2025年2月下旬，一段只有几分钟的短片刷屏了整个科技圈：一个人形机器人站在普通家庭的厨房里，听着人随口说出的自然语言指令，把桌上杂七杂八的食材、包装盒分门别类放进冰箱和抽屉——包括一袋被揉皱的薯片。没有预设动作，没有逐件编程，抓取路线每次都不一样，甚至两台机器人还共享同一套“大脑”分工干活。这条由人形机器人公司 Figure 发布的视频《Helix: A Vision-Language-Action Model for Generalist Humanoid Robots》，据当时多家科技媒体报道，上线数天播放即破百万，成为这两年具身智能赛道最出圈的公开时刻之一。
它为什么值得深读？因为这不只是一段“机器人好厉害”的演示片，而是机器人行业范式切换的公开宣言：过去六十年的机器人靠“建模—规划—执行”，这一条视频宣告的却是“看、懂、动”交给一个从数据里学出来的神经网络。看懂它，你就看懂了此后所有人形机器人演示视频的正确打开方式——知道哪里是真突破，哪里是剪辑魔法。本文按“视频讲了什么—知识从哪来—哪些站得住—对你有什么用”四步，把这条神课彻底拆开。
| 项目 | 内容 |
|---|---|
| 视频标题 | Helix: A Vision-Language-Action Model for Generalist Humanoid Robots（Helix：面向通用人形机器人的视觉-语言-动作模型，以频道页面为准） |
| 频道 | Figure（Figure AI 官方频道） |
| 发布时间 | 2025年2月20日（据频道页面） |
| 形式 | 实机演示短片，约数分钟，配官方技术报告 |
| 热度 | 播放量达数百万级，上线初期数天即破百万（据当时科技媒体报道，约值） |
| 平台热度背景 | 发布当周被 TechCrunch、IEEE Spectrum 等多家科技媒体大幅报道，社交平台转发量巨大 |
（注：播放量与时长为写作时点的约值，以 YouTube 频道页面实时数据为准。）
视频没有漫长铺垫，第一组镜头就是家庭厨房实景。人类用日常口语下指令，机器人执行把物品收纳进冰箱、抽屉的任务。关键细节是“物品的多样性”：膨化食品、盒装肉类、瓶罐、揉皱的软包装——软、滑、易变形的物体恰恰是传统抓取系统的噩梦。我的延伸：这个开场选择极其聪明。传统机器人演示爱用方块、圆柱等“友好物体”，因为刚性物体的抓取点好算；而软包零食会形变、会滑，是区分“背动作”和“真理解”的试金石。Figure 拿它开场，等于直接向业内发问：你们的规划器，敢碰这个吗？
视频与技术报告给出的核心概念是 VLA（Vision-Language-Action，视觉-语言-动作模型）：输入是摄像头图像加语言指令，输出直接是连续的电机控制信号——注意，不是“物体坐标列表”，不是“抓取点概率图”，而是逐时刻的关节控制指令。机器人整条手臂、手腕、躯干、头部共约35个自由度（据其技术报告）由同一个模型统一驱动，动作是流畅生成的，而非一帧帧拼出来的预设姿势。我的延伸：这里藏着本次范式切换的本质。传统方案是流水线：视觉模块识别→规划模块算路径→控制模块执行，每个环节各管各的、误差层层放大；VLA 把三段压缩成一个端到端的函数。就像大语言模型把“分词—理解—写作”压进一个 Transformer，机器人行业正在把“感知—决策—运动”也压成一个模型。压缩链条，就是在压缩误差，也是在压缩工程复杂度。
Helix 架构上最漂亮的一笔，是公开宣称采用“双系统”设计（据其技术报告）：S2 是一个约70亿参数的视觉-语言模型，负责理解场景和意图，以约7-9赫兹的频率慢速思考；S1 是一个约8000万参数的小型策略网络，接收 S2 的“意图向量”，以200赫兹的频率快速输出连续控制。名字直接致敬心理学家卡尼曼的“系统1/系统2”——慢思考与快反应。我的延伸：这两个频率数字背后是硬邦邦的工程算术。视觉理解不需要快——你盯着冰箱发呆三秒，没人觉得你卡了；但手指接触物体的瞬间，力学环境每几毫秒就在变，抓握控制若只有10赫兹，物体早从指缝滑走了。人脑也是这么干的：皮层慢速规划，脊髓与脑干反射弧毫秒级接管。Helix 用两个模型复刻了这个分工，这是整条视频里“含金量最高”的架构思想，后面我们会说它为什么对你也有用。
视频强调模型完全跑在机器人本体的嵌入式低功耗 GPU 上，不依赖云端。我的延伸：这句话的宣传口径是“实时性”，但真正的分量在产品逻辑。家务机器人若把摄像头画面传到云端推理，意味着延迟、断网即瘫痪，以及一个致命问题——你家里的实时视频流持续上传。离线推理把这三件事一次解决。这是“演示能跑”与“产品能卖”之间的一条分水岭，很多竞品演示对此闭口不谈。
技术报告披露，Helix 的训练数据只有约500小时的遥操作示范——操作员远程摇杆带机器人做动作，记录下来当教材。对比大语言模型动辄数万亿词符的互联网语料，这是个“赤贫”量级。Figure 的解法正是双系统架构的另一面：S2 直接继承互联网级图文预训练的常识（它“认得”薯片、知道冰箱是用来存的），S1 才需要昂贵的物理示范数据来学会“怎么拿”。视频里还有一个传播度极高的镜头：两台机器人由同一套模型权重驱动，在同一张桌上协作分拣。我的延伸：“500小时”是这个行业最诚实的伤口。大模型吃的是人类几千年积累的文本，机器人需要的却是“亲手做过”的数据——互联网上没有“如何抓起一袋揉皱的薯片”的十亿次示范。谁先造出数据飞轮，谁就拿到这一代的护城河。
莫拉维克悖论（Moravec's paradox）。认知科学家汉斯·莫拉维克在1988年《Mind Children》中指出：让计算机下棋、做逻辑推理这类“高智”任务相对容易，而让机器完成一岁婴儿都会的感知与运动——抓东西、走路、识物——反而难到绝望。原因是演化：人类用了几亿年打磨感知运动系统，把它优化成了无意识的本能，本能才是最深的功力。人形机器人此前几十年的停滞，本质就是卡在这条悖论上。Helix 的全部意义，就是宣称用大模型范式正面强攻这座堡垒。
VLA 的技术谱系。Helix 不是凭空出现的。2022年谷歌发布 RT-1，首次把机器人操作数据大规模喂进 Transformer；2023年7月谷歌 DeepMind 的 RT-2 明确提出 VLA 概念，让机器人直接调用网络图文知识做动作泛化；2023年哥伦比亚大学程驰等人的 Diffusion Policy 把扩散模型引入连续动作生成；2024年斯坦福的 ALOHA/Mobile ALOHA 用低成本遥操作装置证明了“示范数据可以便宜地攒”；同年开源的 OpenVLA（斯坦福/伯克利等）与 Physical Intelligence 的 π0 把这条路线推向社区。Helix 是这条谱系上第一个“整建制上身”的消费级身体演示——前面是学术原型和机械臂，它是完整人形。
卡尼曼的双系统理论。丹尼尔·卡尼曼2011年《思考，快与慢》提出：系统1快速、自动、并行、耗能低；系统2缓慢、受控、串行、耗能高。Helix 把这套认知科学隐喻直接变成工程架构，是近年“认知科学→AI架构”最工整的一次翻译。类似的做法在自动驾驶里也有影子——规划层慢速重估、控制层高频执行——但 Helix 的参数规模对比（70亿对8000万，近一百倍）让这个隐喻显得格外锋利。
电驱动与执行器的十年补课。视频里那些流畅腕部动作的另一块基石不在 AI，而在硬件：谐波减速器、高扭矩密度电机、关节力控技术的成熟。佐证是2024年4月波士顿动力宣布退役液压版 Atlas、转向全电动 Atlas——液压虽然力大，但漏油、噪声、维护成本让它没法进家庭。软硬两条线恰好在这个时间点交汇，才有了“AI大脑配得上身体、身体配得上AI大脑”的窗口期。
站得住的部分。第一，VLA 作为方向已被多个独立实验室收敛验证——谷歌、斯坦福、伯克利、Physical Intelligence、Figure 互不通气却走上同一条路，这在科学上叫趋同证据，比任何单家演示都硬。第二，双系统的延迟算术是公开的工程常识，不依赖任何未公开数据，你自己拿“接触任务的反馈周期”一算便知。第三，端侧推理趋势真实：英伟达 Jetson 一类嵌入式算力平台的成熟有公开路线图可查。
要打折的部分。第一，演示片是精选集。公开演示视频天然经过挑选，失败片段、极端物品、异常光照大概率不在片里；“揉皱薯片能抓”不等于“你家所有东西都能抓”。看任何机器人演示都要默认存在幸存者偏差。第二，“通用”的边界要读细：Helix 首发版本覆盖的是上半身操作，行走与操作的一体化（边走边稳定地干活）在当时并未完整展示；家庭场景的长期可靠性、电量、安全认证更是远未解决。第三，500小时数据的泛化声明值得持续追问：泛化到“没见过的物体”与泛化到“没见过的任务”之间隔着一整个数量级的难度，视频证明的是前者。第四，两家机器人“共用一套大脑”很惊艳，但严格说这是共享策略的并行执行，离真正的任务级协作规划还有距离。第五，商业时间线要冷静：Figure 的落地路径是先工厂后家庭（其与宝马工厂的合作早于本视频，据公开报道），厨房演示是能力展示而非产品预告——演示到产品，行业均值大概是十年。
学界的老争论。“为什么非得是人形”至今没有定论：轮式底盘便宜可靠，专机专形往往更优；人形派的真实论据是“世界为人形而建”——楼梯、门把、货架都是按人体尺度造的。这场争论没有裁判，但消费者未来五年会用手里的订单投票。
给所有看AI演示的人：一张“五问清单”。下次看到任何炸裂的机器人/AI视频，先过五问：剪辑了几次？物品是摆拍还是随机的？失败后有没有恢复镜头？反应延迟是实时还是快进？模型多大、数据多少？这一套问下来，十条爆款视频里大约有七条会从“震惊”降级为“营销”，剩下三条才是真信号。这个清单不花一分钱，却能帮你省下未来几年被各种“颠覆性演示”反复收割的判断力。
给工程师与产品人：“快慢双系统”是一个通用架构模式。任何系统里都藏着7赫兹与200赫兹的分工：LLM 应用里，慢的是大模型推理，快的应该是规则与缓存兜底；个人知识管理里，慢的是深度阅读，快的是随手收藏的反射弧。把“理解”和“反应”拆成两个频率不同的层，各用各的工具，这是 Helix 教的、比机器人本身更值钱的一课。
给关心这个行业的人：盯数据飞轮，别盯播放量。具身智能当前的瓶颈不在模型架构而在数据供给——遥操作数据的采集成本、仿真到现实的迁移（MuJoCo 等物理仿真器的成熟是关键基建，该引擎由埃默·托多罗夫创建、后由 DeepMind 开源）。未来两年真正的行业风向标，是各家遥操作数据产线的规模与岗位（远程操作员已经成为真实职业），而不是又一条千万播放的演示片。
flowchart TD
A["摄像头画面加语音"] --> B["S2大脑 70亿参数"]
B -->|"7-9赫兹慢思考"| C["意图向量 理解要做什么"]
C --> D["S1小脑 8000万参数"]
D -->|"200赫兹快反应"| E["35自由度连续控制"]
E --> F["腕肘肩躯干协同"]
F --> G["抓起从未见过的软包"]
H["500小时遥操作示范"] --> I["一次训练 全部学会"]
I --> B
I --> D
G --> J["数据飞轮 越用越强"]
J --> H
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。