苹果新 CEO 最近对自家 AI 的进度有点不满意。 据彭博社最新爆料，苹果 CEO 约翰·特努斯已经要求软件主管费德里吉加快 AI 开发节奏，拿出更大胆的方案，不能只满足于给 Siri 升级几个功能。 比起苹果 AI 落地的速度，苹果在研究上的进展其实超出很多的预期，其中就包括具身智能，苹果也在研究怎么让 AI 拥有一副能在现实世界行动的身体。 最近，苹果研究团队公开了一项名为 HALO 的人形机器人研究，直接用宇树 G1 当身体，后背绑着一台 Mac mini M4 Pro，里面运行的还是阿里的千问模型。 这套看起来有点混搭的系统，已经能够让机器人自主走进陌生家庭，找到椅子坐下、钻过桌底、推走箱子。在 6 个从未见过、没有提前扫描的真实环境里，360 次测试的平均成功率达到 91%。 图｜项目地址：https://apple-aiml-research.github.io/ml-halo/ 更有意思的是，苹果甚至没有专门找人遥控机器人来采集这些训练数据。 研究团队用几百张 GPU，在上千个虚拟家庭中批量生成机器人的动作和视觉数据，再把学到的技能直接搬进现实世界。 这意味着，人形机器人原本需要人类手把手教的动作，现在开始有机会靠算力来学习。 [demo-1080.mp4] 教机器人坐下，得先拍到它看见了什么 我们听到「去椅子上坐」，一般会先看椅子在哪儿，然后走过去，转身，再把身体的重量落到座面上。 对机器人来说，这个过程则需要一种很具体的训练数据。一条常见的数据样本里，既要有它听到的指令和第一视角画面，也要有完成任务时全身关节怎么动的记录。靠人遥操作采集，每多一条样本，就得再做一遍。 这种配对机器人的数据叫做「视觉-语言-动作 Vison-Language-Action，VLA」，和训练大语言模型可以使用互联网上取之不尽的文本不同，现实世界中并不存在已有的 VLA 语料数据。 每一条训练样本都必须有人专门制造出来：遥操作系统（如 ALOHA）、穿戴式动捕设备（如 UMI），产出一小时数据至少要消耗一小时人力，这也是人形机器人领域著名的「数据瓶颈」。 苹果的这篇论文 HALO 给出的方案是 不采人数据了，全部用仿真合成。 研究团队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，客厅、办公室、卧室，家具疏密随机；再在 Isaac Sim 里把动作放进场景，渲染出机器人头部相机看到的第一视角画面，最后交给自动校验器筛掉穿模、滑脚的坏样本。 拿坐椅子来说，研究人员先指定走过去、转身、坐下这几个阶段，以及最后坐稳的姿势。 动作生成模型据此给出多组轨迹 ，程序检查脚底有没有打滑、身体有没有穿过地面、关节有没有超过活动范围，再把筛过的动作和椅子摆进虚拟房间，避开周围的家具。 接下来，仿真器从机器人头部摄像头的位置把这一幕拍下来。团队在约 1000 个程序生成的房间里做出了 16.3 万条、近 300 小时 的配对样本，数据规模只受算力限制。 论文里还提到，仅生成 SIT（坐下）一个技能的 5 万条样本，就用了 250 张 H100 GPU 跑了 9 个小时；全部 1178 个房间的生成用了约 300 张 GPU、26 个小时。 房间多样性本身也起了作用。研究团队保持动作数据量不变，只调整训练场景的数量。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%。场景再加到 1000 个，成绩升到 84%。 苹果的机器人生态，跑在自己的芯片上 HALO 的自主性由三层结构协作完成，而且 全部在机器人本体上运行 ，不联网、不遥控、不需要外置动捕。 编排器（约 0.5 Hz） ：一个视觉语言模型（默认是本地运行的 Qwen3.6-35B-A3B）每两秒看一次画面，可以把「帮我把箱子推到桌子那边」这样的自由指令拆解成子任务序列； 运动生成器（3 Hz） ：冻结的 Qwen3.5-2B VLM 编码器加上一个从零训练的扩散 Transformer 解码器，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，即机器人身上 29 个关节角度加骨盆位姿； 运动跟踪器（50 Hz） ：结合深度视觉和本体感觉，把运动计划落地成真正的关节命令。它经过「特权专家训练 → 多教师蒸馏 → 多 critic 强化学习微调」三段式训练，是解决「物理问题」的最底层。 总的来说，上两层解决的是「语义」问题，即指令说的是哪把椅子；最底层解决的是，如何让屁股结结实实落在椅面上，还不能失去平衡。 这套编排有趣的地方是软硬件上的混搭，用的是宇树 Unitree G1 的身体，背上驮着一台 Mac mini M4 Pro（64GB 统一内存）负责思考，而机器人原厂 Je
