Figure机器人能叠毛巾铺床了：具身智能的'泛化'究竟难在哪

提到具身智能最大的坎，业内几乎都会回答同一个词：泛化。什么叫泛化？就是让机器人在一个它从没见过的环境里，也能把活儿干利落。最近美国机器人公司Figure，专门拿这个当考题出了一次题。

当地时间9月17日，Figure公布了新一代神经网络模型Helix 2.5在泛化学习上的进展。这回他们做了一个有点"较真"的实验：租赁了30套普通住宅，没有提前采集、没有预先训练，让机器人直接进到完全陌生的客厅、卧室里干活。

干的是什么活

演示里的场景很日常：在陌生的客厅里打扫和整理，从一堆东西里把毛巾叠好放回原位，把床铺整整齐齐地铺好。这些对人有手就行的事，放到机器人身上，就是一道需要层层拆解的难题。

难点在于，家里没有标准产线那样规规矩矩的工位，椅子高矮不齐、东西随手乱放、光照角度每天都在变。机器人要在这种"不可预测"里，靠自己看清环境、判断意图、再决定下一步动作。

为什么这事值得关注

回顾Figure的路线能看出它的思路。2025年2月，Figure推出Helix端到端具身模型，第一次把"视觉-语言-动作"这套VLA框架用在人形机器人上，让机器人的学习能力和肢体控制连成一坨。

2026年1月，Figure发布Helix 02，采用"System 0-2"三级架构，分别处理底层反射运动、运动控制、以及语言和场景理解。到5月，搭载Helix系统的Figure 03已经能在包裹分拣流水线上连续工作超过200个小时。

从封闭流水线，到开放陌生住宅，这一步的本质区别，是机器人从"背答案"走向了"陌生题也敢碰"。Helix 2.5要解决的，正是这个泛化难题。

泛化到底难在哪

说白了，深度学习模型在训练过的场景里表现优异没什么稀奇，难的是它能不能把能力迁移到从没见过的地方。Figure这次选择30套真实住宅做主战场，等于主动放弃了"环境固定"这个保险。

但也要泼一盆冷水：30套住宅仍然是相对可控的测试样本，距离真实家庭里那种"犄角旮旯堆满杂物、老人孩子来回走动"的极端复杂度，还有不小距离。叠毛巾、铺床这类任务相对结构化，真要覆盖洗碗、收纳这种千变万化的家务，还有很长的路。

写在最后

Figure的Helix 2.5，往小了看是自家模型的一次迭代，往大了看，是具身智能从"会特定几招"向"会随机应变"迈进的缩影。

当机器人在陌生房间里能自己判断该叠毛巾还是铺床，具身智能离"进家"这个方向，就又近了一小步。泛化这道题没有捷径，只能拿真实场景和数据一层层去磨。谁先磨透，谁就占住了下一波市场的身位。