近日，Figure公司的创始人兼首席执行官布雷特·阿德科克透露了一项关于人型机器人的新机器学习模型。这一消息是在阿德科克宣布该公司决定终止与OpenAI的合作后两周发布的，新模型名为Helix，是一种“通用型”视觉-语言-行动（VLA）模型。

VLA模型在机器人领域尚属新兴概念，它利用视觉和语言指令来处理信息。目前，该类别中最知名的例子是谷歌DeepMind的RT-2，它通过视频和大型语言模型（LLM）的组合来训练机器人。

Helix的工作原理与之类似，通过结合视觉数据和语言提示来实时控制机器人。据Figure公司介绍，Helix展现出强大的物体泛化能力，能够仅通过自然语言询问，就抓取数千种之前训练中从未遇到过的、形状、大小、颜色和材质各异的家用物品。

Helix旨在弥合视觉和语言处理之间的鸿沟。机器人在接收到自然语言语音提示后，会先对周围环境进行视觉评估，然后执行任务。例如，可以指示机器人“将你右侧的袋子递给右侧的机器人”或“从你左侧的机器人那里接过袋子，然后放进打开的抽屉里”。这两个例子都涉及两台机器人协同工作，因为Helix被设计为可以同时控制两台机器人，让它们合作完成各种家务任务。

Figure公司通过展示其02型人型机器人在家庭环境中的工作来突显VLA模型的应用。家庭环境对机器人来说尤为复杂，因为它们缺乏仓库和工厂那样的结构和一致性。

学习和控制方面的困难是阻碍复杂机器人系统进入家庭的主要因素之一。这些问题，再加上高达数万美元的价格标签，使得大多数人型机器人公司尚未将家庭作为首要目标。通常的做法是为工业客户制造机器人，以提高可靠性和降低成本，然后再考虑进入家庭领域。家务机器人的普及可能还需要几年时间。

尽管Figure公司曾将重点放在与宝马等企业的职场试点项目上，但此次Helix的发布表明，该公司认为家庭领域同样值得重视。在家庭环境中测试这类训练模型颇具挑战性，因为教机器人在厨房等复杂环境中执行任务，可以使它们在不同场景下具备更广泛的行为能力。

Figure公司指出，要让机器人在家庭中发挥作用，它们必须能够根据需要生成智能的新行为，尤其是对于那些从未见过的物体。目前，教机器人哪怕是一个新行为，也需要大量的人力：要么是数小时的博士级专家手动编程，要么是成千上万次的演示。

手动编程不适用于家庭环境，因为未知因素太多。厨房、客厅和浴室之间的差异很大，用于烹饪和清洁的工具也是如此。此外，人们会留下杂物、重新布置家具，并偏好不同的环境照明。这种方法既耗时又耗资巨大，尽管Figure公司资金充裕。

另一种方法是进行大量训练。在实验室中训练用于抓取和放置物体的机械臂通常采用这种方法。但人们看不到的是，为了使演示足够稳健以应对高度可变的任务，需要数百小时的重复练习。要让机器人第一次就准确地抓取物体，它之前必须已经这样做过数百次。

目前，Helix的工作仍处于早期阶段。此次发布本质上是一个招募工具，旨在吸引更多工程师加入该项目，共同推动其发展。