苹果AI提速：人形机器人进展曝光，宇树G1背着跑千问的Mac mini
打开网易新闻 查看精彩图片 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
苹果新任 CEO 对自家 AI 的推进速度，眼下并不太满意。
彭博社最新消息称，苹果 CEO 约翰·特努斯已向软件主管费德里吉提出要求：AI 开发要提速，方案要更大胆，光给 Siri 添几个功能远远不够。
不过，跟 AI 落地节奏相比，苹果在研究层面的进展其实超出不少人的预期，具身智能就是其中之一。苹果也在琢磨，怎样让 AI 拥有一具能在现实世界里行动的身体。
近日，苹果研究团队公开了一项目名为 HALO 的人形机器人研究：身体直接用宇树 G1，后背绑一台 Mac mini M4 Pro，里面跑的则是阿里的千问模型。
这套组合看上去有些混搭，但已经能让机器人自己走进陌生家庭，找到椅子坐下、从桌底钻过、把箱子推开。在 6 个此前从未见过、也未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/
更让人意外的是，训练数据并不是专门找人遥控机器人采出来的。
研究团队动用几百张 GPU，在上千个虚拟家庭里批量生成机器人的动作与视觉数据，再把学到的技能直接迁移到现实世界。
也就是说，人形机器人过去要靠人手把手教的动作，如今开始有机会借助算力来学会。
[demo-1080.mp4]
想让机器人学会坐下，先得拍到它看见了什么
人听到「去椅子上坐」，通常会先找到椅子，走过去，转身，再把身体重量落到座面上。
机器人要完成同样的事，需要的训练数据很具体：一条常见样本里，既有它听到的指令和第一视角画面，也有任务执行过程中全身关节如何运动的记录。若靠人遥操作采集，每多一条样本，就得重做一遍。
这类把视觉、语言、动作配在一起的数据叫「视觉-语言-动作 Vison-Language-Action，VLA」。训练大语言模型可以用互联网上取之不尽的文本，现实世界里却不存在现成的 VLA 语料。
每一条训练样本都得有人专门造出来：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消耗一小时人力，这就是人形机器人领域有名的「数据瓶颈」。
苹果在 HALO 论文里给出的思路是：人数据不采了，全部改用仿真合成。
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、卧室都有，家具疏密随机；随后在 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，最后交由自动校验器筛掉穿模、滑脚的坏样本。
以坐椅子为例，研究人员先指定走过去、转身、坐下几个阶段，以及最终坐稳的姿势。动作生成模型据此给出多组轨迹，程序再检查脚底有没有打滑、身体有没有穿过地面、关节有没有超出活动范围，筛过的动作和椅子一起摆进虚拟房间，并避开周围家具。
仿真器随后从机器人头部摄像头视角拍下这一过程。团队用约 1000 个程序生成的房间，做出 16.3 万条配对样本，时长接近 300 小时；数据规模只受算力限制。
论文还提到，仅生成 SIT（坐下）一个技能的 5 万条样本，就动用了 250 张 H100 GPU 跑 9 个小时；全部 1178 个房间的生成则用了约 300 张 GPU、26 个小时。
训练场景的数量同样影响结果。团队固定动作数据量，仅改变训练场景数：在 100 个没见过的模拟房间里，仅用 1 个房间训练时坐椅子成功率为 43%，用 100 个房间时升到 81%；场景增至 1000 个后，成绩达到 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，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，能把「帮我把箱子推到桌子那边」这样的自由指令拆成子任务序列；
- 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；
- 运动跟踪器以50 Hz运转，把深度视觉和本体感觉合在一起，将上层的运动计划落到具体的关节指令上。它先后经历「特权专家训练 → 多教师蒸馏 → 多 critic 强化学习微调」三个阶段，处理的是最底层的「物理问题」。
说到底，上面两层管的是「语义」——指令指的是哪把椅子；最下面这一层管的，是屁股怎么稳稳落到椅面上，还不至于失衡。
这套方案有意思的地方在于软硬件的混搭：身体是宇树 Unitree G1，背上驮一台 Mac mini M4 Pro（64GB 统一内存）负责思考，机器人原厂的 Jetson Orin NX 管 50Hz 实时控制，头部另装一颗 120° 广角相机，全身无线、无缆绳、无外接动捕。
这台苹果机器人背上的「大脑」，也就是 Mac mini M4 Pro，跑的运动模型来自阿里开源。编排器同时留了调用云端前沿大模型的接口，离线状态下则完全靠本地模型。
Mac mini 的供电直接取自宇树 G1 的内部电源总线，没有另配电池，也没有独立电源适配器。
真机跑起来时，背上的 Mac mini 先判断人指的是哪把椅子、当前该先做哪一步。动作模型接住这一步，依据摄像头画面生成未来 5 秒的全身动作，每秒大约更新 3 次。
麻烦在于，机器人等新计划的那会儿，可能已经抬起了一只脚。新计划一上来就改掉落点，动作就会突然卡顿。
HALO 的运动生成器用了异步推理加训练时前缀约束：生成新计划时，旧计划里已经定下的半秒动作保留不动，只重算后面的 4.5 秒。机器人因此能继续走，新计划也顺着已开始的动作往下接。
再往下，G1 自带的 Jetson 芯片结合朝下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「坐下」，到这一层才变成膝盖弯多少、躯干怎么稳住的一连串动作。模拟坐椅子测试中，去掉这一层的深度输入，成功率从 84% 降到 74%。
同类工作此前大多在提前扫描过的房间里做测试，HALO 的评测环境却是 6 个训练中从未出现、也没被扫描或建图过的真实家庭。
在这些环境里，机器人完成了坐下、走向指定物体、侧身穿过半开的门、蹲下/爬行钻过桌底、推箱子 6 类任务，360 次物理试验平均成功率 91%，与仿真中的 91% 完全一致。
把技能串成组合任务（如「钻过桌子→走向箱子→推箱子」）时，成功率掉到约 70%。失败原因挺有意思：上一个动作收尾时机器人朝向不对，下一个目标压根不在视野里，被别的物体「带偏」了。论文里给出的办法也简单，加一个「原地转圈找目标」的恢复行为就能缓解。
对照实验更能说明问题：训练场景从 1 个增加到 100 个，成功率从 43% 升到 81%；再增到 1000 个，达到 84%。
这并非苹果第一次出手。
苹果 AI 虽多次跳票，但翻一翻过去两年的公开论文，它在具身智能上的布局已经能看出一条清晰的路线：
- 时间拨到 2024 年 11 月，ARMOR 联手 CMU 拿出这样一套方案：40 个低成本 ToF 雷达贴在傅利叶 GR1 的双臂上，像给机器人裹了层皮肤，专门对付人形机器人「看不见自己手臂」的遮挡问题，第一视角机载感知这条路子也就此立住了；
- 2025 年 1 月，ELEGNT：那台刷屏的皮克斯台灯机器人，探索「功能 + 表达」的运动设计，让机器人会点头、会靠近、会用灯光引导注意力，也是苹果对消费级机器人形态的思考；
- 2025 年 5 月，EgoDex 与 PH2D：用 Vision Pro 采集了 829 小时第一视角灵巧操作数据，并让人类教练戴着头显直接训练人形机器人。
HALO 像是这条线的一次短暂收束：感知上延续第一视角哲学，场景上瞄准 ELEGNT 描绘的家庭，而在最关键的环节数据上，苹果这次放弃人力采集，押注仿真。
当然，离真正走进千家万户的人形机器人，HALO 还有很长的路要走。
它眼下能坐椅子、钻桌底、推箱子，但要让它收拾一间乱糟糟的卧室，或者从冰箱里拿出一瓶饮料，仍有大量技能要学。甚至每加一项新技能，研究人员还得手动设计动作提示和关键帧。
不过 HALO 至少说明了一件事：人形机器人学会与真实世界互动，存在一条更容易规模化的路径。
过去要让机器人攒够 300 小时经验，得有人陪着练、跟着记。现在研究人员用几百张 GPU，一天多就能生成同样时长的训练数据，再把这份经验交给一个从未踏进真实家庭的机器人。
更耐人寻味的是，苹果这次连自己的机器人身体都没有。宇树 G1、阿里千问、英伟达 Jetson，再加一台 Mac mini，就拼出了这套能自主感知和行动的系统。
机器人训练对算力的依赖正不断加深。往后人形机器人这条赛道上，比拼的可能不只是谁的身体更灵巧，还要看谁能以更快的速度、更低的成本帮机器人攒下经验。
