Helix 这模型搬不回家，我换了个法子测

被朋友安利了 Helix。他在一家人形机器人集成公司干活，微信上甩过来一段视频，说 Figure 的机器人进了客户家里，自己找东西自己拿，让我看看是不是吹的。

我说行。但得先把话说清楚，Helix 不是能下载的 App，也不是能搬回家的硬件。它是 Figure AI 的一套视觉语言动作模型，通俗点说，就是装在人形机器人脑子里的那套决策系统。视觉语言动作，英文缩写 VLA，意思是它能同时处理看到的画面和听到的话，然后直接输出动作，中间不用人再翻译一遍。它跑在 Figure 03 这台机器人身上。我手里没有 Figure 03，国内也不太好弄到。

所以我换了个法子，蹭他的实验室泡了一下午。我自己拍机器狗视频有一阵了，人形机器人也上手一个来月，看这套东西不算完全外行。

他们公司没代理 Figure，但攒了不少一手资料，还有一段客户现场的操作录像。我看到的操作端比想象中简单，就是一个输入框，敲一句「把桌上的东西收进冰箱」，机器人自己去拆步骤，拆完执行。朋友让我自己敲两条，一条拿杯子，一条把散落的东西归拢到一处。杯子那条成了，归拢那条卡了一下，机器人对着一个软包装犹豫了几秒才动手。

Helix 最核心的设计是双系统。一个叫 S2，负责理解场景和语言，思考频率大概每秒七到九次。另一个叫 S1，负责把想法变成具体动作，每秒能跑两百次。这套设计的意思就是，慢的那个想大方向，快的那个管手上别抖。录像里两台机器人一起搬东西，一台转身，另一台立刻跟着调姿态，那一下确实顺。

惊喜的地方在泛化。官方演示里它拿过一个之前没见过的仙人掌，带刺的、形状不规则的，照样能抓起来。它是靠模型自己认，没提前把每个物体都编进程序。我朋友说他们内部复现时也试过没见过的日用品，成功率比他预想的高。

卡住的地方也很实在。S2 每秒七到九次这个频率，意味着它的理解是有间隔的，遇到需要立刻反应的场面，只能靠 S1 硬顶。早期版本的 Helix 只控制上半身，三十五个自由度上下，腿是另一套东西在管，后来才出的全身版本，把走路、平衡和操作并到一个网络里。还有就是场景一变，表现会掉。换个房间布局、换套灯光，同一件事就得多试几次。

我这边测下来最直接的感受是，它把听懂人话和动手干活接成了一条链，但这条链还不够粗。它值不值得你关注，取决于你手里有没有一台能跑它的机器人。

它做得好的地方有几个。自然语言直连动作，不用为每个任务单独训一遍，这是真的省事。泛化抓取在同类里算靠前。多机协作那段不是剪出来的效果，逻辑上说得通。问题也很实在，延迟感明显，对突发情况的处理还嫩，接触门槛极高，个人和小团队基本没戏，换环境掉点这件事说明它离稳定还差一截。

所以结论是看情况。做家庭服务机器人、手里有整机团队、需要泛化抓取能力的，值得盯着它，把它的技术路线当参照物。想快速做 demo 卖货的小团队，别对标它，你的数据闭环撑不住这套玩法。至于像我这样的内容创作者和个人用户，短期内它跟你没关系，看看演示就够了。

真要我给个建议，如果你在做具身智能，别急着追 Helix 的演示效果，先问自己一个问题，你手上有多少小时的自家场景数据。模型再强，没有数据喂它，它也只是一段视频。