Figure发布自研视觉语言动作模型Helix，以两颗机载GPU驱动人形机器人上半身35个自由度

美国人形机器人开发商Figure AI于2025年2月20日发布视觉语言动作（VLA）模型Helix。公司在官网技术文章中表示，Helix仅凭摄像头图像和自然语言指令即可控制人形机器人整个上半身，能够抓取从未见过的家居物品，并让两台机器人协作完成同一任务。

Figure披露的参数相当具体。Helix分为两层。慢速层“系统2”是一个基于互联网规模数据预训练的70亿参数开源、开放权重视觉语言模型，运行频率为7至9赫兹。快速层“系统1”是一个8000万参数的交叉注意力编码器解码器Transformer，运行频率为200赫兹。两者共同输出35个自由度的动作空间，涵盖手腕位姿、手指屈伸与外展，以及躯干和头部朝向目标。

据Figure介绍，Helix的训练数据约为500小时遥操作行为数据，公司称这不到此前VLA数据集规模的5%。为给数据配上语言标注，公司用一个自动标注视觉语言模型逐段观看视频，并让其回答“要让机器人做出这个动作，应当下达什么指令”。训练从原始像素和文本端到端映射到连续动作，采用标准回归损失、单一训练阶段和单一权重集。

演示场景设在厨房。在Figure发布的视频中，两台机器人将一袋从未见过的食品逐一取出收纳，并按照“把饼干袋递给你右边的机器人”等口头指令相互传递物品。公司称Helix是首个同时在两台机器人上运行的VLA，也是首个对人形机器人整个上半身进行高频连续控制的VLA。Figure还表示，其机器人已能在杂乱环境中抓取数千种新物品，从玻璃器皿、玩具到工具和衣物，训练中使用的物品全部排除在评测之外。上述说法均为公司自述，尚无第三方验证。

硬件选择同样关键。Figure称Helix完全在两颗低功耗嵌入式GPU上机载运行，系统2和系统1各占一颗，并据此称其为首个以这种方式运行、可立即投入商业部署的VLA。六天后的2月26日，Figure发布物流场景后续文章，称一个仅用8小时演示数据训练的Helix策略实现了超过1.1的有效吞吐量，比其学习的人类演示快10%。公司表示，这得益于新增的立体视觉、多尺度视觉特征、学习式自标定以及推理时加速的“运动模式”。

Figure的融资背景同样值得关注。2024年2月29日，公司宣布以26亿美元估值完成6.75亿美元B轮融资，投资方包括微软、OpenAI创业基金、英伟达和贝索斯探险公司，并称已与OpenAI签署合作协议，共同开发面向人形机器人的下一代AI模型。Helix技术文章未提及OpenAI，并将该模型作为Figure自身成果介绍。据公司披露，Figure此后于2025年9月以390亿美元投后估值完成10亿美元C轮融资。

机器人基础模型赛道竞争激烈。旧金山初创公司Physical Intelligence于2024年10月31日发布π0，该模型以30亿参数视觉语言模型为基础，用流匹配方法以每秒最多50次的频率输出电机指令，并在8种机器人构型上训练。公司此后在openpi代码库中以Apache 2.0许可证开源了π0代码和权重，并称其基础检查点在超过1万小时的机器人数据上预训练。谷歌DeepMind于2025年3月12日发布基于Gemini 2.0的Gemini Robotics和Gemini Robotics-ER，称其在综合泛化基准上的表现比其他先进VLA提高一倍以上，并以Apptronik为人形机器人合作伙伴。

这种架构借鉴了心理学中“快思考与慢思考”的概念。慢速层理解场景和指令，再把压缩后的意图交给快速层驱动手指和手腕。在Helix中，这一意图是一个连续潜向量，系统1将其与自身视觉特征拼接。Figure称系统1的全卷积多尺度视觉主干完全在仿真中预训练。大模型以嵌入式硬件可承受的速度思考，小策略则以200赫兹保持手臂和手部动作平滑。

对中国产业而言，Helix的意义在于，一家拥有量产计划的整机企业宣称掌握了从模型到本体的全栈能力。国内人形机器人企业多在本体和零部件上发力，大模型往往依赖外部合作，Helix展示的“本体加数据加模型”垂直整合路线将提高竞争门槛。同时，Helix系统2采用开放权重模型，也说明开源基础模型可以成为整机企业自研的起点。不过，Figure没有公布系统2所用开放权重模型的名称、食品收纳演示的成功率以及GPU型号和功耗。Helix仅控制上半身，不涉及行走，而500小时数据量也远低于Physical Intelligence所称的1万小时以上。