Figure 机器人发布首个通用视觉语言行动模型

当地时间 2 月 20 日，美国人形机器人公司 Figure AI 发布了首个通用视觉 – 语言 – 行动（VLA）模型「Helix」，其能够像人类一样推理，并将感知、语言理解和学习控制融为一体。

据介绍，Helix 可以通过自然语言直接控制人形机器人整个上半身。官方表示，Helix 能够在没有特定任务演示或大量手动编程的情况下，即时生成长期、协作、灵巧的操作。Helix 拥有强大的物体理解能力，因此搭载此模型的 Figure 机器人只需通过自然语言询问，就能拿起数千种形状、大小、颜色和材料属性各异的小型家居产品。

同时，Helix 还能够在两个机器人上同时运行 VLA，使它们能够解决共享的长程操作任务，操作它们从未见过的物品。并且 Helix 是首个在完全板载嵌入式低功耗 GPU 上运行的 VLA，可立即投入商业部署。

此外，Helix 是首创的 「系统 1 + 系统 2 」VLA 模型。Helix 通过接耦合的架构方式，允许每个系统以其最佳时间尺度运行。具体来看，系统 1 可以通过「快思考」实时执行和调整动作，同时系统 2 可以「慢思考」实现高层次目标。

整个架构中，系统 2 是 VLM 骨干，基于一个 7B 参数的开源、开放权重 VLM，并在互联网规模的数据上进行了预训练；而系统 1 是一个 8,000 万参数的交叉注意力编码器 – 解码器 transformer，用于处理底层控制。

文章来源：爱范儿     作者：柯 铭源