何が起きたか

Figureは公式サイトで、視覚と言語理解と学習制御を統合したVLAモデル「Helix」を発表した。Helixは、ヒューマノイドの上半身全体（手首、胴体、頭部、個々の指）を200Hzで連続制御する初のVLAであり、2台のロボットが協調して未知の物体を操作できるとしている。また、自然言語の指示に従い、未学習の家庭用物体を拾うことが可能で、低消費電力の組み込みGPU上で動作する商用利用可能なモデルだと報じている。

なぜ重要か

ヒューマノイドの研究者や開発者にとって重要なのは、Helixが一つの学習済みモデルのまま、物をつかむ、引き出しや冷蔵庫を使う、二台で協調するといった異なる操作を、作業ごとの追加調整なしで扱うとFigureが示した点です。評価では学習時に使っていない物体を対象にし、家庭内の多様な小物や設備を相手に、自然言語の指示から動作を切り替える方式がどこまで通用するかを確認できます。