9月18日、Dick Weisingerが「Figure AI's Helix 2.5: Robot Generalization」と題した記事を公開した。ヒューマノイドロボットを「初めて訪れる家」にそのまま持ち込み、事前のデータ収集なしに家事をこなさせる——Figure AIが発表した「Helix 2.5」は、ロボティクス業界が長年抱えてきた「環境依存性」というボトルネックに対する一つの回答として注目されている。
「事前マッピング不要」が意味するもの
ヒューマノイドロボットの実用展開において、長年のボトルネックになってきたのが環境依存性だ。従来の手法では、ロボットを特定の場所に配備する前に、その環境でのデータ収集を大量に行う必要があった。Figure AIの旧モデル「Helix 02」も同様で、稼働場所ごとに個別のキャリブレーションが求められていた。この制約がある限り、ヒューマノイドの活躍の場は高度に管理された工場ラインや倉庫など、構造化された環境に事実上限定されてきた。
2026年9月17日、Figure AIはHelix 2.5を発表した。 最大の特徴は、事前にデータを一切収集していない未知の住宅30軒において、片付け・タオル折り・ベッドメイキングといった家事タスクを実演したことだ。事前マッピング済みの工場ラインではなく、見知らぬ一般家庭でそのまま動作する、という点が従来との本質的な違いである。Helix 02が「配備前の準備」を前提としていたのに対し、Helix 2.5は初見の空間に置かれた時点から自律的に機能することを目指した設計へと転換している。
技術的なポイント：事前学習済みの基盤モデル
Helix 2.5は事前学習済みの基盤モデル（foundational model）を採用することで、環境固有の学習を回避する設計になっている。特定の部屋のレイアウトや物の配置に依存せず、多様な未知環境に汎化（generalize）できることを今回のデモで示した形だ。
基盤モデルとは、大規模なデータで事前に訓練されたモデルを指し、GPT系のLLMがテキストタスクで汎化するのと同様の考え方がロボット制御にも適用されつつある。ロボット向け基盤モデルの場合、入力としてカメラ映像などの視覚情報や関節センサーからの固有感覚データを受け取り、出力としてアーム・手首・指といった各関節への動作指令（モーショントークン）を生成するアーキテクチャが一般的だ。Helix 2.5はこうしたマルチモーダルな入出力構造をヒューマノイドの物理動作に適用した事例と位置づけられる。
旧モデルのHelix 02と比較した場合、記事が強調するのはアーキテクチャの方向性の転換だ。個別環境へのファインチューニングを前提とした設計から、汎化を最初から組み込んだ基盤モデルへのシフトは、開発・運用コストの構造そのものを変えうる変化である。
実用展開への含意
記事では、この開発の意義を次のように整理している。
- 工場限定から家庭・オフィスへ：高度に構造化された産業環境でなくても動作できるなら、配備コストと準備期間の前提が大きく変わる
- 汎用ヒューマノイドの現実性：環境ごとのデータ収集が不要になれば、サービス業や家庭向け用途への導入タイムラインが早まりうる
一方で記事は、今後監視すべき点も明確に示している。住宅30軒でのデモはあくまで初期段階であり、より多様な実環境でのパイロットプログラムや商業展開の成否が次の判断材料になるとしている。デモ環境の多様性や長期的な安定性、さらには想定外の物体配置や照明条件への対応力など、実用化に向けた検証はこれからが本番だ。
背景
Figure AIはカリフォルニア州を拠点とするヒューマノイドロボット企業で、Teslaの「Optimus」やBoston DynamicsのAtlasと同じ汎用ヒューマノイド市場を狙っている。ロボットの汎化能力という課題はロボティクス業界全体の共通テーマであり、今回の発表はその文脈で位置づけられる。特定環境への過剰な依存を排した汎用モデルの構築は、業界全体が取り組む技術的課題であり、Helix 2.5はその進捗を示す一つのマイルストーンといえる。
詳細はFigure AI's Helix 2.5: Robot Generalizationを参照していただきたい。
