Figure Helix는 어떻게 발전했나: System 0·1·2 구조와 Helix 02·2.5에서 바뀐 것

Figure AI의 Helix는 휴머노이드용 VLA(Vision-Language-Action) 모델 가운데 구조를 비교적 자세히 공개한 사례입니다. 다만 2025년 2월 첫 발표 이후 물류 작업 확장, 전신 제어를 더한 Helix 02, 새 사전학습 방식을 쓴 Helix 2.5까지 구조가 계속 바뀌어서, 어느 발표의 수치를 보느냐에 따라 같은 이름이 다른 시스템을 가리킵니다. 이 글은 Figure 공식 발표 네 편을 시간 순서로 읽고, 버전별로 무엇이 추가됐는지와 제어 주기 사이의 관계를 계산으로 정리합니다.

VLA가 이미지와 지시문을 관절 명령으로 바꾸는 일반적인 방식은 VLA 모델 구조 비교에서 다뤘으므로, 여기서는 Helix에만 해당하는 내용에 집중합니다.

출발점: 이해하는 모델과 움직이는 모델을 나눈 이유

첫 Helix 발표에 따르면 Helix는 두 개의 네트워크로 이루어집니다.

• System 2(S2): 인터넷 규모 데이터로 사전학습된 7B 파라미터 오픈 가중치 VLM입니다. 7~9Hz로 동작하며 장면과 언어 지시를 이해해 잠재 벡터를 만듭니다.
• System 1(S1): 80M 파라미터 크로스어텐션 인코더-디코더 트랜스포머입니다. S2의 잠재 벡터와 최신 관측을 받아 200Hz로 연속 행동을 출력합니다.

이렇게 나눈 이유는 큰 언어 모델이 빠르게 돌 수 없기 때문입니다. 7B 모델을 200Hz로 돌리는 것은 로봇에 탑재한 GPU로는 어렵지만, 무엇을 할지에 대한 판단은 초당 몇 번만 바뀌어도 충분합니다. 반대로 손가락과 손목의 미세한 궤적은 매 순간 갱신돼야 합니다. Helix는 두 네트워크를 로봇에 탑재된 저전력 임베디드 GPU 두 개에 하나씩 나눠 올려, 외부 서버 없이 로봇 안에서 전부 실행한다고 밝힙니다.

첫 Helix가 제어한 범위는 손가락, 손목 끝 궤적, 머리 시선, 몸통 자세를 포함한 상체 35자유도였습니다. 학습 데이터는 여러 로봇과 운영자가 모은 약 500시간 분량의 원격조작 데이터였고, 영상 클립을 보고 “이 동작을 시키려면 어떤 지시를 했겠는가"를 VLM이 사후에 붙이는 방식으로 언어 라벨을 자동 생성했습니다(Figure Helix 발표).

주기 사이의 관계를 계산해 보기

이중 시스템을 이해하는 가장 쉬운 방법은 느린 계층이 한 번 갱신되는 동안 빠른 계층이 몇 번 실행되는지 세어 보는 것입니다. S2의 주기를 $f_2$, S1의 주기를 $f_1$이라 하면 S2 갱신 한 번당 S1 실행 횟수는 다음과 같습니다.

첫 Helix 발표의 값($f_1 = 200$, $f_2 = 7 \sim 9$)을 넣으면 S1은 S2가 한 번 생각을 바꿀 때마다 약 22~29번 행동을 냅니다. 즉 S1은 같은 잠재 목표를 받은 채로 0.1초 이상 스스로 관측을 반영해 동작을 다듬어야 하고, 이것이 S1에 별도 시각 입력이 들어가는 이유입니다.

Helix 02에서 추가된 System 0까지 넣으면 계층이 하나 더 생깁니다. Helix 02 발표의 S0 주기 1kHz와 S1 주기 200Hz를 같은 식에 넣으면 S1 명령 하나당 S0가 5번 실행됩니다. 세 계층의 관계를 표로 정리하면 다음과 같습니다.

수치 출처: Helix, Helix 02. Helix 02에서 S1의 파라미터 수는 다시 공개되지 않았습니다.

물류 확장 발표에서 드러난 데이터 규모의 효과

2025년 6월의 물류 확장 발표는 구조보다 데이터와 입력 구성이 성능에 미치는 영향을 보여 줍니다. 컨베이어 위 소포를 집어 바코드가 스캐너를 향하도록 내려놓는 작업에서, Figure는 시연 데이터 양을 약 10·20·40·60시간으로 늘려 가며 학습했습니다.

수치 출처: Scaling Helix 발표. 같은 발표 안에서도 최종 처리 시간이 4.31초와 4.05초로 두 번 나오는데, 앞의 값은 60시간 학습 모델의 그래프, 뒤의 값은 추가 개선을 반영한 본문 수치입니다.

이 발표에서 S1 입력에 더해진 모듈은 세 가지입니다. 최근 프레임으로 만든 짧은 시각 기억, 손·몸통·머리의 과거 상태를 담은 상태 이력, 촉각을 대신하는 힘 피드백입니다. 기억 모듈을 더하자 주기당 처리 시간이 약 0.5초 짧아졌다고 밝히며, 저자들은 60시간도 여전히 데이터가 적은 구간이라고 평가합니다.

Helix 02: 걷기와 조작을 하나로 묶은 System 0

Helix 02의 핵심 변화는 전신 제어입니다. 첫 Helix가 상체만 다뤘다면, Helix 02의 S1은 머리 카메라, 손바닥 카메라, 손끝 촉각 센서, 전신 고유수용 감각을 모두 받아 전신 관절 목표를 냅니다. 손바닥 카메라와 손끝 촉각 센서는 Figure 03에 새로 들어간 하드웨어로, 손끝 센서는 3g 수준의 힘까지 감지한다고 밝힙니다.

새로 추가된 System 0은 균형, 접촉, 전신 협응을 맡습니다. 학습 방식은 다음과 같이 공개됐습니다.

1. 1,000시간 이상의 사람 동작 데이터를 로봇 관절에 맞게 리타게팅합니다.
2. 20만 개 이상의 병렬 시뮬레이션 환경에서 도메인 랜덤화를 적용해 학습합니다.
3. 학습한 정책을 실제 로봇으로 옮깁니다.

수치 출처는 Helix 02 발표이며, 시뮬레이션 학습 정책을 현실로 옮길 때 생기는 문제와 도메인 랜덤화의 역할은 Sim-to-Real 격차 정리에서 설명했습니다.

공개 데모는 식기세척기 앞으로 걸어가 그릇을 꺼내고, 방을 가로질러 찬장에 쌓은 뒤, 다시 식기세척기를 채우고 작동시키는 4분짜리 연속 작업입니다. Figure는 이 과정이 리셋이나 사람 개입 없이 61개의 이동·조작 동작으로 이루어졌다고 밝히며, 손이 차 있을 때 엉덩이로 서랍을 닫거나 발로 식기세척기 문을 올리는 장면도 보여 줍니다.

Helix 2.5: 사전학습 데이터의 출처를 바꾸다

Helix 2.5 발표는 구조보다 사전학습 방식을 바꿨습니다. Helix 02까지는 사전학습된 VLM에서 출발했지만, Helix 2.5는 Figure의 사람 행동 데이터셋 Index로 무작위 초기화 상태부터 사전학습했습니다.

평가는 데이터를 한 번도 수집하지 않은 30가구에서 거실 정리, 수건 개기, 침대 정리 세 작업으로 했고, 작업 전체를 끝내야 성공으로 셌습니다. 같은 작업 데이터·구조·학습 조건에서 Index 사전학습이 없으면 제로샷 성공률이 9%, 있으면 56%였다고 밝힙니다(Helix 2.5 발표). 다만 Helix 2.5 자체의 작업별 성공률은 공개되지 않았습니다.

네 발표를 한 표로 보기

출처: Helix, Scaling Helix, Helix 02, Helix 2.5.

발표 수치를 읽을 때 구분할 것

Helix 관련 수치는 모두 Figure가 직접 발표한 값이고, 같은 조건으로 외부에서 재현한 결과는 검증일 기준으로 확인하지 못했습니다. 그래서 인용할 때는 세 가지를 함께 적는 편이 안전합니다.

• 어느 버전인가: 35자유도, 200Hz 같은 값은 첫 Helix 기준이며 Helix 02 이후에는 범위가 바뀌었습니다.
• 어떤 작업에서 잰 값인가: 처리 시간과 바코드 방향 성공률은 소포 분류 작업에만 해당합니다.
• 무엇과 비교한 값인가: Helix 2.5 발표의 9%와 56%는 같은 회사 모델 사이의 비교이며, 다른 회사 모델과의 비교가 아닙니다.

다른 휴머노이드 플랫폼과 하드웨어 사양을 나란히 놓고 싶다면 휴머노이드 플랫폼 비교를 함께 보면 됩니다.