白交 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI
與OpenAI斷交之后，Figure首個成果出爐：
Helix，一個端到端通用控制模型，它能讓機器人像人一樣感知、理解和行動。
只需自然語言提示，機器人就能拿起任何東西，哪怕是從沒見過的東西，比如這個活潑的小仙人掌。
從官方放出的演示中可以看到，它在接收到人類的提示后，就會按照指令逐一拿起桌上的物品放進冰箱。
“機器人站著不語，只是一味地執(zhí)行指令”
兩個機器人也可以共同協(xié)作，但有意思的一點是，它們竟然共用同一組神經網絡。
來看看具體是怎么一回事。
像人類一樣思考的AI從技術報告上看，這個通用“視覺-語言-動作 (VLA) 模型完成了一系列的首創(chuàng)：
整個上身控制，Helix是首個能對整個上身（包括手腕、軀干、頭部和各個手指）進行高速率（200Hz）連續(xù)控制的VLA。
多機器人協(xié)作，第一個同時在兩個機器人上運行的 VLA，使它們能夠使用從未見過的物品解決共享的、遠程操作任務。
拿起任何東西，只需按照自然語言提示，就能拿起幾乎任何小型家居物品，包括數(shù)千種它們從未遇到過的物品。
一個神經網絡，與之前的方法不同，Helix 使用一組神經網絡權重來學習所有行為（挑選和放置物品、使用抽屜和冰箱以及跨機器人交互），而無需任何針對特定任務的微調。
可立即商業(yè)化部署，第一款完全在嵌入式低功耗 GPU 上運行的 VLA，可立即進行商業(yè)部署。
Helix由兩個系統(tǒng)組成，兩個系統(tǒng)經過端到端訓練，并且可以進行通信。
系統(tǒng)2：VLM主干，基于在互聯(lián)網規(guī)模數(shù)據上預訓練的7B開源VLM，它將單目機器人圖像和機器人狀態(tài)信息（包括手腕姿勢和手指位置）投射到視覺語言嵌入空間后進行處理。
工作頻率為 7-9 Hz，用于場景理解和語言理解，可對不同對象和語境進行廣泛的泛化。
系統(tǒng)1：80M參數(shù)的交叉注意力Transformer，用于處理底層控制。它依靠一個完全卷積、多尺度的視覺骨干網進行視覺處理，該骨干網由完全在模擬中完成的預訓練初始化而成。
將 S2 生成的潛在語義表征轉化為精確的連續(xù)機器人動作，包括所需的手腕姿勢、手指彎曲和外展控制，以及軀干和頭部方向目標。速度為200Hz。
他們在動作空間中附加了一個合成的 “任務完成百分比 ”動作，使 Helix 能夠預測自己的終止條件，從而更容易對多個任務進行排序。
這種解耦架構允許每個系統(tǒng)在其最佳時間尺度上運行。S2可以“慢慢思考”高級目標，而 S1 可以“快速思考”以實時執(zhí)行和調整動作。
訓練過程是完全端到端，從原始像素和文本命令映射到具有標準回歸損失的連續(xù)動作。
并且Helix 不需要針對特定任務進行調整；它保持單個訓練階段和單個神經網絡權重集，無需單獨的動作頭或每個任務的微調階段。
人形機器人的Scaling LawCEO透露，這項工作他們花費了一年多的時間，旨在解決通用機器人問題/p>像人類一樣，Helix可以理解語音、推理問題并能抓住任何物體。
而就在兩周前，他們宣布取消與OpenAI之間的合作關系，當時就透露會在接下來的30天展示“沒人在人形機器人上見過的東西”。
如今已經揭曉，就是Helix。
值得一提的是，Helix還代表著一種新型的Scaling Law。
他們認為，家庭是機器人面臨的最大挑戰(zhàn)。與受控的工業(yè)環(huán)境不同，家里堆滿了無數(shù)的物品。為了讓機器人在家庭中發(fā)揮作用，它們需要能夠按需產生智能的新行為，尤其是對它們從未見過的物體。
當前，教機器人一種新行為需要大量的人力。要么是數(shù)小時的博士級專家手動編程，要么是數(shù)千次演示。
這兩種方式成本都很高，所以都是行不通的（dont work）。
與早期的機器人系統(tǒng)不同，Helix能夠即時生成長視界、協(xié)作、靈巧的操作，而無需任何特定任務的演示或大量的手動編程。
Helix 表現(xiàn)出強大的對象泛化能力，能夠拾取數(shù)千種形狀、大小、顏色和材料特性各異的新奇家居用品，而這些物品在訓練中從未見過，只需用自然語言詢問即可。
這意味著，這代表 Figure 在擴展人形機器人行為方面邁出了變革性的一步。
到時候，當Helix 擴大1000倍、機器人擴展到十億級別，會是什么樣子？有點子期待。
參考鏈接：[1]https://www.figure.ai/news/helix[2]https://x.com/adcock_brett/status/1892577936869327233
