走进一间从未见过的住宅，环顾四周后径直走向一把椅子，转身、屈膝、稳稳坐下；随后钻到餐桌底下穿行，再把挡路的箱子推到一边——完成这一连串动作的，是一台后背绑着 Mac mini 的人形机器人。全程没有人在旁边遥控，也不依赖联网，它身上跑的正是苹果研究团队近期公开的 HALO 项目，相关演示和论文已经挂在项目主页上。
这套系统的硬件组合颇具混搭味道：本体来自宇树的 Unitree G1，背部固定着一台配备 64GB 统一内存的 Mac mini M4 Pro 充当大脑，里面运行的是阿里开源的千问模型；原厂自带的 Jetson Orin NX 芯片专司实时控制，头部额外加装了一颗 120° 广角相机。机身无线、无缆绳，也没有外接动作捕捉设备，Mac mini 的供电直接取自机器人内部电源总线，连单独的电池和适配器都省了。
彭博社的爆料提到，苹果管理层对自家 AI 的落地速度并不满意，CEO 已要求软件主管费德里吉加快开发节奏，拿出更大胆的方案，而不是满足于给 Siri 增加几个新功能。不过在研究层面，苹果的进展其实超出了外界的预期，具身智能正是其中一项——怎样让 AI 拥有一副能在现实世界中行动的身体，已经被认真摆上了台面。
让机器人听懂「去椅子上坐」并真正坐下去，背后需要一种相当特殊的训练数据。每条样本既要包含听到的指令、第一视角拍到的画面，还得记录完成任务时全身关节怎么动。这类数据被称作「视觉-语言-动作」（Vision-Language-Action，VLA）。与训练大语言模型可以直接取用互联网上取之不尽的文本不同，现实世界里并不存在现成的 VLA 语料，每一条都得有人专门制造出来。
行业目前的通行做法是靠人力：借助 ALOHA 这类遥操作平台，或者 UMI 这类穿戴式动捕装置，人类一遍遍示范。产出一小时数据，至少要搭进去一小时人力，这就是人形机器人领域出了名的「数据瓶颈」。
HALO 论文给出的答案干脆利落——不再采集人的数据，全部改用仿真合成。团队先用运动扩散模型生成全身动作，再由程序化生成器 INFINIGEN 造出 1000 个虚拟家庭，客厅、卧室、办公室一应俱全，家具疏密各不相同；随后在 Isaac Sim 中把动作嵌入场景，渲染出机器人头部相机视角的画面；最后交由自动校验器，筛掉穿模、脚底打滑等不合格样本。
以坐椅子为例，研究人员先设定走过去、转身、落座几个阶段以及最终的稳定坐姿，动作生成模型据此输出多组轨迹；程序逐一检查脚有没有打滑、身体是否穿透地面、关节有没有超出活动范围，通过的样本连同椅子一起被摆进虚拟房间并避开周边家具，仿真器再从头部摄像头的位置把这一幕记录下来。在约 1000 个程序生成的房间里，团队共得到 16.3 万条、近 300 小时的配对数据，规模上限只取决于算力。
算力开销并不便宜。论文披露，仅「坐下」一项技能的 5 万条样本，就动用了 250 张 H100 GPU 连续跑 9 个小时；1178 个房间的生成则花费约 300 张 GPU、26 个小时。
虚拟房间的数量多少，直接左右着模型表现。团队固定动作数据量，只增减训练场景做对照：在 100 个从未见过的模拟房间里，坐椅子成功率从只用 1 个房间训练时的 43%，升到 100 个房间时的 81%；场景扩到 1000 个，成绩进一步提到 84%。
HALO 的自主能力来自三层结构的分工，全部在机器人本体上运行，不联网、不遥控、不需要外置动捕。最上层是编排器，运行频率约 0.5 Hz，一个本地运行的千问视觉语言模型每隔两秒看一次画面，把「帮我把箱子推到桌子那边」这类自由指令拆解成一串子任务；中间一层是运动生成器，频率 3 Hz，由冻结的 Qwen VLM 编码器加上从零训练的扩散 Transformer 解码器组成，依据当前第一视角画面和子任务，规划未来 5 秒的全身动作，也就是 29 个关节角度加骨盆位姿；最底层是运动跟踪器，频率达 50 Hz，融合深度视觉与本体感觉，把计划落实为真实的关节指令，它经历了「特权专家训练、多教师蒸馏、多 critic 强化学习微调」三个阶段的锤炼。上面两层处理的是语义问题——指令说的是哪把椅子；底下那层负责物理问题——让屁股结结实实落在椅面上，还不能失去平衡。
真机运行时有个容易被忽视的麻烦：机器人等待新计划的间隙，可能已经抬起了一只脚，如果新计划一上来就更改落脚点，动作会突然一顿。HALO 采用异步推理配合训练时的前缀约束——生成新计划时保留旧计划中已经确定执行的半秒动作，只重算剩下的 4.5 秒，机器人得以继续行走，新计划也能顺着已经开始的动作接下去。再往下，G1 自带的 Jetson 芯片结合朝下看的深度相机和身体状态，每秒为 29 个关节更新 50 次位置目标，上层计划里一句抽象的「坐下」，到这里才变成膝盖该弯多少、躯干该怎么稳住的一连串动作。仿真测试显示，若去掉这一层的深度输入，坐椅子成功率会从 84% 跌到 74%。
与以往多数同类工作不同，HALO 的评测没有选在提前扫描或建图过的房间，而是直接放进 6 个训练中从未出现的真实家庭。机器人完成了 6 类任务：坐上椅子、走向指定物体、侧身穿过半开的门、蹲下或爬行钻过桌底、推动箱子。360 次物理试验的平均成功率为 91%，与仿真环境中的成绩完全一致。
把技能串成组合任务时，情况会打折扣。「钻过桌子、走向箱子、再推走箱子」这类连贯指令，成功率降到 70% 左右。失败案例颇为典型：上一个动作结束时机器人朝向不对，下一个目标根本不在视野里，或者途中被别的物体带偏。论文里给出的补救办法也简单——加一个「原地转圈找目标」的恢复行为，就能明显缓解。
把时间线拉长看，HALO 并非苹果在具身智能上的孤立动作。2024 年 11 月，苹果与 CMU 合作的 ARMOR 项目，把 40 个低成本 ToF 雷达像皮肤一样铺满傅利叶 GR1 的双臂，专门解决人形机器人「看不见自己手臂」的遮挡难题，确立了第一视角机载感知的路线；2025 年 1 月，那台刷屏的皮克斯台灯机器人 ELEGNT 亮相，探索「功能加表达」的运动设计，让机器人会点头、会靠近、会用灯光引导人的注意力，被视为苹果对消费级机器人形态的思考；2025 年 5 月，团队又接连推出 EgoDex 与 PH2D，用 Vision Pro 采集了 829 小时第一视角灵巧操作数据，让人类教练戴着头显直接训练人形机器人。
HALO 更像是这条线的一次收束：感知上延续第一视角哲学，场景上瞄准 ELEGNT 描绘的家庭，而在最关键的数据环节，苹果这次弃用人力采集，押注仿真和算力。
当然，离真正走进千家万户，HALO 还有不少路。它眼下会坐椅子、钻桌底、推箱子，可要让它收拾一间乱糟糟的卧室，或者从冰箱里取出一瓶饮料，仍有大量技能要补课；而且每增加一项新技能，研究人员依然得手动设计动作提示和关键帧。
这套系统里甚至找不到苹果自研的机器人身体：宇树提供本体，阿里的千问负责理解语言，英伟达的 Jetson 承担实时控制，苹果贡献的是一台 Mac mini 和整套训练框架。研究人员用几百张 GPU，在一天多的时间里生成了过去需要人类陪练才能积累的 300 小时经验，再把这些经验交给一个从未踏进真实家庭的机器人。
