苹果罕见公布人形机器人进展，宇树 G1 背着一台跑千问的 Mac mini
内容提要
苹果研究团队发布HALO人形机器人研究，采用宇树G1机身，背载Mac mini M4 Pro运行阿里千问模型，通过仿真合成海量训练数据，使机器人无需遥操作即可在陌生家庭完成坐下、钻桌底、推箱子等任务，360次真实测试平均成功率91%。研究显示增加训练场景数量可显著提升成功率，为机器人规模化学习提供新路径。
延伸解读
仿真数据如何突破机器人训练瓶颈
人形机器人训练长期受限于“数据瓶颈”：每条视觉-语言-动作样本都需人工遥操作采集，耗时费力。苹果HALO研究改用仿真合成，用扩散模型生成动作、程序化生成上千虚拟家庭，再渲染第一视角画面并自动校验。仅坐下技能就生成5万条样本，用250张H100跑9小时。这显示训练数据规模可摆脱人力限制，转而受算力驱动，为规模化学习提供新路径。
场景多样性比动作数据量更关键
论文的对照实验揭示了一个反直觉结论：保持动作数据量不变，仅增加训练场景数量，坐椅子成功率就从1个房间的43%升至100个房间的81%，1000个房间达84%。这说明机器人泛化能力高度依赖环境多样性，而非单纯堆叠同一场景的重复样本。对后续研究而言，仿真环境的随机化设计可能比增加单技能数据量更具性价比。
分层架构与异步推理保障实时性
HALO将控制分为三层：约0.5Hz的视觉语言模型拆解指令，3Hz的运动生成器输出未来5秒全身动作，50Hz的跟踪器结合深度视觉与本体感觉生成关节命令。为解决新计划与已执行动作的衔接问题，采用异步推理加前缀约束，保留旧计划中已决定的半秒动作。消融实验显示，去掉跟踪层的深度输入，仿真成功率从84%降至74%，说明底层物理反馈对稳定执行不可或缺。
组合任务暴露当前局限
在6个未扫描的真实家庭中，HALO完成坐下、钻桌底、推箱子等6类任务，360次测试平均成功率91%。但将技能串联成组合任务时，成功率降至约70%，失败主因是上一动作结束时朝向不对，下一目标不在视野内。论文指出，加入简单的原地转圈找目标恢复行为即可缓解。这表明单技能已较可靠，但长序列自主性仍是待解问题，且每增新技能仍需手动设计动作提示和关键帧。
Q&A
苹果HALO人形机器人研究用了哪些硬件和模型？
HALO采用宇树G1作为机器人身体，背部搭载一台Mac mini M4 Pro（64GB统一内存）负责高层思考，运行阿里千问模型（默认Qwen3.6-35B-A3B作为编排器，Qwen3.5-2B VLM编码器用于运动生成）；机器人原厂Jetson Orin NX负责50Hz实时控制，头部加装120°广角相机，全身无线、无缆绳、无外接动捕。
HALO如何解决人形机器人训练数据稀缺的问题？
HALO放弃人类遥操作采集数据，全部采用仿真合成：用运动扩散模型生成全身动作，用程序化生成器（INFINIGEN）造出1000个虚拟家庭，在Isaac Sim中渲染第一视角画面，并用自动校验器筛掉穿模、滑脚等坏样本。团队在约1000个房间生成了16.3万条、近300小时的配对样本，数据规模只受算力限制。
HALO在真实家庭环境中的测试成功率是多少？
在6个训练中从未出现、也没有被扫描或建图过的真实家庭里，HALO完成了坐下、走向指定物体、侧身穿过半开门、蹲下/爬行钻过桌底、推箱子等6类任务，360次物理试验的平均成功率为91%，与仿真中的91%一致。但将技能串成组合任务时，成功率降到约70%。
训练场景数量对HALO的成功率有什么影响？
研究显示增加训练场景数量能显著提升成功率：在100个没见过的模拟房间里，坐椅子的成功率从只用1个房间训练时的43%，涨到用100个房间时的81%；场景增加到1000个时，成功率进一步升至84%。
HALO的三层控制架构是如何工作的？
HALO由三层结构协作，全部在机器人本体上运行，不联网、不遥控：编排器（约0.5Hz）用视觉语言模型每两秒看一次画面，将自由指令拆解成子任务序列；运动生成器（3Hz）根据当前第一视角画面和子任务，生成未来5秒的全身运动计划（29个关节角度加骨盆位姿）；运动跟踪器（50Hz）结合深度视觉和本体感觉，把运动计划落地为真正的关节命令。
HALO如何处理运动计划更新时的动作连贯性问题？
HALO采用异步推理加训练时前缀约束：在生成新计划时，保留旧计划里已经决定要做的半秒动作，只重算后面的4.5秒。这样机器人可以继续走，新计划也能顺着已经开始的动作接下去，避免因突然改变落点而导致动作卡顿。
苹果在具身智能领域此前还有哪些研究布局？
苹果过去两年的公开论文显示了清晰的路线：2024年11月ARMOR（与CMU合作）用40个低成本ToF雷达铺满傅利叶GR1双臂，解决机器人看不见自己手臂的遮挡难题；2025年1月ELEGNT探索功能与表达结合的运动设计（皮克斯台灯机器人）；2025年5月EgoDex与PH2D用Vision Pro采集829小时第一视角灵巧操作数据，并让人类教练戴头显直接训练人形机器人。HALO继承了第一视角感知哲学和家庭场景目标，但在数据环节转向仿真。
