的的机器人已经学会打第二份工：在物流中心整理快递。
在此之前，Figure AI去年8月发布了其最新款人形机器人Figure 02，彼时称该机器人已经在宝马汽车的流水线上从事汽车装配的工作，例如将钣金部件插入特定装置。
现在，搭载Helix的机器人可以做到像人类一样协作完成任务，比如两个机器人可以一同将从未见过的物品依次分门别类放好，并且根据命令即可从一堆杂物中精准抓取目标。
短短不到10天，Figure的Helix再次展现的新成果突破背后，让人猜测人形机器人距离跨过家庭服务的门槛，从科幻想像到全能管家的距离还有多远？
从视频中所能看到Helix实现的高速上半身控制，达到多机器人协作，依托的是VLA模型，将感知、语言理解和学习控制统一了起来。
同时，Helix是首款能对整个人形机器人上半身（包括头部、躯干、手腕和手指）进行高频率、连续控制的视觉-语言-动作（VLA）模型，这是它最大的亮点。
实现双系统架构，可以理解为人类决策逻辑的机器复刻。
例如，Helix的底层逻辑借鉴了诺贝尔奖得主丹尼尔·卡尼曼在《思考，快与慢》中提出的「系统1（直觉）与系统2（理性）」理论，将机器人控制分为高频反应（S1）和语义解析（S2）两大模块，实现速度与泛化的平衡。
我们来简要介绍一下这两个系统——
系统1（S1）：200Hz的「机械小脑」
功能：以每秒200次的超高速率控制机器人的35个自由度（包括手指、手腕、躯干等），直接输出高维连续动作信号，例如抓取物品时的力度微调和动态避障轨迹调整。
技术实现：基于8000万参数的视觉运动Transformer，通过端到端联合训练，将S2生成的潜在语义向量（如「抓取易碎品」）转化为精准的关节角度指令，避免了传统离散化动作标记的精度损失。
系统2（S2）：7-9Hz的「语义大脑」
功能：基于70亿参数的开源视觉语言模型（VLM），解析自然语言指令（如「收拾冰箱第三层」）并提取场景语义（如识别易碎品、规划多机协作路径），以低频率更新高层任务目标。
数据优势：通过互联网规模的多模态数据预训练（如文本、图像、视频），结合机器人操作视频的自动化标注（反向生成指令），实现「常识迁移」——例如从「沙漠」语义关联到仙人掌，无需特定物体数据库。
这种解耦架构允许每个系统在其最佳时间尺度上运行。S2 可以「慢慢思考」高级目标，而 S1 可以「快速思考」以实时执行和调整动作。
Figure介绍称，训练Helix仅仅用了500个小时的高质量监督数据，总量连之前收集的VLA数据集5%都不到，并且不需要多机器人数据或多阶段训练。
这究竟是颠覆性进化还是营销叙事？毕竟，理想汽车也用到了端到端+VLM双系统架构的类似逻辑，至少在目前智驾业内人士看来，理想是真正意义上的one model结构的端到端。
在理想AI Talk上，官方表示相较特斯拉FSD v12单一端到端模型，其复杂路口理解能力提升了43%。
在智能驾驶层面得到的场景升维，放到人形机器人上来，是否可以标志人形机器人技术从“单一功能”向“通用智能”跃迁呢？
尽管Helix从感知到动作一气呵成的VLA端到端架构表现亮眼，但端到端架构在智能驾驶圈上演的分歧，同样也在具身智能赛道再次复现。
支持派认为，这是实现通用智能的必经之路，例如特斯拉Optimus也采用类似方案。
质疑派则认为，分层模型（感知、决策、执行)更易迭代，规避单一模型崩溃的风险。也就是基于LLM大语言模型或VLM的分层大模型的另一种技术路线同样是人形机器人主流的发展方向。
正如Figure创始人直言：「我们仍在黑暗中摸索，但阶段性成果已足够推动产业。」
从智驾技术的发展路线看具身智能，「端到端」具身智能大模型是人形机器人发展的重要方向之一。即希望机器人能够像人一样，直接根据眼睛看到的、耳朵听到的信息，做出相应的反应，然后去执行任务。
清华大学交叉信息研究院许华哲坦言，端到端是具身智能的终极形态，但当前技术成熟度下，分层模型更易实现。
因为分层模型落地成本低、风险可控，工业与家庭服务领域优先采用分层架构。例如，海尔工厂通过LLM分解生产指令，再交由专用机械臂执行，效率提升12%。
再或者像优必选的Walker S1，通过VLM识别缺陷部位，LLM生成质检报告，机械臂执行标记，模块间通过API通信，实现高效落地。
当然从长期来看，端到端潜力更大。比如特斯拉计划2025年推出的Optimus 2.0将减少模块依赖，向完全端到端演进。
清华大学智能产业研究院（AIR）助理教授赵昊的观点是：当前的自动驾驶架构中，快系统（Fast System）通常采用感知+决策的模块化设计，以高效应对实时驾驶需求，而慢系统（Slow System）则借助端到端的视觉-语言-动作（VLA）模型进行更复杂的推理和全局优化。
「然而，随着VLA技术的不断进步，其端到端特性使其在规模化（scaling up）方面具有天然优势，能够持续提升鲁棒性和紧凑性，逐步取代传统快系统。相反，感知+决策架构由于模块众多，优化难度较高，长期来看可能会演变成更慢的辅助系统，专注于纠错和精细化推理。换句话说，现有的快慢系统架构在长期发展中可能会发生角色颠倒，VLA主导的端到端系统将成为主流的高效决策机制。」
与此同时，端到端路线的典型案例还有DeepMind Robotics和谷歌的RT模型。
DeepMind Robotics的实验性项目通过强化学习端到端训练机械臂抓取，在模拟环境中实现90%以上的未知物体抓取成功率，但值得一提的是，现实场景中仍需结合传感器融合模块。
谷歌的RT模型也是一个端到端具身智能模型，它通过整合视觉、语言和运动信号，实现了对复杂环境中多任务行为的统一控制。然而，据说该模型在厨房表现很好，但在其他环境中的成功率骤降至30%，显示出泛化性差的问题。
也有多位业内人士表示，混合架构正在兴起。
据相关报道称，部分企业尝试「端到端主干+分层插件」，如波士顿动力Atlas在自主导航时使用端到端模型，而精细操作时调用预置动作库。
所以，也不排除Helix未来可能向模块化架构演进的那一天。
S2可以升级为通用多模态大模型，支持语音、触觉等多模态输入；而S1则针对不同机器人形态（如轮式、双足）定制化开发，形成「通用大脑+专用小脑」的生态体系。
其实，任何一种技术逻辑并非对立，而是互补演进。分层模型解决的是「从0到1」的商业化落地问题，端到端模型更像是探索「从1到100」的通用极限。
本质上，为具身智能的商业化落地提供可复用的范式则显得更为珍贵。正如Figure创始人Brett Adcock所言：「我们不是在建造更好的机器，而是在创造一种新的生命形式。」
当然，这些是科技革命好的一面，而现实是往往不好的一面限制住了行业发展。
比如多模态对齐、仿真训练、伦理规范等共性难题。
不久前，在社媒Reddit的热门讨论帖中出现的一幕——一位自称「前Figure工程师」的匿名用户爆出猛料：
「Helix在初期测试时，曾因误解‘清理障碍物’指令而试图拆解实验室门锁。虽然公司立即澄清这是恶意造谣，但评论区迅速涌现出细思极恐的联想：如果家庭机器人把熟睡婴儿误判为‘需要移位的物体’，如果医疗助手将患者抽搐识别为‘攻击行为’……当机器的‘智能’开始超越人类预设的边界，我们真的准备好交出控制权了吗？」
黑箱决策的端到端模型需解决的仿真到现实难题，以及伦理风险如不可控的突发行为，都在这场人机关系的重构风暴中撕开裂缝——既闪烁着解放人类生产力的曙光，也涌动着文明失序的暗流。
不过，相对乐观的一面是，人类接纳自动驾驶的过程可以视为我们接纳超级AI的一次预演。
不过，可以预见的是，具身智能带来的影响和复杂度要更为深远的多。
end.
