Figure stellt eigenes KI-Modell Helix vor, das den gesamten Oberkörper eines Humanoiden mit zwei Bord-GPUs steuert

Der amerikanische Humanoidenentwickler Figure AI hat am 20. Februar 2025 Helix vorgestellt, ein sogenanntes Vision-Language-Action-Modell (VLA). In einem technischen Beitrag auf seiner Website schreibt das Unternehmen, Helix steuere allein aus Kamerabildern und Sprachbefehlen den gesamten Oberkörper seines Roboters, greife Haushaltsgegenstände, die es nie zuvor gesehen habe, und erlaube zwei Robotern, eine Aufgabe gemeinsam zu erledigen.

Die offengelegten Kennzahlen sind konkret. Helix besteht aus zwei Ebenen. Das langsamere System 2 ist ein quelloffenes Sprachbildmodell mit offenen Gewichten und 7 Milliarden Parametern, vortrainiert auf Daten im Internetmaßstab, das mit 7 bis 9 Hz arbeitet. Das schnelle System 1 ist ein Encoder-Decoder-Transformer mit Cross-Attention und 80 Millionen Parametern, der mit 200 Hz läuft. Gemeinsam geben sie Befehle für 35 Freiheitsgrade aus, darunter Handgelenkposen, Beugung und Spreizung der Finger sowie Zielvorgaben für Rumpf und Kopf.

Als Trainingsgrundlage nennt Figure rund 500 Stunden teleoperierter Roboterbewegungen, nach eigener Darstellung weniger als 5 Prozent früherer VLA-Datensätze. Um die Aufnahmen mit Sprache zu verknüpfen, ließ das Unternehmen ein automatisches Beschriftungsmodell jeden Videoclip betrachten und gewissermaßen rückwärts fragen, welche Anweisung die gezeigte Handlung hervorgebracht hätte. Trainiert wurde durchgängig von Rohpixeln und Text bis zu kontinuierlichen Aktionen, mit einer gewöhnlichen Regressionsverlustfunktion, in einer einzigen Trainingsstufe und mit einem einzigen Gewichtssatz.

Die Vorführungen spielen in einer Küche. In Figures Videos packen zwei Roboter eine Tüte mit unbekannten Lebensmitteln aus, räumen sie ein und reichen sich auf Zuruf Gegenstände, etwa eine Kekspackung an den Roboter zur Rechten. Figure bezeichnet Helix als erstes VLA, das gleichzeitig auf zwei Robotern läuft, und als erstes, das den gesamten Oberkörper eines Humanoiden mit hoher Frequenz kontinuierlich steuert. Zudem könnten die Roboter nun Tausende neuer Objekte in unaufgeräumter Umgebung greifen, von Glaswaren und Spielzeug bis zu Werkzeug und Kleidung, wobei alle Trainingsobjekte von den Tests ausgeschlossen worden seien. Unabhängig überprüft sind diese Angaben nicht.

Ebenso bedeutsam ist die Hardware. Laut Figure läuft Helix vollständig an Bord auf zwei stromsparenden Embedded-GPUs, je eine für System 2 und System 1. Das Unternehmen nennt Helix deshalb das erste VLA dieser Art und sofort reif für den kommerziellen Einsatz. Sechs Tage später, am 26. Februar 2025, legte Figure Logistikzahlen nach. Eine mit 8 Stunden Demonstrationen trainierte Helix-Politik erreiche einen effektiven Durchsatz von über 1,1, sei also 10 Prozent schneller als die menschlichen Vorführungen, aus denen sie gelernt habe. Möglich machten dies Stereosehen, mehrskalige Bildmerkmale, eine erlernte Selbstkalibrierung und ein Beschleunigungsmodus namens Sport Mode.

Figure verfügt über erhebliche Mittel. Am 29. Februar 2024 meldete das Unternehmen eine Series B über 675 Millionen Dollar bei einer Bewertung von 2,6 Milliarden Dollar, unter anderem mit Microsoft, dem OpenAI Startup Fund, NVIDIA und Bezos Expeditions, und kündigte eine Kooperationsvereinbarung mit OpenAI zur Entwicklung neuer KI-Modelle für Humanoide an. Der Helix-Beitrag erwähnt OpenAI nicht und präsentiert das Modell als Figures eigene Arbeit. Im September 2025 sammelte Figure nach eigenen Angaben 1 Milliarde Dollar in einer Series C bei einer Post-Money-Bewertung von 39 Milliarden Dollar ein.

Der Wettbewerb um Roboter-Grundmodelle ist dicht. Physical Intelligence aus San Francisco stellte am 31. Oktober 2024 π0 vor, aufgebaut auf einem Sprachbildmodell mit 3 Milliarden Parametern, das per Flow Matching bis zu 50 Motorbefehle pro Sekunde erzeugt und auf acht Roboterkonfigurationen trainiert wurde. Code und Gewichte veröffentlichte das Start-up später unter Apache-2.0-Lizenz im Repository openpi, dessen Basismodelle nach Firmenangaben auf mehr als 10.000 Stunden Roboterdaten vortrainiert sind. Google DeepMind folgte am 12. März 2025 mit Gemini Robotics und Gemini Robotics-ER auf Basis von Gemini 2.0. Nach Angaben von DeepMind erreicht Gemini Robotics auf einem umfassenden Generalisierungstest mehr als die doppelte Leistung anderer moderner VLAs. Humanoidenpartner ist Apptronik.

Die Architektur folgt einem aus der Psychologie entlehnten Prinzip. Eine langsame, abwägende Ebene deutet Szene und Auftrag und übergibt eine kompakte Zusammenfassung an eine schnelle, reflexhafte Ebene, die Finger und Handgelenke führt. Bei Helix ist diese Zusammenfassung ein einzelner kontinuierlicher latenter Vektor, den System 1 mit eigenen Bildmerkmalen verbindet. Dessen vollständig faltendes Bildverarbeitungsnetz wurde laut Figure ausschließlich in der Simulation vortrainiert. So denkt das große Modell in einem Takt, den Embedded-Hardware tragen kann, während die kleine Politik Arme und Hände mit 200 Hz ruhig hält.

Für Europas Industrie ist das ein Warnsignal. Deutsche Autobauer und Maschinenbauer testen Humanoide, kaufen die Intelligenz dafür aber bislang meist zu. Figure zeigt, dass ein Hardwarehersteller den gesamten Stapel aus Körper, Daten und Modell selbst kontrollieren will, was die Verhandlungsposition von Anwendern und Zulieferern verschiebt. Offen bleibt vieles. Figure nennt weder das offene Modell in System 2 noch Erfolgsquoten der Küchenvorführung, GPU-Typ oder Leistungsaufnahme. Helix steuert nur den Oberkörper, die Fortbewegung bleibt außen vor, und 500 Stunden Daten sind wenig im Vergleich zu den mehr als 10.000 Stunden, die Physical Intelligence anführt.