00:00Der holy grail für Robotics ist, dass man zu generalize ist.
00:03Das bedeutet, dass man die Arbeit in unabhängigen Pläne ist.
00:06Heute, wir sind die Helix 2.5.
00:09Let me be clear, das ist der wichtigste Projekt,
00:12wir haben auf FIGURE gemacht.
00:14Wir müssen die Roboter auf der Schule bringen,
00:18und es muss sich direkt aus dem Haus arbeiten.
00:20Prior zu diesem, wir haben die Helix autonom,
00:22aber die Daten collected sind in jeder Environment.
00:25Die Breakthrough ist, dass wir in die Welt nicht gesehen haben,
00:28wie wir bereits haben, und handeln neue Houselte Objekte,
00:30woher sie sind.
00:32Heute, wir werden Ihnen drei Tasche,
00:34von Helix 2.5, in einem neuen Haus.
00:37Die erste Task ist FIGURE 3, Tidying the Living Room.
00:40Meine Kinder sind immer wieder zu Hause.
00:43Ich habe Toys scattered überall.
00:46Das ist ein Haus die Roboter haben,
00:48die Roboter hat nie gesehen.
00:49Die Roboter hat nie gesehen, diese Objekte.
00:52Wir haben keine Veränderungen in der Training.
00:55All wir haben gemacht haben ist,
00:57wir haben das Beste,
00:58wir haben das Beste,
00:59wir haben die Roboter hier gemacht,
01:00und jetzt ist es wirklich sehr gut gemacht.
01:04Und die Roboter ist,
01:06die Dynamik in der Environment,
01:08von hier, FIGURE 3,
01:10wir gehen die ganze Wohnung aus,
01:11und wir gehen die ganze Wohnung.
01:14All right, wir haben noch eine Task zu zeigen,
01:16jetzt.
01:16Let's go.
01:20My dream is to never have to make my bed again.
01:23In order to do that,
01:24we have to be able to deploy to any home.
01:27What's interesting here is FIGURE 3
01:29has never been in this room before,
01:30it's never seen this bed,
01:32it's never seen this pillow,
01:33and it has to be able to do autonomous work,
01:35fully end-to-end,
01:36to make this bed.
01:41Alright, let me show you Task 3.
01:49Okay, this one's important.
01:52Doing laundry is the worst.
01:54At my house,
01:55we're doing laundry every single day.
01:57This task is really difficult for robotics
02:00as it requires really precise manipulation.
02:05With Helix 2.5,
02:07we're folding towels in a house
02:10the robot's never been in,
02:11with towels it's never seen.
02:19You just saw Helix do 3 tasks in this home,
02:22but we didn't just test here.
02:25We rented 30 homes across the Bay Area.
02:28These are homes we never set foot in,
02:30and we deployed Helix 2.5.
02:31We saw success in every one of them.
02:34Now Corey, our head of AI,
02:36will walk you through the results.
02:38Helix 2.5 is a step change
02:40over all our previous systems.
02:42It's the most advanced neural network we've ever built.
02:45It's a single model that can tidy entire rooms,
02:48make beds,
02:48and fold laundry in homes it's never been,
02:50with items it's never been trained on.
02:52These tasks were chosen because they require solving
02:55nearly every classical robotics problem at once.
02:57perception, locomotion, manipulation,
03:02handling rigid and deformable objects all in real time.
03:05This model doesn't just have to do this in one home, or two.
03:09We ran evaluations in 30 Bay Area homes,
03:12with zero data collected in any of them.
03:15And we saw Helix 2.5 succeed in all of them.
03:29In robotics, we call this zero-shot, whole-body generalization.
03:33And it's the first result of its kind.
03:35What's really unique here is,
03:36you're seeing whole-body humanoid behavior
03:39across entire rooms,
03:40in multiple homes, with zero new training.
03:44All of this takes an enormous amount of prior experience.
03:46So where does this come from?
03:48Large language models really took off
03:50when people found a way to combine
03:51scalable pre-training with massive amounts of data and compute.
03:55Robotics doesn't have internet-scale data.
03:58So, a year ago we made a big bet.
04:00We launched INDEX,
04:02a worldwide collection effort with a pretty simple idea.
04:05Humanoid robots might actually be the only robot that has a loophole.
04:09Their bodies move through the world the same way ours do.
04:12So they might be able to learn directly from human experience.
04:16Today, over 90,000 people contribute every week.
04:19And 35 new minutes of human experience gets uploaded to INDEX every second.
04:24All of this turns into training data from Helix 2.5.
04:27The big question was,
04:29does it actually translate into robot behavior?
04:31So, we ran a controlled experiment.
04:33We took identical models.
04:35The only difference was one trained without INDEX.
04:38It just didn't work.
04:39Only once we added INDEX in,
04:41to pre-training,
04:42did we start to see strong zero-shot generalization over 30 homes.
04:47INDEX was directly transferring behavior to the robot.
04:53One of the most important lessons from LLMs were scaling laws.
04:56How consistently next-word prediction improved as you doubled data and compute.
05:01In these experiments, we found something quite similar.
05:03We found that next robot action prediction was actually scaling similarly as you repeatedly doubled INDEX.
05:10These are direct human-to-robot transfer scaling laws, another first for humanoids.
05:15Scaling was so smooth that we could actually predict our final run's validation loss down to four decimal points before
05:21the training run ever even started.
05:23That's early, but it's exciting evidence that robotic learning might be finally on a similar scaling path as LLMs.
05:29So, what does this mean?
05:31It doesn't mean robot learning is fully solved yet.
05:34But with Helix 2.5, we're starting to see the first signs of a more general physical intelligence.
05:40We're committing to 3.5 billion dollars of compute for Helix.
05:43Index training data is growing every day.
05:46And we now have a recipe that's turning all of this into robot behaviors.
05:50This is Figures path for getting a useful robot in every home.
05:53Figur macht einen wichtigen Schritt, um humanoide Roboter aus kontrollierten Testumgebungen in echte Haushalte zu bringen.
06:01Mit Helix 2.5 hat das Unternehmen ein neues System für künstliche Intelligenz vorgestellt, das Robotern helfen soll, unbekannte Wohnungen
06:10zu verstehen und dort alltägliche Aufgaben auszuführen.
06:15Dafür wurde ein humanoider Roboter in 30 verschiedene Häuser im Großraum San Francisco geschickt.
06:21Keine dieser Wohnungen war zuvor mit Trainingsdaten erfasst worden.
06:24Übrigens, täglich neue Fahrzeuge und spannende Technik erhältst du, wenn du unser Automagazin abonnierst.
06:32Der Roboter sollte Wohnzimmer aufräumen, Handtücher falten und Betten machen.
06:36Für Menschen wirken diese Tätigkeiten unkompliziert, für eine Maschine sind sie jedoch eine große Herausforderung.
06:43Jede Wohnung verfügt über andere Möbel, Raumgrößen, Gegenstände und Laufwege.
06:48Der Roboter muss seine Umgebung wahrnehmen, passende Bewegungen planen, sicher durch den Raum gehen und gleichzeitig unbekannte Objekte richtig greifen.
06:59Helix 2.5 wurde mit umfangreichen Daten trainiert, die menschliches Verhalten abbilden.
07:05Diese Vorbereitung scheint einen deutlichen Unterschied zu machen.
07:08Ein System ohne diese spezielle Vortrainierung war bei Aufgaben in unbekannten Umgebungen nur in 9% der Versuche erfolgreich.
07:16Mit der zusätzlichen Vortrainierung stieg die Erfolgsquote auf 56%.
07:23Damit konnte das System seine Leistung mehr als versechsfachen.
07:27Die Anforderungen waren streng.
07:29Beim Aufräumen musste der Roboter sämtliche 13-15 Spielzeuge finden und in einen Korb legen.
07:36Beim Betten machen mussten Kissen und Decke korrekt positioniert werden.
07:40Teilweise erledigte Aufgaben wurden nicht anteilig gewertet.
07:44Nur wenn der gesamte Vorgang richtig abgeschlossen war, galt der Versuch als erfolgreich.
07:50Besonders interessant ist die Fähigkeit zur Selbstkorrektur.
07:54Wenn etwas nicht funktioniert, kann Helix 2.5 seine Körperhaltung verändern, einen Schritt zurückgehen, die Position anpassen oder um das
08:03Bett herum gehen.
08:04Dadurch kann der Roboter eine Aufgabe aus einer anderen Richtung erneut versuchen.
08:09Diese Flexibilität dürfte entscheidend sein, wenn humanoide Maschinen künftig selbstständig in Wohnungen arbeiten sollen.
08:17Nach Angaben von Figur benötigte Helix 2.5 außerdem nur halb so viele aufgabenspezifische Daten wie ein vergleichbares System namens
08:26Helix 02.
08:28Gleichzeitig konnte die neue Technologie auf 30 bislang unbekannte Haushalte übertragen werden.
08:34Figur sammelt derzeit ungefähr 35 Minuten neue menschliche Erfahrungen pro Sekunde.
08:40Für das Training von Helix wurden Rechenressourcen im Wert von 3,5 Milliarden Dollar bereitgestellt.
08:47Gelöst ist die Entwicklung universell einsetzbarer humanoider Roboter damit noch lange nicht.
08:53Die Ergebnisse zeigen jedoch einen möglichen Weg.
08:57Maschinen könnten aus vielen menschlichen Erfahrungen lernen und dieses Wissen anschließend auf völlig neue Orte übertragen.
09:05Wenn sich dieser Ansatz weiter verbessert, müsste möglicherweise nicht mehr jede einzelne Wohnung separat trainiert werden.
09:13Was fasziniert euch an humanoiden Robotern am meisten? Schreibt es in die Kommentare!
Kommentare