Домашний робот обычно хорош ровно в той комнате, где его долго учили работать. Figure представила Helix 2.5, которая должна разорвать эту зависимость: гуманоид выполнил домашние задачи в 30 ранее незнакомых домах без сбора данных, дообучения и настройки под конкретное помещение.
В испытаниях робот убирал по 13–15 игрушек в корзину, складывал полотенца и застилал кровать. Новыми были не только планировки, но и предметы, с которыми машине приходилось работать. Для каждого задания использовали одну версию модели во всех 30 домах, а результаты из тестовых помещений не применяли для выбора или корректировки модели. Любое вмешательство человека засчитывали как неудачу.
Ключевой результат Figure связан не с отдельным трюком, а с переносом навыков. Модель, обученная с нуля только на данных для конкретных заданий, полностью справлялась с 9% испытаний. После предварительного обучения Helix 2.5 на массиве Index показатель вырос до 56%, то есть более чем в шесть раз. Частичного зачёта не было: требовалось завершить всю задачу.
Под «zero-shot» здесь понимается работа в новых помещениях и с новыми объектами, а не выполнение незнакомой команды без подготовки. Три вида домашней работы заранее задавали через дополнительное обучение на данных из других мест. Поэтому демонстрация показывает перенос уже освоенных навыков, а не способность робота самостоятельно придумывать новый способ действий с нуля.
Index собирает записи человеческого поведения, чтобы робот учился физическим действиям не только на собственных дорогих демонстрациях. Figure распределяет видео по категориям с помощью визуальных и текстовых представлений, а затем использует массив для предварительного обучения. Компания утверждает, что сейчас Index добавляет около 35 минут человеческого опыта каждую секунду.
Новая схема должна уменьшить зависимость от обучения на месте. По данным Figure, Helix 2.5 потребовалось вдвое меньше специализированных данных, чем сопоставимому поведению Helix 02, при этом новая модель перенесла навык на 30 чужих домов. Ранее Helix 02 уже работала автономными сменами, но в знакомой среде.
Домашняя среда усложняет задачу тем, что роботу приходится одновременно видеть предметы, ходить, менять положение корпуса и работать двумя руками. Helix 2.5 может отступить, занять другую позицию или обойти кровать, если первый захват оказался неудачным. Такое самокорректирующееся поведение особенно важно в тесных комнатах, где нельзя заранее прописать траекторию.
Figure также проверила, как масштаб Index влияет на качество переноса. Четыре модели обучали на вложенных наборах данных, различавшихся по объёму в восемь раз, сохраняя размер модели и последующее обучение неизменными. Ошибка предсказания следующего действия снижалась достаточно ровно, чтобы результат крупнейшего запуска заранее оценить с отклонением 0,54%.
Результат пока остаётся внутренней оценкой Figure. Компания сама определила критерии, провела испытания и опубликовала демонстрационные материалы, а независимого воспроизведения в представленном отчёте нет. Кроме того, 56% полного успеха оставляют заметный запас до бытовой надёжности: почти половина попыток по строгим критериям всё ещё заканчивается неудачей.
Figure считает Helix 2.5 подтверждением подхода, при котором гуманоид сначала получает широкий опыт от людей, а затем осваивает конкретную работу на меньшем наборе роботизированных данных. Компания выделила вычислительные ресурсы стоимостью $3,5 млрд на дальнейшее обучение Helix. Теперь ключевой вопрос связан с тем, превратится ли рост данных в устойчивую работу вне подготовленных сцен.
