Figure AI 发布 Helix 2.5：机器人进入真实家庭的首次大规模测试
- 发布时间：2026年9月（具体日期未披露，基于新闻发布时间推断）
- 新版本：Helix 2.5
- 测试环境：旧金山湾区 30 套真实住宅（此前未采集数据）
- 测试任务：整理客厅（13-15件玩具入篮）、折叠毛巾（4条全部折好）、铺床（满足位置/方向/覆盖要求）
- 测试次数：总计 420 次，每项任务各 140 次
- 核心数据：完整任务成功率 56%（237/420）；铺床 67%、折叠毛巾 62%、整理玩具 40%
- 零样本能力：模型未针对住宅或物品进行微调，使用固定版本完成全部测试
Zero-shot 与泛化能力：声明与质疑的两极
Helix 2.5 的技术突破在于学习范式的改变。此前的 Helix 02 依赖特定环境的机器人数据，训练后难以迁移；Helix 2.5 则先在 Figure AI 的人类行为数据集 Index 上进行预训练，再针对三项家庭任务分别微调。关键进步在于：测试时未对住宅布局或具体物品（如毛巾材质、床高、玩具摆放）进行任何适配或再训练，实现了真正意义上的零样本迁移——机器人被送入从未进入的房屋，处理从未见过的物品组合。
Figure AI 称此为「人类到机器人迁移 scaling law」的首次实证。实验显示，当 Index 预训练数据量从 1 倍增至 8 倍时，动作预测误差稳定下降；对照组数据中，无 Index 预训练模型仅 9% 成功率，而 Helix 2.5 达 56%。
与声明形成反差的是可靠性问题。Sunday Robotics 联合创始人 Tony Zhao（ACT/ALOHA 系统作者）指出：「有用的工作＝泛化＋可靠性」。Helix 2.5 近半失败（183/420）使其难以实际部署。Sunday 的 ACT-2 在衣物折叠测试中达到 99.1% 成功率（778/785），但其测试对象为单件衣物，而 Figure AI 的毛巾任务需连续处理四条并全部入篮，任务复杂度不同。
Stealth 创始人 Nikolai Ensslen 的批评更直指技术路线：「泛化意味着每次都能工作，而 Helix 2.5 并未做到。」他认为 56% 成功率恰恰证明模仿学习系统无法真正泛化。
Scaling law：Figure AI 的赌注与行业分歧
Figure AI 现在开始讲述 scaling law 的故事——这一过去仅属于大语言模型的叙事。机器人领域长期缺乏可预测的进步路径：数据昂贵、场景多变、硬件异构，多数能力仍需针对新场景重建。
helix 2.5 技术博客宣称已测得人类到机器人的迁移 scaling law：数据、模型规模与算力可像 LLM 一样线性推动性能提升。若此成立，当前 56% 的失败率仅是规模不足，扩大 Index 数据（当前收集速度每秒约 35 分钟人类经验）、模型参数与算力即可持续提升。
为支撑此判断，Figure AI 已与 Nscale 签署 35 亿美元初始算力合作，目标部署最高 10 万块英伟达 Vera Rubin GPU；公司估值达 390 亿美元（全球最贵未上市人形机器人公司），已生产超 350 台 Figure 03，生产周期缩短至每小时一台。
| 指标 | Figure AI Helix 2.5 | Sunday Robotics ACT-2（对比参考） |
|---|---|---|
| 测试环境 | 30 套真实住宅（零样本） | 实验室可控环境 |
| 成功率 | 56%（237/420） | 99.1%（778/785） |
| 任务单元 | 住宅级完整任务（含多物品连续操作） | 单件衣物折叠 |
| 泛化方式 | zero-shot 家庭环境迁移 | task-specific 微调 |
| 数据规模 | Index 数据集多版本测试 | 未披露训练数据细节 |
普通用户该如何看待？
- 适合谁用 / 再等等：企业级采购者（如养老院、酒店服务部门）可关注其长期进展，但当前 56% 成功率尚不足以支撑家庭独立部署；普通消费者建议至少等待 70%+ 成功率（连续任务失败率降至 30% 以下）再考虑试点项目。
- 开发者与研究人员：Helix 2.5 的零样本测试框架与公开数据为具身智能研究提供了有价值参照，可重点关注其 Index 数据集的开放进展。
写在最后
Helix 2.5 的真正意义不在于 56% 的数字本身，而在于它把机器人行业的讨论从「能否完成演示」推向「是否可依赖」的新阶段。如果 scaling law 在人形机器人上成立，56% 将是 strep towards 90% 的起点；若成功迹象停滞，那些接近 50% 的失败次数，便不再是规模问题，而是路线问题。