2月21日凌晨，Brett Adcock在X上發(fā)布了Figure“歷史上最重大的人工智能更新”——Helix。
 這是Figure與OpenAI終止戰(zhàn)略合作后核心技術(shù)成果的首次展示，半個月前，Brett Adcock即預(yù)告過這項“人形機器人上前所未有的技術(shù)”。
Helix是一種用于通用人形機器人控制的“視覺-語言-動作” 模型，能夠?qū)⒏兄⒄Z言理解和學(xué)習(xí)控制統(tǒng)一起來，這意味著對機器人技術(shù)領(lǐng)域多項長期挑戰(zhàn)的克服。
在官方發(fā)布的視頻中，實驗人完全使用語言交流控制，從紙袋中拿出了機器人*次見的物品，要求機器人通過思考，把眼睛所看到的東西歸置到它們應(yīng)該在的位置，并且要求兩個機器人共同協(xié)作去放好。
隨后，從視頻中看來，兩個機器人通過識別、推理，機器人分別打開了抽屜柜和冰箱，機器人A將密封物品放進了抽屜柜，機器人B將需要保鮮的物品放進了冰箱。接著，機器人A又將看起來需要保鮮的食物遞給機器人B，機器人B接過食物，看了看機器人A，又看了看手中的食物，轉(zhuǎn)手絲滑地放進了冰箱。稍后還有機器人B將物品交給機器人A歸置到抽屜柜以及協(xié)作將蘋果放進左下角黑色圓盤的操作。
也就是說，Helix 是*款對整個人形上身進行高速率連續(xù)控制的 VLA，可以同時在兩個機器人上運行，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(wù)，配備了 Helix 的 Figure 機器人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。
并且，與之前的方法不同，Helix 使用一組神經(jīng)網(wǎng)絡(luò)權(quán)重來學(xué)習(xí)所有行為，而無需任何針對特定任務(wù)的微調(diào)。由于是*款完全在嵌入式低功耗 GPU 上運行的 VLA，它還能夠迅速實現(xiàn)商業(yè)化。
事實上，去年1月，F(xiàn)igure和寶馬就建立了合作關(guān)系，寶馬在其位于南卡羅來納州的工廠部署了Figure機器人，人們對人形機器人進入家庭解放雙手的期待不斷高漲。
聽起來簡單，但卻是機器人技術(shù)面臨的一大挑戰(zhàn)。與受控的工業(yè)環(huán)境不同，家里堆滿了無數(shù)的物品——精致的玻璃器皿、皺巴巴的衣服、散落的玩具——每件物品都有不可預(yù)測的形狀、大小、顏色和紋理。為了讓機器人在家庭中發(fā)揮作用，它們需要能夠按需產(chǎn)生智能的新行為，尤其是對它們從未見過的物體。
對于這個難題，以往的機器人技術(shù)有兩種解決方案:要么通過N小時的博士級專家手動編程來教機器人一種新行為，要么是N千次演示。然而，家庭問題的樣本變化多端，這兩種方法的成本都太高了。
Figure大方介紹了自己的模型思考原點。即:如果能簡單地將視覺語言模型 中捕獲的豐富語義知識直接轉(zhuǎn)化為機器人動作，這種新功能將從根本上改變機器人的擴展軌跡(如下圖所示)，曾經(jīng)需要數(shù)百次演示的新技能只需用自然語言與機器人交談即可立即獲得。
不過，關(guān)鍵問題在于:如何從 VLM 中提取所有這些常識性知識并將其轉(zhuǎn)化為可泛化的機器人控制？這就涉及到了Figure的突破——Helix。
過去的方法面臨著一個根本性的權(quán)衡:VLM 主干是通用的，但速度不快，而機器人視覺運動策略是快的，但不通用。Helix 通過兩個互補的系統(tǒng)解決了這一權(quán)衡，即“系統(tǒng) 1、系統(tǒng) 2”VLA 模型，這兩個系統(tǒng)經(jīng)過端到端的訓(xùn)練，可以進行通信:
系統(tǒng) 2 :一個機載互聯(lián)網(wǎng)預(yù)訓(xùn)練的 VLM，以 7-9 Hz 的頻率運行，用于場景理解和語言理解，從而實現(xiàn)跨對象和上下文的廣泛概括。
系統(tǒng) 1 :一種快速反應(yīng)的視覺運動策略，將 S2 產(chǎn)生的潛在語義表征轉(zhuǎn)化為 200 Hz 的精確連續(xù)機器人動作。
這種解耦架構(gòu)允許每個系統(tǒng)在其*時間尺度上運行。S2 可以“慢慢思考”高級目標(biāo)，而 S1 可以“快速思考”以實時執(zhí)行和調(diào)整動作。例如，在協(xié)作行為期間，S1 可以快速適應(yīng)伙伴機器人不斷變化的動作，同時保持 S2 的語義目標(biāo)。
總結(jié)Helix 技術(shù)上的創(chuàng)新點就是:
速度和泛化:Helix 匹配專門的單任務(wù)行為克隆策略的速度，同時將零樣本推廣到數(shù)千個新穎的測試對象。
可擴展性:Helix 直接輸出高維動作空間的連續(xù)控制，避免了先前 VLA 方法中使用的復(fù)雜動作標(biāo)記方案，這些方案在低維控制設(shè)置中已取得一些成功，但在高維人形控制中面臨擴展挑戰(zhàn)。
架構(gòu)簡單:Helix 使用標(biāo)準(zhǔn)架構(gòu) - 用于系統(tǒng) 2 的開源、開放權(quán)重 VLM 和用于 S1 的簡單的基于變壓器的視覺運動策略。
關(guān)注點分離:將 S1 和 S2 解耦，我們可以分別在每個系統(tǒng)上進行迭代，而不受尋找統(tǒng)一的觀察空間或動作表示的限制。
具體來說，Helix 能夠控制從單個手指運動到末端執(zhí)行器軌跡、頭部注視和軀干姿勢等一切。視頻演示中，機器人用頭部平穩(wěn)地跟蹤雙手，同時調(diào)整軀干以獲得*觸及范圍，同時保持精確的手指控制以進行抓握。
從機器人技術(shù)更迭歷史看，在如此高維的動作空間中實現(xiàn)這種精度水平被認為是*挑戰(zhàn)性的，即使對于單個已知任務(wù)也相當(dāng)困難，因為一般來說，當(dāng)頭部和軀干移動時，它們會改變機器人可以觸及的范圍和可以看到的范圍，從而產(chǎn)生反饋循環(huán)，而這種反饋循環(huán)在過去會導(dǎo)致不穩(wěn)定。之前沒有 VLA 系統(tǒng)能夠展示這種程度的實時協(xié)調(diào)，同時保持跨任務(wù)和對象泛化的能力。
兩個 Figure 機器人之間的協(xié)作零樣本雜貨存儲的過程中，機器人成功地操作了全新的雜貨，展示了對各種形狀、大小和材料的穩(wěn)健泛化。此外，兩個機器人都使用相同的 Helix 模型權(quán)重進行操作，無需進行針對機器人的訓(xùn)練或明確的角色分配。它們通過自然語言提示實現(xiàn)協(xié)調(diào)，例如“將一袋餅干遞給你右邊的機器人”或“從你左邊的機器人那里接過一袋餅干并將其放在打開的抽屜里”。
并且，通過簡單的“拾起 ”命令拾起任何小型家用物品。在系統(tǒng)測試中，機器人成功處理了雜亂無章的數(shù)千件新物品(從玻璃器皿和玩具到工具和衣物)，無需任何事先演示或自定義編程。
尤其值得注意的是，Helix 一定程度上彌補了互聯(lián)網(wǎng)規(guī)模語言理解與精確機器人控制之間的差距。例如，當(dāng)被要求“撿起沙漠物品”時，Helix 不僅能識別出玩具仙人掌符合這一抽象概念，還能選擇最近的手并執(zhí)行安全抓住它所需的精確運動命令。
不僅如此，從訓(xùn)練成本來看，F(xiàn)igure總共使用約 500 小時的高質(zhì)量監(jiān)督數(shù)據(jù)來訓(xùn)練 Helix，這僅僅是之前收集的 VLA 數(shù)據(jù)集的一小部分，并且不依賴于多機器人化身收集或多個訓(xùn)練階段。而且，Helix 僅使用一個統(tǒng)一的模型就實現(xiàn)了不同任務(wù)的強大性能。僅使用一組神經(jīng)網(wǎng)絡(luò)權(quán)重(系統(tǒng) 2 為 7B，系統(tǒng) 1 為 80M)，Helix 就可以在各種容器中拾取和放置物品、操作抽屜和冰箱、協(xié)調(diào)靈巧的多機器人交接，并操縱數(shù)千個新物體。
OODA首席技術(shù)官Bob Gourley對Helix 贊不絕口。
Gab AI的CEO Andrew Torba更是將 Helix 和 Grok3的發(fā)布相提并論，認為“未來就在這里”。
Helix的發(fā)布很快吸引了投資人的關(guān)注，香蕉資本的Turner Novak 隨即在推特發(fā)文問:“多久之后Figure機器人才能實現(xiàn)自我建造？”
Brett Adcock也很快作出了回應(yīng)，表示今年即將實現(xiàn)大批量生產(chǎn)，用機器人制造機器人，認為這將是“世界上最重要的資產(chǎn)”。
Figure 顯然在擴展人形機器人行為方面邁出了變革性的一步。
不過，F(xiàn)igure相當(dāng)謙虛:“這些早期成果確實令人興奮，但我們認為它們只是觸及了可能性的表面。我們迫切希望看到當(dāng)我們將 Helix 擴大 1,000 倍甚至更多時會發(fā)生什么。”
讓我們共同期待。
鄭重聲明：此文內(nèi)容為本網(wǎng)站轉(zhuǎn)載企業(yè)宣傳資訊，目的在于傳播更多信息，與本站立場無關(guān)。僅供讀者參考，并請自行核實相關(guān)內(nèi)容。
|
