Helix 02 是 Figure宣布的全身人形人工智能系统，支持持续移动和操作。 Figure 描述了一个层级结构，系统2负责解读场景和目标，系统1将机载感应映射到全身关节目标，系统0执行快速平衡和接触控制。
此次发布作为公司演示具有重要意义，而非独立证明一般人形机器人自主性。已发布的视频和架构细节确认了 Figure 所说在展示条件下发生的情况。它们未披露完整失败率、干预策略、训练分布、安全架构或第三方复制情况。
请结合 人形视频评估清单 和 机器人基础模型指南使用本指南。除非经过独立核实，否则将当前规格和指标视为过时的公司声明。
Helix 02将 Figure的模型延伸到全身
Figure 2026年1月27日发布的Helix 02 版本称，该系统将学习控制从上半身操作扩展到行走、平衡、手臂、手和手指，统一为一个层级。该公司呈现了一个连续四分钟的厨房任务，无需重置或人工干预。
该结果应被视为一个明确的示范。询问任务是如何选择的，发表运行前有多少试验，哪些算作干预，以及失败和恢复如何被广泛分布衡量。
系统2表示缓慢语义推理
Figure 描述 S2 是场景和语言层，产生语义潜在目标，如走向电器或携带物品。它不需要指定每一个脚步或关节轨迹。
这种分离使任务意图在更慢的时间尺度下运作。证据问题包括指令覆盖率、任务状态记忆、歧义处理以及场景变化或请求对象缺失时的处理。
系统1将机载传感器映射到全身目标
Figure 说S1接收头部和掌心摄像头、指尖触觉感知和全身本体感觉，然后输出整个机器人的关节目标。当头部摄像头视角被遮挡时，掌心视觉和触觉被呈现为有用。
传感器依赖性会产生校准、同步和故障问题。询问性能是否因照明、触觉漂移、污染、物体新颖性或缺失模态而变化。统一的策略仍通过物理传感器和执行器运作。
| 层 | 已出版的角色 | 已公布的时间表 | 证据问题 |
|---|---|---|---|
| S2 | 场景、语言与语义目标 | 较慢的推理 | 任务覆盖率与内存 |
| S1 | 传感器指向全身关节目标 | Figure 说200 Hz | 泛化与延迟 |
| S0 | 平衡、接触和执行器指令 | Figure 状态为1 kHz | 稳定性与转移 |
| 机器人硬件 | 视觉、触觉、本体感觉与执行器 | 物理环路 | 校准、极限与可靠性 |
系统0提供学习的全身运动先验
Figure 表示， S0是一个拥有1000万参数的网络，训练用于追踪重新定位的人类运动，同时保持稳定性。公司报告称，在超过20万个并行环境中，已完成超过1000小时的人体运动和仿真训练。
这些数字描述了 Figure报告的训练规模。它们并不能直接确定任务的可靠性、力量极限或安全性。人形机器人运动有助于协调，同时仍需机器人特有的动力学和防护。
层级涵盖目标、关节目标和转矩
S2、 S1 和 S0 在不同的时间尺度下工作，因此语义规划无需执行器频率。 Figure 将层描述为从像素到转矩紧密集成，而非手工设计的运动和操作状态机。
学习出的层级结构可以减少显式交接，但其内部耦合会使诊断变得复杂。工程师需要记录从目标到感知通过关节目标、接触、执行器响应和恢复的故障。
厨房演示测试了长时域的移动与操控
Figure 报告了在四分钟内完成了61个移动和操作动作的序列，包括盘子操作、行走和不同身体部位的使用。公司描述这次运行是自主且无重置的。
有用的后续验证资料括重复试验计数、物品破损、干预分类法、时间分布以及替代厨房或物品集。一次连续运行展示了集成性，但不具备车队级可靠性。
灵巧的说法依赖于触觉和手部视觉
Figure 展示了瓶盖取下、药丸处理、注射器移动及小金属件的选择。这些任务根据公司描述需要接触调节、闭塞处理和多指协调。
评估具体物体分布、力量精度、损伤和成功分母。演示中医疗外观的物体不能证明医疗器械能力、临床适用性或安全认证。
| 主张类型 | 已发表的证据 | 它支持的内容 | 未知之处 |
|---|---|---|---|
| 连续自主运行 | 展示的四分钟任务 | 可以形成综合行为 | 重复率与故障 |
| 全身策略 | S0-S1-S2 描述 | 架构说明 | 独立复制 |
| 触控灵活 | 精选小对象任务 | 传感器-策略能力 | 覆盖率与校准漂移 |
| 模拟传输 | 已披露的 S0 训练 | 开发方法 | 仿真—现实差距的边界 |
| 工厂使用 | 公司部署更新 | 运营方向 | 完整的客户指标 |
最新部署信息补充了语境，但不能作为通用能力证明
Figure 2026年6月30日宝马更新 称， Figure 03搭载Helix 02，执行制造物流流程，涉及零件操作和推车移动。这是比1月发布时更新的证据。
更新仍为第一方公司报告。区分显示的工作流程能力、报告先前生产贡献及独立审计的运营绩效。为每项主张提供日期，因为机器人世代和产品策略变化迅速。
安全性和可靠性与模型架构是分开的
全身像素到动作控制不披露操作中使用的独立保护层、力限、停止功能或危害分析。这些对于人员、工具、易破坏物体和动态行走至关重要。
询问传感器故障、网络丢失、坠落、关节限位和意外接触是如何被控制的。高频学习控制器可以在提升稳定性的同时，仍需在模型外具备安全级功能。
正确的评估能将建筑与证据区分开来
记录哪些事实来自 Figure，哪些在连续视频中可见，哪些是独立复现的。用成功分母、干预、速度、物体变异、失败、正常运行时间和服务来比较任务——而不仅仅是运动质量。
Helix 02作为公开的全身学习架构和一系列公司演示具有重要意义。随着客户和第三方可重复证据的出现，其更广泛的意义应予以更新。
评估“Figure Helix 02： S0、 S1和S2全身人形机器人控制解析”时，还应保存模型版本、机器人配置、标定文件、测试日期和全部试验记录。把成功、失败、恢复与人工介入放在同一份数据中，才能区分模型能力、系统接口和现场流程造成的差异。
成本评估除了设备与算力，还要记录数据采集、工程调试、安全措施、维护、停机和人员培训。只有把这些持续投入与单位成功任务的价值比较，才能判断方案是否适合扩大。
上线后仍要持续检查分布变化、传感器漂移、机械磨损和人工接管原因。监测结果应能触发降级、停止与重新验证流程，并为下一轮数据采集和模型更新留下可追溯记录。
最终结论应明确写出已知限制、尚未验证的场景和下一项可证伪的实验，使后续团队能够沿着证据继续推进。
实际项目还应指定数据、模型、控制器和安全流程的负责人，并预先定义回滚条件。责任边界、审批记录与变更日志越清楚，故障发生后越容易停止扩散、定位原因并安全恢复。
把任务拆成感知、决策、动作执行和结果确认，可以更准确地定位瓶颈。每一阶段都应有独立指标与失败示例，避免用端到端成功率掩盖偶发但严重的风险。
- 为每一家公司提供日期和归属。
- S2目标、 S1目标和S0控制分开。
- 检查连续视频是否有重置和干预。
- 请求分母、失败和任务差异。
- 将安全和车队可靠性视为独立的证据层。
常见问题
什么是 Figure 螺旋02？
这是 Figure宣布的学习控制层级，用于全体人形机器人运动和操作，结合语义层、视觉运动层和快速稳定层。
S0、 S1和S2是什么意思？
Figure 将S2描述为语义推理， S1为从机载传感器到全身关节的目标， S0则是快速平衡、接触和执行器控制。
那段四分钟的厨房视频有独立验证吗？
这是第一方 Figure 演示。公开发布声明称其为自主检测，没有重置或干预，但独立复制和完整试验统计数据并未公开。
Helix 02 使用触觉感应吗？
Figure 表示，Figure 03 的指尖触觉传感器和掌上摄像头为S1提供接触感知和重遮挡操作。
Helix 02 是否证明了通用人形机器人自主性？
不。它为展示的任务和报告架构提供了证据。总体可靠性需要更广泛的重复、客户和独立证据。
公司声明与证据说明
本文中关于Helix 02的细节和指标均归于 Figure2026年1月和6月的出版物，并于2026年7月29日核实。除非另有说明，否则均为公司主张；产品、部署和证据可能会有所变化。