Figure bygger sin egen robothjerne: Helix deler arbejdet i en langsom og en hurtig del

Figure har bygget sin egen hjerne til robotterne. Selskabet har præsenteret Helix, sin første egne AI-model til at styre en humanoid robot, og det kommer kun to uger efter, at Figure forlod sit samarbejde med OpenAI. Da bruddet blev offentligt, lovede stifter Brett Adcock at vise noget, ingen havde set på en humanoid, inden for cirka 30 dage. Helix er det, han mente.

Helix er det, branchen kalder en vision-language-action-model (VLA). Det er en AI, der tager imod tre ting på én gang: det robotten ser gennem sine kameraer, en instruktion i almindeligt sprog, og robottens egen stilling. Ud kommer bevægelser. I stedet for at en programmør skriver kode for hver enkelt opgave, lærer modellen at oversætte fra “her er et rodet bord, ryd det op” til konkrete arm- og fingerbevægelser.

En langsom del og en hurtig del

Det særlige ved Helix er, at Figure har delt arbejdet i to. Selskabet kalder dem System 2 og System 1, og de kører samtidig.

System 2 er den langsomme, eftertænksomme del. Det er en sprog- og synsmodel med 7 milliarder parametre, der ifølge Figure kører 7 til 9 gange i sekundet. Den ser på scenen, forstår kommandoen og lægger en plan. Hvad er det her for nogle genstande, og hvad skal der ske med dem.

System 1 er den hurtige del. Det er et mindre netværk på 80 millioner parametre, der tager System 2’s forståelse og oversætter den til faktiske bevægelser 200 gange i sekundet. Den høje hastighed er det, der skal til, for at en bevægelse bliver glat og ikke rykvis. Tilsammen styrer de to dele robottens overkrop med 35 frihedsgrader, altså håndled, fingre, torso og hoved.

Hele molevitten kører ifølge Figure direkte på robotten, på indbyggede strømbesparende GPU’er. Der er ingen ekstern server, der regner i baggrunden. Det er en pointe i sig selv, for en robot, der skal arbejde i et hjem eller en fabrikshal, kan ikke være afhængig af en stabil forbindelse til en datacentral.

Det viser demonstrationerne

I videoerne fra Figure giver to robotter sig i kast med at lægge dagligvarer på plads sammen. De kører på den samme model og samarbejder om opgaven. Genstandene har de ifølge selskabet aldrig set før i træningen, og alligevel finder de ud af at gribe og placere dem.

Robotterne arbejder under en menneskelig operatørs sproglige kommandoer. The Robot Report beskriver, at hele opgaven sættes i gang med et enkelt sprog-prompt fra et menneske, hvorefter robotterne selv vurderer scenen og fordeler arbejdet. En kommando som “tag det ørkenagtige objekt op” får dem til at finde det rigtige og gribe det. Det er altså ikke en robot, der selv beslutter sig for at rydde op. Det er en robot, der følger en talt instruktion og selv finder ud af de praktiske bevægelser.

Figure oplyser, at Helix er trænet på omkring 500 timers optagelser, hvor mennesker har fjernstyret robotterne gennem opgaver. Det er, hvad modellen har lært af. Selskabet fremhæver, at det er under 5 procent af, hvad lignende modeller normalt trænes på.

Det her er Figures egne demonstrationer, klippet af Figure. Vi har set robotten tale i realtid med en OpenAI-model før, og dengang var spørgsmålet det samme: hvor meget klarer robotten selv, og hvor meget er sat op til lejligheden. Helix kører på Figure 02, anden generation af selskabets robot.

Hvor godt Helix holder, når genstandene ikke er udvalgt af Figure, og operatøren ikke står klar med den rigtige kommando, er det, de kommende demonstrationer skal vise.