米Figure、自社VLAモデル「Helix」を公開　機体内の2基のGPUで人型ロボットの上半身35自由度を制御

米国の人型ロボット開発企業Figure AIは2025年2月20日、視覚言語行動（VLA）モデル「Helix」を発表した。同社はウェブサイトの技術解説で、Helixがカメラ映像と自然言語の指示だけで人型ロボットの上半身全体を制御し、初めて見る家庭用品をつかみ、2台のロボットが1つの作業を分担できると説明した。

開示された数値は具体的だ。Helixは2層構造をとる。低速側の「システム2」はインターネット規模のデータで事前学習した70億パラメーターのオープンソース、オープンウエートの視覚言語モデルで、7〜9ヘルツで動作する。高速側の「システム1」は8000万パラメーターのクロスアテンション型エンコーダーデコーダーで、200ヘルツで動く。両者は手首の姿勢、指の屈曲と外転、胴体と頭部の向きの目標値を含む35自由度の行動空間を出力する。

Figureによると、学習には遠隔操作で集めた約500時間の行動データを使った。従来のVLA向けデータセットの5%未満の規模だという。言語との対応付けには自動ラベリング用の視覚言語モデルを用い、動画の各区間について「この動作を引き出すにはどんな指示を出すべきだったか」を答えさせた。学習は生の画素とテキストから連続的な行動までを一気通貫で結び、標準的な回帰損失、単一の学習段階、単一の重みで行ったとしている。

実演の舞台は台所だ。Figureの映像では、2台のロボットが初めて見る食料品を袋から取り出して片付け、「右側のロボットにクッキーの袋を渡して」といった音声指示に従って物を受け渡した。同社はHelixを2台のロボットで同時に動いた初のVLA、人型ロボットの上半身全体を高頻度で連続制御した初のVLAと位置付けた。散らかった環境でガラス器、おもちゃ、工具、衣類など数千種類の新しい物体をつかめるようになり、学習に使った物はすべて評価から除外したとも述べた。いずれも同社の主張で、第三者による検証はない。

ハードウエアの選択も重要だ。FigureはHelixが低消費電力の組み込みGPU2基で完全に機体内で動作し、システム2とシステム1がそれぞれ専用のGPUを使うと説明した。そのうえでHelixをこの方式で動く初のVLAとし、すぐに商用展開できると強調した。6日後の2月26日には物流向けの続報を公表し、8時間の実演データで学習した方策が、学習元の人間の実演より10%速い1.1倍超の実効処理能力に達したと明らかにした。ステレオ視、多重スケールの画像特徴、学習による自己校正、推論時に動作を速める「スポーツモード」を加えた成果だという。

Figureの資金力も見逃せない。同社は2024年2月29日、評価額26億ドルで6億7500万ドルのシリーズBを発表し、出資者にはマイクロソフト、OpenAIスタートアップファンド、エヌビディア、Bezos Expeditionsなどが名を連ねた。同時に人型ロボット向け次世代AIモデルを共同開発する協業契約をOpenAIと結んだと発表した。Helixの解説にOpenAIへの言及はなく、モデルはFigure自身の成果として紹介されている。同社はその後、2025年9月に評価額390億ドル（調達後）で10億ドルのシリーズCを実施したと公表した。

ロボット基盤モデルの競争は激しい。米サンフランシスコのPhysical Intelligenceは2024年10月31日、30億パラメーターの視覚言語モデルを土台に、フローマッチングで毎秒最大50回のモーター指令を出す「π0」を発表した。8種類のロボット構成で学習している。同社はその後、openpiのリポジトリでπ0のコードと重みをApache 2.0ライセンスで公開し、基本チェックポイントは1万時間超のロボットデータで事前学習したとしている。Google DeepMindは2025年3月12日、Gemini 2.0を基にした「Gemini Robotics」と「Gemini Robotics-ER」を発表し、包括的な汎化ベンチマークで他の最先端VLAの2倍超の性能を示したと説明した。人型ロボットの提携先にはApptronikを選んだ。

この構造は心理学の「速い思考と遅い思考」に通じる。遅い層が場面と指示を解釈して要約を渡し、速い層が指や手首を動かす。Helixではこの要約が1本の連続的な潜在ベクトルで、システム1はそれを自前の画像特徴と結合する。Figureによると、システム1の全畳み込み型の画像処理部はすべてシミュレーションで事前学習した。大きなモデルは組み込み機器が耐えられる速さで考え、小さな方策が200ヘルツで腕と手の動きを滑らかに保つ分業だ。

日本の産業界への示唆は大きい。国内の大手ロボットメーカーは産業用アームと減速機、サーボなどの部品で世界的な地位を持つが、身体とデータとモデルを1社で握る垂直統合型の人型ロボットはまだ乏しい。人手不足が深刻な物流や製造の現場にとって、ソフトウエア更新で作業を増やせるロボットは魅力だが、その知能を海外勢に依存する構図が強まる恐れもある。一方、Figureはシステム2に使ったオープンウエートモデルの名称、食料品の実演での成功率、GPUの型番や消費電力を明かしていない。Helixの制御対象は上半身に限られ歩行は含まれず、500時間のデータはPhysical Intelligenceが示す1万時間超に比べて少ない。