Figure AI가 VLA(Vision-Language-Action, 시각·언어·행동 통합 모델)인 Helix를 처음 공개했다. 그리퍼 위치만 다루던 이전 VLA와 달리 손가락 다섯 개·손목·머리·몸통까지 신경망 하나로 구동한 첫 사례이고, 판단을 맡는 System 2와 반사를 맡는 System 1로 나눈 구조를 이 편에서 처음 밝혔다.

핵심 포인트

• 자유도 35개. 이전 VLA는 그리퍼 위치(XYZ 3개, 피치·롤·요 3개, 그리퍼 여닫음 1개, 합쳐 7 자유도)만 다뤘는데, Helix는 손가락 다섯 개씩·손목·머리·몸통까지 35 자유도를 한 번에 낸다.
• 고전 제어 없이 신경망 하나로. 보스턴 다이내믹스 아틀라스처럼 최적화 문제를 푸는 고전 제어 대신, Helix는 신경망만으로 로봇을 구동한다. 레이턴시가 높아 못 쓴다고 여겨지던 방식이 실제로 돌아간 점에 진행자들은 놀란다.

• System 2는 판단, System 1은 반사. 7B급(진행자는 처음 8B로도 언급) VLM인 System 2가 이미지·명령·조인트 각도를 받아 7~9Hz로 판단하고, 결과를 레이턴트 벡터(latent vector, 신경망 내부의 압축된 표현 값)로 넘기면 System 1이 200Hz로 빠르게 액션을 낸다.
• 비동기라서 시간적 오프셋을 넣었다. System 2가 판단을 내릴 때쯤 로봇 상태가 이미 바뀌어 있을 수 있어, 두 신경망 사이에 시간 오프셋을 학습에 넣었다고 진행자들은 설명한다. 정확한 이유는 회사가 공개하지 않았다.
• 오픈AI와 결별하고 자체 모델로. 앞서 화제가 된 사과 집기 데모는 오픈AI의 스피치 API로 계획을 세운 것이었는데, 이번엔 로봇 하드웨어뿐 아니라 VLA 모델까지 Figure AI가 직접 만들었다.
• π0와는 정반대 지향. Physical Intelligence의 π0(파이제로)는 VLM 3B로 다양한 로봇 몸체에 두루 통하는 범용성을 노리는데, Helix는 VLM 7B급을 자기 하드웨어 하나에 최적화해 35 자유도까지 끌어올렸다.
• 학습 데이터는 텔레오퍼레이션 약 500시간. 텔레오퍼레이션(teleoperation, 사람이 로봇을 원격 조작해 움직임을 그대로 따라 하게 만드는 방식)으로 모은 데이터를, System 2의 VLM이 스스로 지시문을 추론해 자동 라벨링했을 것으로 진행자들은 추정한다.
• GPU 두 개로 분리 구동. 느린 System 2와 빠른 System 1을 GPU 두 개에 나눠 돌리는 것으로 진행자들은 추정하며, 이 설계를 근거로 데모만 있고 실체가 없다던 기존 의심을 접는다.

주요 숫자

사람처럼 그 사람의 상체를 되게 정밀하게 지금 구동시키고 있는게 일단 처음으로 되게 신기해요