Figure AI、未知住宅で家事こなす「Helix 2.5」発表

米ヒューマノイドロボット開発企業のFigure AI（自律型二足歩行ヒューマノイドロボット「Figure」を開発する米新興企業）は2026年9月17日、ヒューマノイド向け基盤神経ネットワーク（物理AIモデル）の最新版「Helix 2.5（Figure AIが開発した人間行動事前学習に基づく全身協調ニューラルネットワーク）」を発表しました。事前のデータ収集やファインチューニングを一切行っていない米サンフランシスコ・ベイエリアの未知の一般住宅30軒において、部屋の片付け、タオルの折り畳み、ベッドメイキングの3つの長時間全身協調タスクをゼロショット（未学習環境への一発適応）で自律実行することに成功しました。

人間行動データセット「Index」の事前学習が引き出す驚異的な汎化性能

従来のロボット制御では、作業を行う場所ごとに環境の3Dスキャンや動作データを事前に収集・学習する必要がありました。前世代の「Helix 02」でも食洗機の食器片付けや200時間の物流作業を自律実行できましたが、いずれもロボットが稼働する固定現場で収集されたデータに依存していました。

Helix 2.5は、人間が初めて訪れる家でも家具の配置やベッドの高さの違いを意識せず作業できるのと同様に、人間行動の大規模動画データセット「Index（Figure AIが構築した毎秒35分相当の人間の物理行動データを収集・構造化する大規模データ基盤）」を用いた事前学習によって、未知環境への高い適応能力を獲得しました。

公式発表で公開された主要な実験成果は以下の通りです。

• ​未知の住宅30軒でのゼロショット自律動作​: 評価対象となった30軒の住宅のデータ、および部屋に置かれた玩具・タオル・寝具などの物体データは事前学習およびタスク定義データから完全に除外されていました。
• ​事前学習による成功率の飛躍​: タスク定義データやモデル構造、評価条件を固定した厳密な比較実験において、スクラッチ学習（ゼロからの学習）モデルの成功率が9%にとどまったのに対し、Index事前学習モデルは56%と6倍以上の成功率を達成しました。
• ​タスク適応コストの半減​: Helix 02と比較して半分のタスク固有データ量で同等の成功率を達成し、適応可能な環境の範囲を30倍に拡大しました。
• ​全身レベルのエラー自己修正​: タスク実行中に物体を取り落としたり位置がずれたりした場合でも、自ら数歩後退して姿勢を立て直したり、ベッドの反対側に回り込んで整え直すなど、全身を用いた自律的なリカバリー動作が確認されました。

独自価値要素：Helix 02とHelix 2.5の仕様比較および「物理AIスケーリング則」

Figure AIの公式技術発表およびロボスタの報道に基づき、Helix 02とHelix 2.5の技術的進化、ならびに今回発見された「人間からヒューマノイドへの転移スケーリング則」を整理します。

比較項目	前世代 Helix 02	最新版 Helix 2.5
​事前学習の基盤​	既存の事前学習済みVLM（視覚言語モデル）から派生	人間行動データ基盤「Index」からゼロから事前学習
​環境適応方式​	稼働現場ごとにデータを収集・ファインチューニング	未知環境へのゼロショット適応（現場データ収集なし）
​評価実績​	固定された実験環境・物流現場（200時間自律動作）	ベイエリアの一般住宅30軒（未知の部屋・家具・雑多な物体）
​タスク固有データ量​	基準量（1.0x）	半分（0.5x）に削減しながら30倍の環境へ汎化
​スケーリング則の成立​	未測定	Indexデータ量を倍増させるごとに予測誤差が対数線形に減少することを実証

ヒューマノイドにおける「物理AIスケーリング法則」の発見

Figure AIの研究チームは、Index事前学習データセットを段階的に倍増させた4つのモデルを評価した結果、大規模言語モデル（LLM）と同様に、データ量と下流タスクにおけるロボットの次動作予測損失（Loss）の間に極めて高精度なスケーリング則が成立することを発見しました。最大の学習を実行する前に、下流のテスト損失を小数点以下4桁の精度で事前予測できたとしています。現在Indexは毎秒約35分相当の新たな人間行動データを生成しており、同社はHelixの学習に向けて35億ドル規模の計算資源を確保しています。

未確認事項と家庭実用への課題

ゼロショット成功率56%はロボット工学の学術的基準としては極めて画期的ですが、一般家庭で安全に実用化するための基準（99%以上の信頼性）には依然として開きがあります。また、家庭内でのペットや幼児の飛び出し、壊れやすいガラス製品への接触など、不測の動的リスクへのリアルタイム対応については今回の発表では詳細が語られておらず、今後の追加検証が注目されます。

分析と今後の展望

編集部注: これまで工場や物流倉庫など「構造化された環境」に限定されていた人型ロボットの実証実験が、最も複雑で予測不能な「一般家庭」へと踏み出した歴史的なマイルストーンです。言語モデルがWebテキストの事前学習によって常識推論を獲得したように、ヒューマノイドロボットも「人間の物理行動動画の事前学習」によって物理世界への汎化能力を獲得できることが実証されました。Figure AIが提唱する「Index事前学習＋少量タスク定義」というアプローチは、今後テスラのOptimusやボストン・ダイナミクスなど競合他社の開発パラダイムにも決定的な影響を与えると考えられます。

引用元：FigureAI | ロボスタ編集部