苹果发机器人论文：91％成功率背后是啥底气

11月4日，Apple AI／ML Research 团队在学术论文平台 arXiv 上提交了《Perceptive Humanoid Motion from Simulation》，提出一套名为 HALO 的人形机器人自主控制系统。同一时间，项目主页 apple－aiml－research。github。io／ml－halo／ 同步上线。

这不是苹果第一次接触机器人，但这是他们第一次把核心算法放到学术界公开讨论。

论文显示，这套系统能在未经任何针对特定环境的预训练情况下，直接把虚拟世界学到的动作迁移到真实硬件上。测试中，一台搭载 29 自由关节的宇树科技 G1 人形机器人在 6 个未映射的真实环境中完成了 360 次随机任务序列，综合成功率达到 91％。最复杂的多步骤复合任务——如坐下后起身拿取物品再返回原位——成功率为 50％。

扔掉遥控器，换算力堆出来

传统人形机器人的动作学习路径是“人类先做一遍”——工程师搭建遥操作台，让真人操控假肢完成开门、端杯子、上下楼梯等动作，再把数百万小时的人类演示数据喂进模仿学习网络里。瓶颈在于采集成本极高，而且人类示范本身就带有限制性：人的灵巧度不是所有机器人硬件都能复制的。

HALO 的做法是彻底抛弃这个流程。

团队使用了 Infinigen 程序化生成的 1，000 栋虚拟房屋作为训练环境。每一栋房子的布局、家具位置、光照条件都不相同，系统自动在这些场景中生成数以百万计的“视觉—语言—运动”配对数据。通俗理解就是：不再教机器人看人怎么做，而是让它在虚拟世界里自己反复练，遇到一万种不同房型就掌握一万套应对方案。

这套合成数据的视觉增强环节也很细——除了原始渲染，又叠加了运动模糊、椒盐噪声、强光、低光、冷色调、暖色调、绿偏和高对比度共八种模拟扰动，确保模型在真实世界中遇到光线变化和摄像头抖动时不会崩溃。

三层堆栈，各司其职

HALO 的核心架构是三阶分层自主堆栈，每个层级频率不同，分工明确。

第一层叫 Orchestrator，运行在约 0．5 Hz，相当于每秒判断一次全局状态。它内置一个视觉语言模型（VLM），把用户输入的自然语言指令——比如“去厨房倒杯水然后端到客厅桌上”——拆分成 subtask 子任务序列，确定先后顺序。

第二层是 Generator，运行在约 3 Hz，是整个系统的运动学引擎。它的核心是一个冻结参数的 Qwen3．5－2B Encoder 加上 DiT Decoder 和 flow matching 模型，每次输出 5 秒长、150 帧的 36 维全身运动计划，并提交前 0．5 秒的数据作为 clean token 给底层执行。

第三层是 Tracker，运行在 50 Hz，是实时执行器。它接收上层发出的运动计划，结合单目鱼眼 RGB 相机的实时画面、下视深度图和本体感知信号（即关节角度、速度等自身状态反馈），动态调整每一步的目标关节值。

这三层协同运行的结果是：机器人能独立感知环境、自主规划动作，并且在没有外部遥控或预先标定地图的情况下完成多步任务。

烧出来的护城河

算力投入是这笔账的核心。根据网页标注的训练资源消耗——

• 数据合成阶段：250 张 H100 GPU
• Generator 模拟学习阶段：64 张 B200 GPU
• Tracker 强化学习阶段：4 张 H100 GPU

总计超过 318 张高端 GPU 同时参与训练。B200 是英伟达最新一代架构芯片，单卡算力远超前代 H100。即便不计算实际训练的时长（论文和主页均未披露 epoch 或迭代次数），仅硬件规模就足以在业内形成明显的门槛效应。

更关键的是训练范式转换带来的成本优势。过去依赖人力采集遥操作数据的项目，每增加一个新动作种类都需要重新部署设备、组织人员录制、清洗标注；而 HALO 的方案理论上可以无限扩展场景——只要渲染能力跟得上。1，000 栋房屋是起点，后续扩展到城市建筑、室外地形只需要改变程序化生成参数。

为什么选在学术渠道发布

苹果选择以 arXiv 预印本形式发布而非商业产品新闻，有几层含义。

最直接的是人才争夺信号。机器人领域的人才稀缺，顶尖的强化学习和具身智能研究人员往往会关注顶级会议的录用情况。公开发表论文等于向该群体发出招聘邀请——“我们在这个方向上有实质性进展，欢迎加入。”

其次是标准制定意图。目前人形机器人赛道仍处于早期，谁先定义好评估基准、技术路线和行业术语，谁就在未来的标准竞争中占据有利位置。HALO 提出的“零样本迁移成功率”“33项几何检查”等概念如果能成为后续研究的通用参照，苹果就能在学术和产业双重维度上获得话语权。

当然，这也是一种市场教育。苹果的硬件产品往往需要等待供应链成熟后才能量产——从 iPhone 的多点触控到 Vision Pro 的微显示，都是如此。通过论文提前释放技术路线图，可以让上下游供应商知道未来需要什么零部件、什么传感器组合，从而加速生态成型。

国内企业面临什么压力

对于宇树科技、傅利叶智能、智元机器人等国产企业来说，这篇论文有两层冲击。

技术上，HALO 证明了一个此前未被广泛验证的思路：纯合成数据驱动加零样本迁移可以达到接近工业级的可用性水平。这意味着未来竞争焦点可能从“谁的硬件关节精度更高”转向“谁的数据合成能力和模型泛化性能更强”。后者对资金和算力的要求远高于前者。

资本市场上，当科技巨头以论文形式公开展示接近量产水平的机器人算法时，投资者会对初创企业的估值逻辑产生重新评估——如果苹果最终决定自研硬件进入市场，现有企业在客户资源和供应链议价权方面将面临直接挑战。

目前尚无证据表明苹果已有量产级别的人形机器人硬件原型。这篇论文仍是纯算法验证阶段的成果，距离消费级产品的发布还需要跨越多个工程难题——包括关节电机的批量一致性、电池能量密度、成本控制等。但可以确定的是，算法层面的军备竞赛已经进入了公开赛道。

三个可追踪的观察指标

第一，接下来 12 个月内该团队是否有 ICRA、CoRL、RSS 等顶会的正式录用论文。arXiv 预印本只是第一步，同行评审阶段的修改意见往往能反映技术方案的薄弱环节。

第二，GPU 采购方向的公开信号。B200 的大规模使用说明苹果已经在为下一代训练框架做准备，关注英伟达财报中对数据中心客户分类的详细描述，看是否出现与具身智能相关的隐性需求增长。

第三，国内头部机器人企业的专利布局动向。重点留意“合成数据生成”“仿真到现实迁移”“端到端运动控制”等关键词的专利申请数量和授权情况，这能反映产业界对这一技术路线的实际态度。