El sistema Helix 2.5 de Figure representa un salto monumental en la robótica, al permitir a sus robots humanoides realizar tareas domésticas complejas como ordenar salones, hacer camas o doblar toallas en hasta 30 hogares que nunca habían visto. Esta capacidad de generalización zero-shot, impulsada por un entrenamiento masivo en datos de comportamiento humano, demuestra que la inteligencia corporal completa puede transferirse a entornos nuevos sin necesidad de readaptación.
Imagínate esto: un robot que entra por primera vez a tu casa y, sin haber memorizado cada rincón o la altura exacta de tu cama, empieza a ordenar el salón o a organizar la ropa. Es una escena que hasta hace poco pertenecía al reino de la ciencia ficción más optimista. Sin embargo, este escenario ha dejado de ser una fantasía con la llegada de Helix 2.5, el sistema de red neuronal más avanzado desarrollado por Figure, la compañía que busca redefinir la interacción entre humanos y máquinas en la vida cotidiana. Este lanzamiento marca un hito crucial en la evolución de la robótica, trasladando la autonomía robótica del laboratorio a la impredecible complejidad de un hogar real.
El reto de la generalización: ¿por qué los hogares son tan difíciles para los robots?
Los humanos poseemos una habilidad innata para adaptarnos a nuevos entornos. Entramos en una casa ajena y, de inmediato, sabemos cómo usar la cafetera, dónde guardar la compra o cómo hacer una cama de dimensiones diferentes. Nuestra comprensión del mundo físico es transferible, no necesitamos reaprender cada tarea en cada nuevo contexto. Para los robots, esta ha sido una de las barreras más grandes. Tradicionalmente, un robot debe ser entrenado específicamente para el entorno en el que operará. Cada cambio en la disposición de los muebles, en la forma de un objeto o en la iluminación, exige una nueva fase de recolección de datos y ajuste, lo que limita drásticamente su utilidad en un mundo tan dinámico como el nuestro.
La dificultad de la robótica en el hogar no radica solo en la manipulación de objetos, sino en la compleja coordinación de todo el cuerpo del robot en un espacio que no está diseñado para máquinas. Los brazos robóticos de las fábricas operan en celdas de trabajo fijas; los robots con ruedas necesitan espacios abiertos. Un robot humanoide en casa debe moverse, ver, alcanzar y manipular en espacios reducidos y desordenados, a menudo bimanualmente, mientras mantiene el equilibrio y evita obstáculos. Es un problema de inteligencia corporal completa que combina percepción, locomoción y manipulación de una forma que la mayoría de las investigaciones actuales apenas rozan. Requiere que el robot no solo entienda qué hacer, sino cómo posicionar su cuerpo, sus articulaciones y su centro de masa para ejecutar la acción de manera eficiente y segura en un espacio desconocido y cambiante.
Helix 2.5: la arquitectura neuronal que desafía lo establecido
En el corazón de esta nueva capacidad de adaptación está Helix 2.5, una red neuronal que Figure presentó el 17 de septiembre de 2026. Esta nueva iteración se basa en la experiencia previa de Helix 02, que ya había demostrado la capacidad de una política neuronal para coordinar todo el cuerpo de un humanoide en tareas complejas, desde descargar un lavavajillas hasta operar autónomamente en una tarea logística durante 200 horas. Sin embargo, esos sistemas aprendían de datos recopilados en los mismos lugares donde luego operaban.
La pregunta que Helix 2.5 se propuso responder fue mucho más ambiciosa: ¿puede un robot humanoide entrar en un hogar que nunca antes ha visto y, de inmediato, ponerse a trabajar de forma autónoma, utilizando todo su cuerpo? Para lograrlo, Figure preentrenó Helix 2.5 en Index, el conjunto de datos a escala global de comportamiento humano de la compañía. Este modelo fundacional único sirvió de base para generar tres comportamientos domésticos complejos.
El papel de Index: un modelo fundacional de comportamiento humano
Index es un vasto conjunto de datos de experiencia humana, diseñado para ser la base de la inteligencia de los humanoides de Figure. A diferencia de los conjuntos de datos robóticos tradicionales, que a menudo se centran en tareas muy específicas o entornos controlados, Index recopila información diversa sobre cómo los humanos interactúan con el mundo. Este preentrenamiento masivo permite a Helix 2.5 construir una comprensión generalizada del mundo físico y de las intenciones de las acciones humanas. Es lo que se conoce como un "modelo fundacional", que se entrena en una gran cantidad de datos no estructurados para aprender representaciones y habilidades que luego pueden ser adaptadas a tareas específicas con menos datos.
Este enfoque imita el aprendizaje humano, donde los niños no necesitan ser entrenados desde cero para cada nueva actividad, sino que aplican el conocimiento general que han adquirido. Para el lanzamiento de Helix 2.5, Figure ha invertido significativamente en infraestructura computacional, destinando 3.500 millones de dólares en recursos de cómputo para el entrenamiento de la serie Helix, una muestra de la magnitud de este proyecto.
Zero-Shot Generalization: un cambio de paradigma en la robótica
La generalización zero-shot es el pilar de este avance. Significa que el robot puede realizar una tarea en un entorno completamente nuevo, con objetos y configuraciones que no ha visto antes, sin ningún tipo de entrenamiento o adaptación específica en ese lugar. Esto contrasta fuertemente con los métodos robóticos tradicionales que requieren una calibración exhaustiva o un reentrenamiento (fine-tuning) cada vez que el robot se desplaza a un nuevo escenario. Para los robots humanoides que aspiran a operar en nuestros hogares, la capacidad zero-shot es fundamental, ya que cada hogar es único en su disposición, iluminación, tipo de mobiliario y objetos personales.
Este es un salto conceptual: en lugar de "reconstruir" la inteligencia para cada nueva situación, Helix 2.5 "transfiere" la inteligencia corporal aprendida de la experiencia humana a nuevos escenarios. Este es un hito no solo para Figure, sino para la robótica en general, ya que aborda uno de los desafíos más complejos y persistentes del campo.
Metodología: Las pruebas en 30 hogares desconocidos
Para poner a prueba la verdadera capacidad de generalización de Helix 2.5, Figure llevó a sus robots humanoides a 30 hogares reales en la bahía de San Francisco. Lo crucial es que en ninguno de estos entornos se había recopilado dato alguno, ni se había realizado ajuste o adaptación del modelo. Se buscaba una generalización zero-shot: que el robot aplicara conocimientos previos sin entrenamiento específico en el nuevo contexto. Es importante destacar que los objetos utilizados en las pruebas (juguetes, toallas, edredones) tampoco habían sido vistos previamente en los datos de entrenamiento específicos para la tarea, lo que aumentaba el desafío.
Los tres comportamientos elegidos para las pruebas requerían una compleja interacción con el entorno y objetos deformables, además de la coordinación de todo el cuerpo del robot:
- Ordenar salones: Implicaba recoger entre 13 y 15 juguetes dispersos por la habitación y colocarlos en una cesta. La tarea exigía percepción activa para localizar los objetos, locomoción para moverse entre los muebles y manipulación para agarrar y soltar los juguetes. Para ser considerada un éxito, el robot debía recoger y depositar todos los juguetes en la cesta.
- Doblar toallas: El robot debía recoger todas las toallas, doblarlas correctamente y depositarlas en una cesta. Esta tarea es especialmente desafiante debido a la naturaleza deformable y variable de las toallas, que exige un control preciso y adaptativo. Se requería que cada toalla fuese doblada y colocada en la cesta para que la tarea contara como exitosa.
- Hacer la cama: La tarea consistía en posicionar dos almohadas en la parte superior de la cama, estirar las esquinas del edredón y alisarlo. Un desafío que combina la manipulación de objetos grandes y flexibles con la necesidad de coordinar movimientos amplios de todo el cuerpo. El éxito se medía por la correcta colocación de ambas almohadas, el estiramiento adecuado de las esquinas del edredón y su alisado.
Para todas las pruebas se utilizó el mismo punto de control del modelo (model checkpoint) de Helix 2.5 en los 30 hogares, asegurando que la capacidad de generalización fuera genuina y no el resultado de ajustes específicos para cada entorno.
Resultados cuantitativos y el impacto del preentrenamiento
Los resultados obtenidos por Helix 2.5 en estas pruebas son significativos y demuestran la eficacia del enfoque de preentrenamiento con Index. La tasa de éxito zero-shot general fue del 56% en las tres tareas combinadas, a lo largo de los 30 hogares no vistos. Este porcentaje es aún más impresionante cuando se compara con una estrategia de entrenamiento desde cero, que en condiciones idénticas solo logró una tasa de éxito del 9%. Esto subraya que el preentrenamiento con Index es el factor clave detrás de la capacidad de generalización.
Además de la mejora en la tasa de éxito, Helix 2.5 demostró una notable eficiencia en la especificación de comportamientos. Figure reportó que el desarrollo de un comportamiento con Helix 2.5 requirió la mitad de datos específicos para la tarea en comparación con un comportamiento equivalente de Helix 02, al mismo tiempo que expandió su alcance de un solo entorno a 30 hogares. Esto implica que la especificación de comportamientos se volvió "2 veces más barata, mientras que su alcance se expandió 30 veces".
Otro hallazgo importante es la existencia de una "ley de escala de transferencia humano-a-robot humanoide". Figure observó que, al duplicar repetidamente los datos de preentrenamiento de Index, la pérdida en la predicción de acciones del robot disminuía de manera predecible y suave. Esto permite proyectar el rendimiento de los modelos más grandes antes de su entrenamiento completo, proporcionando una hoja de ruta clara para la mejora continua.
"El objetivo final de la robótica es ser capaz de generalizar: hacer un trabajo en lugares nunca vistos. Alquilamos 30 hogares en el Área de la Bahía y estamos realizando tareas sin ningún entrenamiento nuevo. Helix 2.5 fue construido para responder a una pregunta más difícil: ¿puede un humanoide entrar en un hogar que nunca ha visto y ponerse inmediatamente a trabajar, con todo su cuerpo, por sí mismo?"
— Brett Adcock, fundador y CEO de Figure
Ingeniería detrás de la adaptación: la sinergia de datos y modelo
La capacidad de Helix 2.5 de navegar y manipular objetos en entornos no estructurados se debe a una sofisticada integración de sus capacidades de percepción, locomoción y manipulación. El robot no solo "ve" los objetos, sino que los "entiende" en el contexto de la tarea y del entorno. Esto se logra mediante:
- Percepción activa: El robot utiliza sus sensores (visión, profundidad) para escanear y construir un mapa dinámico del entorno, localizando objetos y sus propiedades (forma, tamaño, deformabilidad).
- Locomoción consciente del cuerpo: A diferencia de los robots de ruedas, el humanoide debe caminar y posicionar su cuerpo de manera estratégica. Si necesita alcanzar un objeto lejano, puede dar pasos, cambiar su postura o incluso apoyarse para mantener el equilibrio, todo de forma autónoma. Durante las pruebas, Helix 2.5 mostró capacidades de autocorrección, como retroceder para ajustar su posición o cambiar su postura sobre la cama.
- Manipulación bimanual y de objetos deformables: Tareas como doblar toallas o estirar edredones exigen un control motor fino y la capacidad de interactuar con objetos que cambian de forma. Helix 2.5 demuestra una comprensión de la física de estos objetos que va más allá de la manipulación rígida de las fábricas. La coordinación de ambos brazos es crucial para muchas de estas acciones, como sostener una almohada con una mano mientras se le da forma con la otra.
La clave de este rendimiento reside en la arquitectura del modelo, que ha sido diseñada para aprender relaciones complejas del vasto conjunto de datos Index. El entrenamiento permite a Helix 2.5 inferir cómo aplicar el conocimiento aprendido de la interacción humana a su propio cuerpo y entorno, superando las limitaciones de los sistemas robóticos previamente entrenados para tareas y entornos específicos.
Implicaciones para el futuro de los hogares inteligentes
El lanzamiento de Helix 2.5 no es solo un avance técnico; es un catalizador para una transformación profunda en la forma en que interactuamos con la tecnología en nuestros hogares. Si los robots humanoides pueden realizar tareas domésticas complejas en cualquier entorno sin necesidad de entrenamiento específico, las implicaciones son vastas:
- Asistencia doméstica generalizada: Los robots podrían convertirse en una parte integral de la vida diaria, ayudando con la limpieza, la organización, el cuidado de personas mayores o con movilidad reducida, y liberando tiempo humano para actividades más significativas.
- Aceleración de la adopción: La capacidad zero-shot elimina la barrera de la configuración y el entrenamiento personalizado, facilitando la implementación de robots en una variedad de hogares y situaciones.
- Nuevos modelos de negocio: Podrían surgir servicios de "robot como servicio" donde los robots se desplieguen temporalmente en hogares o establecimientos para realizar tareas específicas sin la necesidad de una inversión inicial masiva por parte del usuario final.
- Un nuevo estándar para la robótica: La generalización zero-shot se convertirá en una expectativa fundamental para los futuros desarrollos en robótica, empujando a la industria a innovar más allá de soluciones de nicho.
Figure ha demostrado que la inteligencia corporal completa puede aprenderse de la experiencia humana y transferirse a escenarios completamente nuevos, lo que sugiere que el futuro de los robots humanoides en nuestros hogares está más cerca de lo que imaginamos.
Desafíos pendientes y la hoja de ruta de la robótica humanoide
A pesar de los impresionantes avances, Figure reconoce que la robótica humanoide generalizada aún no está "resuelta". El 56% de éxito zero-shot es un gran comienzo, pero aún hay un camino por recorrer para alcanzar la robustez y fiabilidad que esperamos de un asistente doméstico. Los desafíos futuros incluyen:
- Ampliación de la gama de tareas: Si bien ordenar, doblar y hacer camas son tareas complejas, el repertorio de un hogar es inmenso. Los robots necesitarán aprender a manejar una diversidad aún mayor de objetos y situaciones.
- Interacción más natural y segura con humanos: En un entorno doméstico, los robots deben ser intrínsecamente seguros y capaces de interactuar de manera fluida y predecible con las personas, adaptándose a sus movimientos y preferencias.
- Robustez ante la variabilidad extrema: Los hogares son entornos caóticos e impredecibles. Los robots deben ser capaces de manejar objetos rotos, situaciones inesperadas o cambios repentinos en el entorno.
- Costo y accesibilidad: Para que los robots humanoides sean una realidad doméstica, su costo deberá reducirse significativamente, haciéndolos accesibles para un público más amplio.
Figure, con su enfoque en el preentrenamiento a gran escala con Index y su compromiso con la inversión en cómputo, está sentando las bases para abordar estos desafíos, marcando una trayectoria clara hacia un futuro donde los robots humanoides serán compañeros capaces y adaptables en nuestros hogares.