Le fait
Le 17 septembre 2026, Figure AI a publié Helix 2.5, présenté comme son réseau neuronal le plus avancé. Déploiement zero-shot de trois comportements whole-body — ranger un salon, plier des serviettes, faire un lit — dans 30 maisons de Bay Area sans aucune donnée collectée sur place ni fine-tune local.
Contexte
Pretraining sur Index, dataset global d’expérience humaine Figure. Même data de tâche + archi : modèle from-scratch = 9 % de succès zero-shot ; avec Index = 56 % (critère strict end-to-end, pas de crédit partiel). Helix 2.5 utilise 2× moins de data task-specific qu’un comportement Helix 02 représentatif, tout en généralisant ×30 environnements. Scaling law human→humanoïde : doubler Index améliore prédictiblement la loss d’action robot (erreur de forecast 0,54 % sur la plage 8×).
Figure cite Index à ~35 min de nouvelle expérience humaine par seconde, et 3,5 Md$ de compute engagés pour entraîner Helix. Self-correction qualitative : reculer, changer de stance, contourner un lit pour corriger un pli.
Pourquoi ça compte
Le goulot « un robot = un lieu » casse. Si le pretraining humain généralise, le coût marginal d’une nouvelle maison/usine chute — thèse centrale du Physical AI 2026.
Lecture Neurone21
Comparer à TANGO (navigation cluttered) : Helix = loco-manipulation domestique. Surveiller ouverture Index, reproductibilité hors Bay Area, et conversion BotQ → revenue.