Figure Helix 2.5: El Hito del Zero-Shot y la Realidad del 56% de Éxito en Robótica Doméstica

TL;DR / KEY POINTS

• Figure AI lanza Helix 2.5, una red neuronal capaz de operar "zero-shot" en entornos domésticos reales y no vistos previamente.
• En pruebas tácticas sobre 30 hogares del Área de la Bahía, el robot logró un 56% de éxito completo en tareas complejas sin recopilación previa de datos.
• El preentrenamiento con su base de datos global "Index" multiplicó la tasa de efectividad, pasando de un 9% (desde cero) a un 56%.

El Hito de la Generalización de Cuerpo Completo

La firma de robótica Figure AI ha presentado de manera oficial su red neuronal más avanzada hasta la fecha: Helix 2.5. La gran innovación de este modelo radica en resolver el que ha sido uno de los mayores cuellos de botella de la robótica física: la necesidad de entrenar o mapear localmente cada entorno específico donde opera la máquina. Con Helix 2.5, Figure ha demostrado que un robot humanoide puede entrar a una residencia completamente desconocida y, de forma autónoma y zero-shot, ponerse a trabajar de inmediato con todo su cuerpo.

Las pruebas se ejecutaron desplegando un único punto de control (checkpoint) fijo en 30 hogares reales del Área de la Bahía de San Francisco, sin realizar ajustes de pesos en la red neuronal ni recopilar datos específicos de las viviendas o los objetos domésticos de prueba.

Tres Tareas bajo Estándares de Rúbrica Militar

El modelo Helix 2.5 se configuró a partir de una única base preentrenada, logrando adaptar tres comportamientos coordinados de cuerpo completo de alta complejidad manipulativa y de locomoción:

1. Ordenar la sala: Recoger de 13 a 15 juguetes dispersos sobre el suelo y depositarlos en un cesto.
2. Doblar toallas: Manipular telas (geometría deformable), completar el doblez y acomodarlas.
3. Tender camas: Estirar edredones y alinear almohadas hasta los bordes.

La tasa de éxito bruta global fue del 56% (237 éxitos de 420 intentos totales). El desglose de rendimiento revela que tender camas fue la tarea más sólida con un 67% de efectividad, seguida del doblado de toallas con un 62%, y finalmente el ordenamiento de juguetes con un 40%. Cualquier intervención humana por motivos de seguridad penalizaba la prueba entera asignándole un cero estricto.

La Fuerza de Index y el Autocontrol Físico

El núcleo estratégico de esta evolución es Index, la masiva base de datos de comportamiento humano acumulada por Figure. Los datos analíticos confirman el impacto de esta infraestructura de datos: un modelo idéntico entrenado desde cero (sin el preentrenamiento de Index) apenas logró un 9% de efectividad zero-shot, mientras que el soporte de Index catapultó la tasa al 56%.

Además, Helix 2.5 destaca por su percepción activa y capacidad de autocorrección en tiempo real. Si el robot comete un fallo al estirar una sábana o choca con el marco de una cama, es capaz de dar un paso atrás, reajustar su postura corporal, rodear el obstáculo y continuar autónomamente la tarea.

El Abismo del 44% de Fallas en Entornos Reales

A pesar del evidente salto tecnológico, la comunidad experta y firmas rivales como Sunday Robotics señalan que una tasa de fallo del 44% impide que este sistema sea considerado un producto de consumo de masas viable hoy en día. Adicionalmente, críticos del sector apuntan a que los 30 hogares elegidos presentaban entornos optimizados (estilo minimalista, amplios espacios de tránsito y superficies limpias), alejados de la caótica realidad diaria de un hogar promedio.

Sin embargo, el despliegue de Helix 2.5 asienta un precedente fundamental para el desarrollo de la IA física y los agentes autónomos, demostrando que las leyes de escala en la robótica están listas para salir del laboratorio e invadir la economía de servicios en el corto plazo.