在工业流水线上，机械臂能以毫米级精度重复作业；但在家庭场景中，机器人却常因一个歪倒的玩具或褶皱的衣物而"手足无措"。这种困境折射出机器人技术的核心挑战——如何在开放环境中实现智能的实时泛化。传统方法依赖海量标注数据和预设规则，但面对家庭场景中数以百万计的长尾物体（Long-Tail Objects），这种模式已触及天花板。

Helix的五大能力

全身灵活控制：上半身包含35个自由度（DoF），协调手腕、手指、躯干等部件的连续动作，相当于同时控制35条相互耦合的物理方程。首个能实时控制人形机器人完整上半身（含手指）的模型，像人类一样协调上半身所有关节（包括手指），每秒调整动作200次，灵活到能稳稳抓住一个易碎的鸡蛋。

双机器人协作：两台机器人首次能协作完成从未见过的长期任务，像好搭档一样，通过简单对话（比如“把右边那包饼干递给那家伙”）合作完成复杂任务。

万物皆可抓：通过自然语言指令抓取数千种陌生家居物品，这里有个视频只要说“捡起那个沙漠主题的东西”，它就能从玩具堆里准确抓起一个小仙人掌模型，即使它从没见过这个玩具。

一个大脑搞定所有：不像传统机器人每个技能都要单独训练，Helix用同一套“脑回路”就能开关抽屉、整理冰箱、传递物品。

低功耗可量产：完全运行在低功耗嵌入式GPU，随时可以量产。

传统机器人教一个新动作需要专家编程或上千次演示，而Helix只需用自然语言描述任务。

Helix双系统异步协作架构设计

系统2（S2）：一个在7-9赫兹下运行的互联网预训练VLM，用于场景理解和语言理解，能够在对象和上下文之间进行广泛的泛化。潜在语义通信机制：S2输出的潜在向量包含三类信息：①任务语义（如"抓取易碎品"）   object_properties ②物体物理属性（质量分布、摩擦系数等）   safety_constraints③安全边界（力度阈值、碰撞检测等）

系统1（S1）：80M参数的Transformer，以200Hz将S2的语义规划转化为具体动作（如手指屈伸、躯干姿态调整）

Helix零样本学习：机器人学会“触类旁通”

零样本学习（Zero-Shot Learning）的核心是让机器人在从未见过某类物体或场景的情况下，仅通过语义理解和知识迁移完成任务。Helix在此领域的突破，本质上是将大语言模型的“常识推理”与机器人动作的“物理直觉”深度融合。

传统机器人依赖“物体特征库”或“动作模板库”，而Helix通过多模态对齐实现泛化

语义嵌入（Semantic Embedding）

• 预训练视觉语言模型（VLM）将物体视觉特征（如形状、纹理）与语言描述（如“易碎玻璃杯”“褶皱衣物”）映射到同一语义空间。例如，模型会建立“透明→易碎→需轻柔抓握”的关联。

• 这种关联不依赖具体物体实例，而是通过互联网级多模态数据（如商品图库、教学视频）学习抽象概念。

动作生成（Action Generation）

• 当收到“捡起沙漠主题物品”指令时，Helix的S2系统（VLM）解析语义，输出潜在向量（Latent Vector），编码高层意图（如“需选择尖锐多刺的物体”）。

• S1系统（控制策略）将此向量与实时视觉输入结合，生成适配当前物体物理特性（如尺寸、重心）的动作轨迹。例如，对仙人掌玩具采用“三指捏握”而非“五指抓握”。

案例1：抓取未知的“玩具仙人掌”

• 输入指令：“捡起沙漠主题物品”

• 执行过程：

1. S2解析语义：从场景中识别符合“沙漠主题”的候选物体（仙人掌玩具、沙漏、骆驼模型）。

2. 基于物理属性筛选：仙人掌玩具具有“多刺、直立、底部平坦”特征，符合稳定抓取条件。

3. S1生成动作：选择拇指、食指、中指形成三角支撑点，同步调整躯干前倾以平衡重心。

案例2：双机器人协作传递陌生物品

• 输入指令：“将XX递给右侧机器人”

• 执行过程：

1. S2推断协作逻辑：XX需在双手间平稳转移，且接收方需提前调整手部姿态。

2. 跨机器人语义同步：通过共享潜在向量，两台Helix的S2系统协商动作时序（如递出时机与接收准备）。

3. S1实时避障：在传递过程中动态调整手腕角度，避免包裹与对方手指碰撞。

这套双系统与之前这篇文章中的有异曲同工之妙：人话讲大热的自动驾驶LLM-VLM-E2E-DualSys等新范式

同时HiRT这篇文章，与Figure的Helix综述也是相似的方法，与自动驾驶双系统研究一样，来自清华团队的研究。