首页 / 资讯详情
Figure AI 宣称找到了机器人版 scaling law，同行却说它其实根本不会泛化
摘要
作者｜Li Yuan 390 亿美元的 Figure AI 已经把机器人送进 30 个陌生家庭，同行却说失败一半还谈不上会干活 「这是 Figure AI 成立以来最重要的项目。」 在 Helix 2.5 的发布视频里，Figure AI 创始人 Brett Adcock 把话说得很满。 Figure AI 目前估值达到 390 亿美元，是全球最贵的未上市人形机器人公司，致力于以人形完成人类的日常任务。 过去几代 Helix 的发布都留下了颇有记忆点的画面：两台机器人合作拉平被子，或者在腾不出手时用屁股顶上洗碗机。不过，此前的 Helix 虽然已经能够自主工作，收获的最大诟病之一就是，每次的 demo，总在一个光线良好的样板间工作。 Helix 2.5 此次想跨过这一步。Figure AI 在旧金山湾区租下 30 套住宅，将机器人直接运到现场，让它整理客厅、铺床和折叠毛巾。 不得不说，看完视频，笔者感觉这仍然很像 30 个光线良好的样板间。 但仍然是一个很厉害的进步，Figure AI 称，没有针对这些住宅和物品进行任何训练或适配，30 套住宅里都出现了成功案例。 「Helix 2.5 要在一套从未进入过的房子里，折叠它从未见过的毛巾。」Brett 表示。 在 Figure AI 的讲述里，机器人领域长期追逐的泛化能力终于开始出现了：机器人不再只会重复某个实验室里学过的动作，而是能把此前积累的经验带到一个陌生地方。 随后，Figure AI 在 Helix 2.5 的技术博客里公布了完整测试数据。420 次测试，成功 237 次。完整任务成功率为 56%。 不过，有趣的是，一种过往在机器人行业相当少见的情况出现了：同行没有像往常一样留下一句「了不起的工作」，再回自己的实验室暗暗较劲。 Sunday Robotics 联合创始人 Tony Zhao 直接指出，237 次成功也意味着机器人接近一半时间会失败。Stealth CEO Nikolai Ensslen 的说法更加尖锐：这组数据恰恰证明，Figure AI 使用的模仿学习系统不能泛化。 Figure AI 觉得自己摸到了机器人版 scaling law，两位同行看到的却是一条可能根本走不通的路线。 向 zero-shot 的圣杯迈了一步 Figure AI 新发布的 Helix 2.5，首先改变了 Helix 学习任务的方式。 此前的 Helix 02 从一个已经完成预训练的视觉语言模型出发，再使用机器人数据学习动作。它虽然可以连续完成洗碗、物流分拣等长时程任务，但训练数据来自机器人最终工作的环境。机器人学会的是在这个厨房里洗碗、在这条产线上搬运；换一个地方，往往还要重新采集数据。 Helix 2.5 则从随机初始化开始，先在 Figure AI 的人类行为数据集 Index 上完成预训练，再使用任务数据分别适配整理玩具、折叠毛巾和铺床三种行为。 完成训练后，Figure AI 把机器人运进旧金山湾区 30 套住宅。团队此前没有进入这些住宅采集机器人数据，也没有针对里面的床、枕头、毛巾和玩具进行微调。每种行为都使用同一个固定版本完成测试，中途不会根据具体住宅重新训练。 这就是 Figure AI 此次所说的 zero-shot：它不是只听到一句自然语言指令，便自己想出了铺床的方法。Figure AI 仍然为三项任务提供了专门的训练数据。Helix 2.5 没见过的是测试住宅、房间布局以及其中使用的具体物品。 这个边界并不影响实验的意义。家庭很难像工厂一样被改造成完全