Helix 02に至るFigureのVLA：上半身の言語制御から全身、そして見知らぬ家へ

Figureは2025年2月20日に、汎用Vision-Language-Action（VLA）モデル「Helix」を公表した。上半身全体を高頻度で連続制御するモデルで、同社は「初のVLA」と位置づけている。以下では、Helix、Helix Loads the Dishwasher、Helix 02、BMWでのFigure 03を発表日順に分けて整理する。

技術動向：上半身を言語で動かす

Helixは「System 2（S2）」と「System 1（S1）」の二層構造である。S2は7Bパラメータのオープンソース・オープンウェイトVLMで、7〜9Hzで場面理解と言語理解を担う。S1は80Mパラメータのクロスアテンション型Transformerで、35自由度を200Hzで出力する。両者は潜在ベクトルで接続され、エンドツーエンドで学習される。学習データは約500時間の遠隔操作データで、同社はこれを既存VLAデータセットの5%未満と記している。

最大の新しさは、タスクごとの微調整なしに一つの重みで複数の動作を扱った点である。同社は食料品の収納を2台協調で行う例も示した。

2025年9月3日のHelix Loads the Dishwasherでは、同じモデルに新しいデータを追加するだけで食洗機への積み込みを習得したと報告された。新しいアルゴリズムや特殊な実装は使っていないとされる。ただし、どの程度の成功率だったかは示されていない。

一方で、初代Helixには「commercial-ready」という表現がある。資料が示しているのは「組み込みの低消費電力GPUで全処理が動く」という事実だけで、価格、提供形態、稼働率は書かれていない。「thousands of novel items」という表現も、成功率を伴う具体的な評価は示されていない。筆者はここを、まだ実用性能の証拠ではなく自己申告として扱うべきだと考える。

Helix 02と手先の感覚

2026年1月27日、FigureはHelix 02を発表した。制御対象は上半身から全身に広がり、脚、胴、頭、腕、指を一つのネットワークで扱う。新たに加わったのは、高速に動く低レイヤーの制御層「System 0（S0）」である。S0は、人間の動作データと大規模な並列シミュレーションを用いて学習されたとされる。資料によれば、S0は従来の手書きの制御コードを置き換えたという。

デモは、食洗機への歩行、積み下ろし、部屋の横断、キャビネットへの格納、起動までを、リセットや人の介入なしに連続して行うものだ。Figureはこれを「最長のホライズン」と自ら評価しているが、比較対象の定義は示されていない。

ここで注意したいのは、指先の触覚センサーとパームカメラがFigure 03の新規ハードウェアとして書かれている点だ。Figure 02で同じ動作が可能かどうかは、資料からは判断できない。

| 項目 | Figure 02 | Figure 03 |
|---|---|---|
| 主な任務 | 板金部品の挿入 | 仕分け（sequencing）を含む物流 |
| 実績 | 生産現場での運用が中心 | 2026年6月にスパルタンバーグで実証開始 |
| 手先のセンサー | 資料に記載なし | 指先の触覚センサー、パームカメラ |

BMWグループは2026年6月25日のプレスリリースで、Figure 02のパイロットを経てFigure 03を仕分け作業に投入すると発表した。Figureは6月30日の記事で、Helix 02がハンドと脚を同時に制御し、キャビネットへの格納などを行う様子を紹介している。ただし、これらは企業側の発表と実証の段階であり、現場での稼働率や長期的な信頼性は、現時点の一次情報からは判断できない。