苹果HALO机器人用宇树G1身体跑千问模型，仿真生成300小时训练数据突破人形机器人数据瓶颈

苹果近期罕见地公开了一项具身智能研究进展——HALO（Perceptive Humanoid Motion from Simulation），该项目将人形机器人与大语言模型深度结合，展示了在真实家庭环境中完成复杂任务的能力。不同于以往依赖人工遥控采集训练数据的主流路径，HALO 系统完全依靠仿真环境生成训练样本，为解决人形机器人领域的“数据瓶颈”提供了新思路。

HALO 的硬件配置颇具混搭特色：以国产人形机器人宇树 Unitree G1 为本体，背部固定一台搭载 M4 Pro 芯片、64GB 统一内存的 Mac mini，负责运行本地部署的千问模型 Qwen3.6-35B-A3B；机器人原厂的 Jetson Orin 计算单元则用于底层运动控制。整套系统在无网络连接、无人工干预条件下，可自主完成“走进陌生房间→识别椅子→坐下”“钻桌底→推箱子”等任务。在6个未提前建模的真实家庭场景中，360次测试平均成功率达91%。

这一成果背后的关键突破在于数据生成方式的革新。传统人形机器人训练依赖“视觉-语言-动作”（VLA）三元组数据，即指令、第一视角画面与关节运动轨迹的精确同步。由于现实世界中不存在现成的 VLA 语料库，业界长期依赖遥操作系统（如 ALOHA）或穿戴式动捕设备（如 UMI）人工录制，效率极低——产出1小时数据需消耗1小时人力，形成严重制约。

苹果团队选择绕过人工采集环节，转而构建大规模仿真流水线：首先利用运动扩散模型生成全身动作序列；再通过程序化生成器 INFINIGEN 创建1000个风格各异的虚拟家庭（含客厅、卧室、办公室等），家具布局随机；随后在 NVIDIA Isaac Sim 中将动作嵌入场景，渲染出机器人头部摄像头的第一视角画面；最后由自动校验模块剔除穿模、滑脚等无效样本。整个流程仅受算力限制——研究团队用约300张 H100 GPU 运行26小时，生成了1178个虚拟房间中的16.3万条配对样本，总时长约300小时。其中，仅“坐下”（SIT）单一技能的5万条样本就耗用250张 H100 GPU 运行9小时。

场景多样性被证实对泛化能力至关重要。在保持动作数据量不变的前提下，仅增加训练场景数量即可显著提升性能：使用1个虚拟房间训练时，“坐下”成功率仅为43%；增至100个房间后升至81%；扩展到1000个房间时达到84%。这表明，丰富多变的模拟环境本身即构成一种有效的正则化手段，有助于模型学习更具鲁棒性的空间理解与动作规划能力。

HALO 的软件架构采用三层协同设计，全部运行于机器人本体：

• 编排器（约0.5 Hz）：基于本地 Qwen3.6-35B-A3B 视觉语言模型，每2秒处理一次输入画面与自由文本指令（如“把箱子推到桌子那边”），将其拆解为子任务序列；
• 运动生成器（3 Hz）：冻结 Qwen3.5-2B VLM 编码器，搭配从零训练的扩散 Transformer 解码器，根据当前视觉输入与子任务，预测未来5秒内29个关节角度及骨盆位姿；
• 运动跟踪器（50 Hz）：融合深度视觉与本体感知信号，将高层运动计划转化为实际关节命令，经“特权专家训练→多教师蒸馏→多 critic 强化学习微调”三阶段优化，确保物理层面的稳定执行。

上两层解决“语义理解”问题——识别哪把椅子、哪个箱子；最底层则专注“物理落地”——如何让身体稳稳坐实而不失衡。这种分层设计既保障了任务灵活性，又维持了动作可靠性。

值得注意的是，该项目并非孤立实验苹果新任 CEO 约翰·特努斯已要求软件主管克雷格·费德里吉加速 AI 开发节奏，强调不能仅满足于 Siri 功能升级，而应探索更激进的整合路径。HALO 正是苹果在具身智能方向上的实质性落地方案之一，其技术路线凸显出两大趋势：一是大模型与机器人本体的深度耦合，二是仿真驱动的数据工厂模式正在取代人工标注成为主流。

目前，人形机器人行业仍处于从实验室走向实用化的关键过渡期。波士顿动力 Atlas 已转向液压驱动并聚焦工业场景，特斯拉 Optimus 侧重端到端神经网络控制，而苹果 HALO 则代表了另一条路径：轻量化本体+边缘大模型+仿真数据闭环。其优势在于成本可控（采用商用机器人平台）、部署灵活（离线运行）、迭代迅速（数据生成周期短）；挑战则在于仿真到现实的域偏移问题尚未完全消除，复杂交互（如抓取易碎物品、应对突发障碍）仍需更多验证。

从产业角度看，HALO 的公开释放出明确信号：苹果并未放弃具身智能赛道，且正尝试以自身软硬协同优势切入。尽管短期内不会推出消费级人形产品，但该研究积累的技术模块——尤其是高效 VLA 数据生成框架与本地大模型推理优化方案——有望反哺其 HomePod、Vision Pro 及未来 AR 设备的环境理解与交互能力。

具身智能的发展正从“手把手教”迈向“靠算力学”。当数百张 GPU 可在一天内生成数百万次机器人动作试错经验，人类操作员的角色或将逐渐从“教练”转变为“课程设计师”。苹果 HALO 项目虽处早期阶段，却为行业提供了一个可复现、可扩展的范本：在真实世界部署智能体之前，先让它在数字孪生中充分练习。