Figure AI Helix 2.5 发布：宣称发现机器人 Scaling Law，但同行质疑泛化能力与可靠性

事件概述

Figure AI 发布了新一代人形机器人 Helix 2.5，并在旧金山湾区的 30 套未进行任何数据采样的陌生住宅中进行了实地测试。公司宣称实现了零样本（zero-shot）泛化能力，即机器人无需针对特定房间或物品重新训练即可完成任务。同时，Figure AI 提出其在机器人领域发现了类似大语言模型的 Scaling Law（缩放定律），认为随着预训练数据量的增加，机器人性能将持续稳定提升。

核心信息与技术细节

1. 测试表现与零样本泛化

• 测试场景：Helix 2.5 被直接运入 30 套住宅，执行三项长时程全身任务：整理客厅玩具、折叠毛巾、铺床。团队未对房屋布局、家具位置或具体物品进行微调。
• 成功率数据：
  • 总测试次数：420 次。
  • 完整任务成功次数：237 次。
  • 整体成功率：56%。
  • 分项成功率：铺床约 67%（94/140），折叠毛巾约 62%（87/140），整理玩具约 40%（56/140）。
• 对比实验：未经过 Figure AI 人类行为数据集 Index 预训练的对照模型，在相同测试中成功率仅为约 9%。这表明预训练赋予了模型跨环境迁移的能力。
• 纠错机制：机器人在陌生环境中表现出动态调整能力，如后退重新站姿、移动至床的另一侧继续操作，而非机械重复预设轨迹。

2. Scaling Law 的宣称

• 数据规模实验：Figure AI 使用四个不同规模的 Index 数据集（1倍、2倍、4倍、8倍）训练模型，固定模型大小和下游任务数据。结果显示，随着预训练数据量翻倍，预测机器人下一步动作的误差持续下降。
• 外推预测：利用前三组实验数据预测最大规模训练结果，最终误差仅占变化区间的 0.54%，符合线性缩放预期。
• 未来投入：公司已与 Nscale 签署协议，承诺初始 35 亿美元算力，计划部署最高 10 万块英伟达 Vera Rubin GPU，以支持数据规模的持续扩大。

行业争议与批评

尽管 Figure AI 将此次发布视为里程碑，但同行专家对其技术路线的有效性提出了尖锐质疑，主要集中在可靠性和泛化定义上。

1. 可靠性不足（Tony Zhao, Sunday Robotics）

• 观点：“有用的工作 = 泛化 + 可靠性”。56% 的成功率意味着接近一半的任务失败，这在涉及易碎品、儿童和宠物的家庭环境中是不可接受的。
• 对比：Sunday Robotics 的 ACT-2 系统在衣物折叠测试中达到 99.1% 的成功率（尽管单次测试对象不同，但强调了高可靠性的必要性）。

2. 泛化能力的本质质疑（Nikolai Ensslen, Synapticon 前 CEO）

• 观点：真正的泛化应指系统在任何新环境下都能稳定工作。Helix 2.5 高达 44% 的失败率证明其模仿学习系统并未真正掌握泛化能力，只是在更大范围的数据分布中进行了模仿。
• 技术路线分歧：批评者认为，传统视觉-语言-动作模型缺乏对三维空间语义和失败原因的深层理解，一旦偏离训练经验，无法像基于大语言模型的 Agent 那样通过反思和修正来应对未知情况。

值得关注

Figure AI 的估值已达 390 亿美元，Helix 2.5 是其押注“预训练+模仿学习”路线的关键验证。如果随着数据量和算力的增加，成功率能如 Scaling Law 预测般稳步提升至 80%-90% 以上，这将是具身智能的重要突破；若成功率停滞在半数附近，则可能证实同行关于模仿学习在复杂家庭场景中泛化瓶颈的担忧，引发对当前主流技术路线的重新评估。