分类：AI动态 标签：人形机器人、大模型、人工智能、Figure AI
估值高达 390 亿美元的全球最贵人形机器人独角兽 Figure AI，最近将其最新一代系统 Helix 2.5 直接送进了旧金山湾区的 30 套陌生住宅中。
在这次测试中，Figure AI 宣称自己找到了机器人领域的 Scaling Law（规模定律）。然而，当测试数据公布后，却在行业内引发了不小的争议——同行们并没有送上掌声，反而直言其核心技术路线可能存在根本性缺陷。
迈向零样本泛化的 Helix 2.5
过去，人形机器人的演示大多局限在光线良好、布局固定的实验室样板间里。为了跨越这一限制，Figure AI 在旧金山湾区租下 30 套从未录入过机器人训练数据的住宅，让 Helix 2.5 直接挑战整理客厅、铺床和折叠毛巾三项日常任务。
在测试机制上，Helix 2.5 改变了以往的学习方式：
- 预训练阶段：从随机初始化开始，先在 Figure AI 的人类行为数据集 Index 上完成预训练。
- 下游适配：分别针对玩具整理、毛巾折叠和铺床三种行为进行微调。
- 测试表现：在未曾见过的真实住宅、房间布局及具体物品面前，机器人展现出了初步的零样本（zero-shot）迁移能力，甚至具备了全身纠错动作（如发现操作位置不合适时会后退并重新调整站姿）。
最终的官方测试数据显示，在总共 420 次测试中，Helix 2.5 成功完成 237 次，完整任务成功率为 56%。相比于未经 Index 预训练的对照模型（仅有约 9% 的成功率），这一数字被 Figure AI 视为具身智能泛化能力的一大突破。
Figure AI 押注：机器人也有 Scaling Law
大语言模型（LLM）之所以让科技界着迷，在于其进步可以通过增加数据、模型参数和计算量来进行预测。而长期以来，机器人行业由于数据昂贵、规模较小且环境多变，一直无法享受到这种红利。
但在 Helix 2.5 的技术博客中，Figure AI 明确宣称其观测到了第一条在人形机器人上测得的「人类到机器人迁移 Scaling Law」。
为了证明这一点，Figure AI 使用了四个不同规模的 Index 数据集（数据量依次为 1 倍、2 倍、4 倍和 8 倍）进行实验。结果显示，数据量每翻一倍，模型预测机器人下一步动作的误差就会持续下降。为了将这一叙事进行到底，Figure AI 还与 Nscale 签署了包含 35 亿美元的初始算力承诺，计划长期部署最多达 10 万块英伟达 Vera Rubin GPU。
在 Figure AI 看来，当前的 56% 成功率仅仅是一个规模问题——只要继续扩大数据、模型和算力，成功率就会像大语言模型一样不断向上增长。
同行泼冷水：泛化还是伪命题？
然而，数据公布后，业内并未迎来一片叫好，反而遭到了多位同行的公开质疑。
- 可靠性存疑：Sunday Robotics 联合创始人兼 CEO Tony Zhao 指出，237 次成功也意味着机器人接近一半的时间处于失败状态。在充满易碎物品、儿童和宠物的真实家庭环境中，偶尔完成任务与用户能够放心让其独立工作有着本质区别。
- 技术路线之争：Synapticon 联合创始人 Nikolai Ensslen 的评价则更为尖锐。他认为，44% 的任务未能完成恰恰证明了 Figure AI 使用的模仿学习系统根本无法泛化。真正的泛化意味着换一个地方能够持续、稳定地工作，而不是在偏离训练经验时束手无策。
批评者认为，传统的视觉语言动作模型本质上仍在学习视觉与动作轨迹的对应关系。当场景偏离训练经验时，模型往往只会机械地重复原有轨迹，而非真正理解任务语义与自身操作结果。
总结与展望
Helix 2.5 的推出，无疑是人形机器人走向真实世界落地的一次勇敢尝试。它让我们看到了将人类行为数据大规模迁移到人形机器人身上的可能性，但也暴露出当前模仿学习在面对复杂环境时，距离真正的高可靠性仍有不小差距。
这场关于 Scaling Law 是否适用于机器人的争论才刚刚开始。如果未来数据和算力的堆砌能让成功率稳步跃升至 90% 以上，Figure AI 将彻底改变行业格局；反之，若成功率长期停滞不前，那么整条模仿学习路线的合理性势必将遭到更彻底的审视。