Humanoid robotics brain-model development and generalization: Helix 2.5 mostra generalização de cenários, mas a implantação comercial generalizada de robôs humanoides ainda está distante
A Bernstein considera que o Helix 2.5 da Figure AI mostra que dados proprietários de vídeo humano e modelos cerebrais integrados estão melhorando o desempenho de humanoides. A taxa de 56% de sucesso em tarefas em residências não vistas é um avanço material, mas não comprova capacidade zero-shot transferível nem prontidão comercial.
Resumo
A Bernstein considera que o Helix 2.5 da Figure AI mostra que dados proprietários de vídeo humano e modelos cerebrais integrados estão melhorando o desempenho de humanoides. A taxa de 56% de sucesso em tarefas em residências não vistas é um avanço material, mas não comprova capacidade zero-shot transferível nem prontidão comercial.
- O Helix 2.5 executou três tarefas domésticas treinadas em 30 residências não vistas, com taxa geral de sucesso de 56%.
- O pré-treinamento com Index elevou o sucesso zero-shot de 9% para 56% e reduziu pela metade os dados necessários para igualar o desempenho do Helix 02.
- A Bernstein argumenta que dados proprietários e integração entre dados e modelo estão se tornando uma vantagem competitiva crítica.
- Os próximos testes são habilidades transferíveis entre tarefas relacionadas e uma rota eficiente de aproximadamente 50–60% de sucesso para 99% de confiabilidade.
Interpretação do relatório
Visão geral
Esta nota de Global Automation avalia a demonstração Helix 2.5 da Figure AI como um avanço concreto na generalização de cenários para robôs humanoides. A Bernstein argumenta que o resultado reforça a importância de dados proprietários escaláveis e de modelos cerebrais robóticos estreitamente integrados, mas deixa tarefas generalizadas e implantação em larga escala sem solução.
Visões principais
O Helix 2.5 da Figure AI executou organização de sala, dobra de toalhas e arrumação de cama em 30 residências sem dados de treinamento, atingindo taxa geral de sucesso de 56%. A Bernstein caracteriza isso como generalização de cenários: o robô operou em ambientes antes não vistos e realizou locomoção-manipulação de corpo inteiro, mas foi treinado especificamente para as três tarefas. A variação de objetos e suas disposições entre as residências também foi limitada. Assim, o relatório distingue esse avanço da verdadeira generalização de tarefas zero-shot, que considera ainda distante. O relatório atribui grande parte da melhora ao conjunto de dados Index, o corpus proprietário da Figure AI de vídeos egocêntricos de tarefas humanas. Mantidas as demais variáveis constantes, o pré-treinamento com Index elevou a taxa geral de sucesso zero-shot de 9% para 56% e reduziu pela metade os dados necessários para igualar o desempenho do Helix 02. Em agosto de 2026, o Index continha 23 million videos e acrescentava aproximadamente 35 minutos de experiência humana por segundo; cada 1,000 horas de dados coletados representava 373 tarefas, 1,146 objetos manipulados e 116 ambientes. A Bernstein também cita queda contínua na perda de previsão de ações à medida que os dados de pré-treinamento de humano para robô se expandem, interpretando isso como evidência inicial de efeitos de escala. A Bernstein argumenta que o universo de dados de treinamento utilizáveis para modelos robóticos está se ampliando. Vídeos humanos egocêntricos tornam-se cada vez mais adequados para pré-treinamento, enquanto dados de robôs reais permanecem valiosos, mas a teleoperação provavelmente perderá importância por sua falta de escalabilidade. O relatório também vê integração mais profunda entre cérebro e dados: em vez de depender de modelos de visão-linguagem com pesos fixos, o Helix 2.5 é treinado do zero com dados proprietários. A Bernstein posiciona a Figure AI ao lado do GE-ACT 2.0 da AgiBot, Dyna 2.0 da Dyna Robotics e π0.7 da Physical Intelligence como evidência de uma tendência do setor para modalidades de dados mais amplas, integração entre dados e cérebro, escala e generalização. Os próximos marcos são mais exigentes que a demonstração atual. A Bernstein quer evidência de que um robô treinado em uma tarefa possa realizar tarefas semelhantes sem treinamento adicional; destaca o π0.7 da Physical Intelligence como progresso relevante em generalização composicional de tarefas, em que novas habilidades não treinadas emergem de habilidades relacionadas. Também enfatiza que uma taxa de sucesso de 56% está longe de estar pronta para implantação comercial. Observará evidência de um volante de dados no pós-treinamento e na implantação que produza melhora automática de desempenho, e considera uma rota eficiente da faixa de 50–60% de sucesso no pré-treinamento até 99% de confiabilidade como o próximo grande teste. Em termos gerais, a Bernstein acredita que tarefas generalizadas e implantação em larga escala além de poucas aplicações não são iminentes, embora a tecnologia humanoide, sobretudo os modelos cerebrais, avance rapidamente com progresso tangível a cada trimestre.
Estrutura de análise
A Bernstein avalia a demonstração Helix 2.5 separando o desempenho em cenários não vistos do desempenho em tarefas não treinadas, e depois compara resultados de pré-treinamento e escala do conjunto de dados para isolar o papel dos vídeos humanos proprietários. Amplia a avaliação com comparação entre empresas das arquiteturas de modelos cerebrais robóticos, composição de dados e evidência de escala, antes de identificar testes de comercialização para futuras versões.
Notas metodológicas
Escala de dados e integração entre dados e cérebro no desenvolvimento de modelos robóticos
O relatório trata os dados proprietários de treinamento como um insumo crítico para o desempenho humanoide e compara escala, composição e resultados de pré-treinamento para explicar por que dados maiores e mais ricos podem melhorar a capacidade do modelo.
Avaliação EV/EBITDA forward para empresas de automação cobertas
Para as ações cobertas, a Bernstein aplica múltiplos-alvo de EV/EBITDA às estimativas de EBITDA para um ano à frente, referenciando ciclos anteriores e ajustando por tendências seculares ou competitivas.
DCF como referência para valor intrínseco de longo prazo
A Bernstein usa DCF como referência de avaliação de longo prazo e observa que preços-alvo baseados no ciclo podem divergir do valor implícito pelo DCF.
Mapeamento e comparação de ativos
Mapeamento estruturado da tese para ativos nomeados (pontos fortes, pontos fracos, pares e riscos).
- Keyence (6861.JP)Empresa de automação coberta com classificação Outperform.
- Comparação
- Preço-alvo JPY95,000 versus fechamento de JPY76,580; 22x EV/EBITDA sobre EBITDA forward de um ano de JPY913.2bn.
- Riscos
- Utilização de capacidade manufatureira abaixo do esperado, demanda global de automação mais fraca e apreciação do JPY.
- Cognex (CGNX)Empresa de automação coberta com classificação Outperform.
- Comparação
- Preço-alvo USD85.00 versus fechamento de USD61.99; 36.5x EV/EBITDA sobre EBITDA forward de um ano de USD372.6 million.
- Riscos
- Demanda global de automação mais fraca, avanço mais lento no programa de clientes emergentes ou atraso na integração da Moritex e nas sinergias planejadas.
- FANUC (6954.JP)Empresa de automação coberta com classificação Outperform.
- Comparação
- Preço-alvo JPY7,200 versus fechamento de JPY5,852; 23.0x EV/EBITDA sobre EBITDA forward de um ano de JPY255bn.
- Riscos
- Demanda global de automação mais fraca, perda de participação de mercado e apreciação do JPY.
- Harmonic Drive Systems (6324.JP)Empresa de automação coberta com classificação Outperform.
- Pontos fortes
- Mais de 50% de participação global em redutores strain-wave.
- Pontos fracos
- Mudanças no ambiente competitivo são especialmente relevantes diante de sua participação de mercado.
- Comparação
- Preço-alvo JPY7,800 versus fechamento de JPY6,200; 45.5x EV/EBITDA sobre EBITDA forward de um ano de JPY16,194 million.
- Riscos
- Demanda mais fraca por robôs, perda de participação de mercado e apreciação do JPY.
- Shenzhen Inovance Technology-A (300124.CH)Empresa de automação coberta com classificação Outperform.
- Comparação
- Preço-alvo CNY82.00 versus fechamento de CNY54.05; 24.0x EV/EBITDA sobre EBITDA forward de um ano de CNY8,971.6 million.
- Riscos
- Demanda mais fraca por automação na China, ganho de participação mais lento fora de servomotores e VFD, e demanda mais fraca por EV.
- Estun Automation Co Ltd (2715.HK; 002747.CH)Empresa de automação coberta com classificação Market-Perform.
- Pontos fortes
- Potencial para expansão de margem e ganho de participação de mercado mais rápidos que o esperado.
- Pontos fracos
- A integração da Cloos e a realização das sinergias planejadas continuam importantes para a tese.
- Comparação
- Preço-alvo da ação H de HKD17.12 versus HKD14.80; preço-alvo da ação A de CNY31.60 versus CNY29.68. Ambos os alvos baseiam-se em 45.5x EV/EBITDA sobre EBITDA forward de um ano de CNY681.4 million.
- Riscos
- Demanda mais fraca por automação na China, melhora de margens ou ganho de participação mais lentos, e atraso na integração da Cloos e na realização de sinergias.
Dados principais
- Taxa geral de sucesso do Helix 2.556%Em três tarefas domésticas em 30 residências não vistas.
- Sucesso zero-shot com pré-treinamento Index9% to 56%Melhora mantendo as demais variáveis constantes.
- Escala do conjunto de dados Index23 million videosEm agosto de 2026; acrescentava aproximadamente 35 minutos de experiência humana por segundo.
- Diversidade de dados do Index por 1,000 horas373 tasks, 1,146 manipulated objects, 116 environmentsComposição reportada dos dados coletados.
- Preço-alvo da KeyenceJPY95,000Versus preço de fechamento de JPY76,580 em 18 de setembro de 2026.
- Preço-alvo da CognexUSD85.00Versus preço de fechamento de USD61.99 em 18 de setembro de 2026.
- Preço-alvo da FANUCJPY7,200Versus preço de fechamento de JPY5,852 em 18 de setembro de 2026.
- Preço-alvo da Harmonic DriveJPY7,800Versus preço de fechamento de JPY6,200 em 18 de setembro de 2026.
- Preço-alvo da InovanceCNY82.00Versus preço de fechamento de CNY54.05 em 18 de setembro de 2026.
- Preços-alvo da EstunCNY31.60 for A-shares; HKD17.12 for H-sharesVersus CNY29.68 e HKD14.80, respectivamente, em 18 de setembro de 2026.
Impacto e implicações
O relatório argumenta que coleta de dados proprietários, escala de pré-treinamento e treinamento de modelos proprietários estão se tornando fontes-chave de diferenciação competitiva na robótica humanoide. Apoia uma visão construtiva sobre os fornecedores de automação cobertos, ao mesmo tempo em que alerta que a capacidade humanoide atual ainda não ultrapassou o limiar para ampla implantação comercial.
Riscos
- A capacidade para tarefas generalizadas e a ampla implantação permanecem não comprovadas; a Bernstein considera que o atual sucesso de 56% não está pronto para implantação comercial.
- O relatório identifica o desafio de encontrar uma rota eficiente de aproximadamente 50–60% de sucesso no pré-treinamento até 99% de confiabilidade.
- As empresas de automação cobertas enfrentam riscos explícitos de demanda global ou chinesa de automação mais fraca, ciclos de capex industrial, concorrência, atritos comerciais e movimentos cambiais.
Pontos a observar
- Se versões futuras demonstram habilidades transferíveis entre tarefas relacionadas sem treinamento adicional.
- Evidência de um volante de dados no pós-treinamento e na implantação que melhore automaticamente o desempenho robótico.
- O progresso das taxas atuais de sucesso no pré-treinamento rumo a 99% de confiabilidade.
- Mais evidência de que conjuntos maiores de vídeos humanos melhoram o desempenho robótico em tarefas não vistas.