Figure Helix 2.5: робот убрался в 30 домах, успех вырос с 9% до 56%

Что произошло, почему это важно и что взять в работу.

Адаптивные ИИ-модели убирают главный барьер внедрения гуманоидов — необходимость обучать робота под каждое новое помещение, что открывает путь к пилотам в ритейле, логистике и клининге без сбора собственных датасетов.

Связанные услуги: каталог, AI Boost Team, стать клиентом.

Что случилось

Figure, американский стартап по гуманоидам, прогнал своего робота Figure 03 по 30 арендованным домам у залива Сан-Франциско. Дома эти робот «не видел» — ни на видео, ни в 3D-симуляциях. Задачи бытовые: собрать разбросанные игрушки, сложить полотенца, заправить кровати, разложить подушки.

Средний успех выполнения задач вырос с 9% до 56%. Заправка кровати — с 11% до 67%. Неудачей считали либо слишком медленную работу (дольше трёх минут), либо недостаточную аккуратность — например, полотенца сложены так, что уголки не совпадают.

Раньше гуманоид Figure не мог адаптироваться к новому пространству без предварительного обучения на роликах и симуляциях. Проблему закрыли новой ИИ-моделью Helix 2.5, на которой теперь работают роботы Figure 03.

По данным Figure, если раньше робот успешно выполнял 9% задач, то теперь средний показатель вырос до 56%. Самый большой прогресс в умении заправлять кровать — с 11% до 67%.

Почему это важнее, чем выглядит

Гуманоидная робототехника последних лет упиралась в одну стену. Не в железо. Железо худо-бедно ездит, ходит и хватает. Стена — в обучении под каждое конкретное помещение.

Классический пайплайн выглядел так: приезжаешь на объект, снимаешь его на видео, гоняешь 3D-симуляции, дообучаешь модель, потом запускаешь. Каждый новый склад, магазин или квартира — новый цикл. Это дорого, долго и убивает саму идею масштабирования. Робот, которого надо переучивать под каждую комнату, — это не продукт, это проект под заказчика.

Figure заявляет, что сдвинула именно этот барьер. Робот корректирует действия в реальном времени в незнакомом пространстве — например, обходит кровати, чтобы их застелить. Это уже не «запомнил планировку», это «разобрался на месте».

Робот также научился в реальном времени корректировать свои действия в незнакомом пространстве, например, обходить кровати, чтобы застелить их.

Разница принципиальная. Адаптивность на месте снимает необходимость собирать собственный датасет под каждый объект внедрения. А сбор датасета — это как раз та статья расходов, из-за которой пилоты гуманоидов в ритейле и логистике чаще всего заканчивались ничем.

Откуда взялась Helix 2.5

Figure показал третье поколение гуманоида, Figure 03, в октябре 2025 года. Тогда же стало понятно, куда компания двигает железо: руки робота оснастили камерами с широким углом обзора, чтобы ИИ-система Helix «видела» среду даже при потере визуального контакта с основными камерами на голове.

Это деталь, которую легко пропустить, а она объясняет многое. Если робот теряет обзор с головы — например, наклонился над кроватью, — он всё равно должен понимать, где руки и что они делают. Камеры в руках закрывают эту слепую зону. Helix при этом координирует действия всего тела в течение 200 часов.

То есть к моменту теста в 30 домах у Figure уже была архитектура, заточенная под работу в незнакомой среде: широкий обзор, координация всего тела, длинные сессии. Helix 2.5 — это следующий слой, который превратил железо в адаптивное поведение.

Что это меняет для бизнеса

Смотрите на цифры трезво. 56% — это не «робот готов заменить уборщицу». Больше половины задач всё ещё проваливается. Полотенца с несовпадающими уголками и трёхминутные затыки — это не то, что вы поставите в клиентский зал магазина завтра.

Но вопрос не в абсолютном числе. Вопрос в динамике и в том, что именно выросло.

• Средний успех: 9% → 56%. Это рост в шесть раз на задачах, под которые модель не обучали.
• Заправка кровати: 11% → 67%. Самая сложная манипуляция с тканью и геометрией — и там лучший прогресс.
• Адаптация без предварительного обучения на объекте. Раньше этого не было вообще.

Для владельца бизнеса здесь важна одна вещь: исчезает статья расходов на сбор датасетов под каждое помещение. Если робот разбирается на месте, пилот перестаёт быть инженерным проектом на полгода и становится обычным внедрением.

Где это бьёт первым:

1. Клининг. Бытовые задачи из теста — игрушки, полотенца, кровати, подушки — это ровно то, что делают в отелях, хостелах и апарт-комплексах. Одинаковые номера, но разная расстановка.
2. Ритейл. Выкладка товара, сборка корзин, возврат вещей на полки. Каждый магазин — своя планировка, и раньше это был стоп-фактор.
3. Логистика. Сортировка и перемещение нестандартных объектов, где нельзя заранее прописать траекторию.

Везде логика одна: среда меняется, а переучивать робота под каждую точку нельзя. Helix 2.5 бьёт именно сюда.

Подвох

Цифры — от самой Figure. Независимого замера нет. 30 домов — это не выборка, по которой можно строить бизнес-план. И «неудача» здесь определяется мягко: дольше трёх минут или недостаточно аккуратно. Для домашней уборки это терпимо. Для склада, где такт измеряется секундами, три минуты на задачу — это провал по определению.

Отдельно стоит держать в голове, что у Figure был публичный скандал: глава по безопасности заявил, что его уволили после отчётов о способности робота проломить череп человеку, и подал на компанию в суд. Это не отменяет прогресс по Helix 2.5, но напоминает: гуманоид рядом с людьми — это ещё и вопрос безопасности, а не только успешных выполнений в процентах.

И главное. 56% среднего успеха означает, что почти половину попыток робот валит. Ставить такое в операционный процесс без человека-подстраховки нельзя. Пока это инструмент, который снижает нагрузку на персонал, а не заменяет его.

Вердикт

Это не «гуманоиды пришли в бизнес». Это снятие конкретного технического барьера, который годами блокировал пилоты. Адаптивность без предварительного обучения на объекте — то, без чего масштабирование гуманоидов было невозможно в принципе.

Что делать прямо сейчас: не бежать за роботом. Смотреть на свои процессы и искать задачи, где среда меняется от точки к точке и где переучивание под каждую было бы дороже самого робота. Вот там адаптивные модели начнут окупаться первыми.

56% — это не финиш. Это первый раз, когда цифра стала достаточно высокой, чтобы разговор о внедрении перестал быть фантазией. Следующий шаг — независимые замеры и рост до уровня, где робот не роняет половину задач. До этого момента любой пилот считайте экспериментом, а не инвестицией.