苹果发布人形机器人论文HALO，物理AI成为硅谷大厂角力的新战场（附股）

泡股

苹果团队于11.4发布论文：Perceptive Humanoid Motion from Simulation，展示搭载于宇树 G1 的三层自主系统（VLM 编排器 + DiT/flow matching 运动生成器 + RL 跟踪器），全套模型在本体 Mac mini（M4 Pro）端侧实时运行。在 6 个未见过、未建图的真实家庭环境中完成 360 次真机试验，单任务平均成功率 91%，与仿真结果一致。

预训练基于仿真数据：

其预训练小时约为 300 小时，包括16 万条仿真合成的第一人称数据片段（文本生成人体动作 → 程序化房间 → Isaac Sim 渲染），这是训练 System 1 运动生成器用的全部数据量，零真机、零遥操作。

最终效果

真机成功率：宇树G1在6 个未见过、未建图的真实家庭环境中，6 项单任务（走向物体、坐椅子、过半开门、蹲过桌底、爬矮桌、推箱子）共 360 次试验，平均成功率 91%，单项 85%–100%；

Sim2Real 零损耗：同样任务在 100 个仿真房间 6000 次试验成功率同为 91%，真机与仿真打平；

全端侧实时运行：从 VLM 任务拆解、运动规划生成到 50 Hz 关节控制，全部在背包 Mac mini（M4 Pro）+ G1 板载芯片上本地完成，不依赖云端、不依赖遥操作数据；

短板：多任务串联平均成功率降至 70%（最难的"蹲行→寻物→推箱"链仅 50%），约六成失败源于头部朝向导致目标丢失。

模型架构：System1+2主要靠千问模型，苹果主要自研RL策略

System 2｜任务编排器（约 0.5 Hz，想"做什么"）：直接调用现成 VLM，默认阿里千问 Qwen3.6-35B-A3B（4-bit 量化），本地运行，看第一人称画面把模糊指令拆成子任务序列，免训练、纯 prompt 驱动。

System 1｜运动生成器（约 3 Hz，想"怎么动"）：冻结的 Qwen3.5-2B VLM 做视觉-语言编码 + 从零训练的 DiT 解码器（可训练参数仅 4930 万），用 flow matching 一次生成 5 秒 × 150 帧全身运动规划，滚动重规划。

System 0｜运动跟踪器（50 Hz，真正执行）：强化学习策略，经"PPO 分技能专家（ Privileged experts） → 蒸馏统一学生（distill the experts into a single student） → 多 critic 微调"三段式训练，跑在 G1 板载芯片上，输出 29 个关节控制量。

值得注意：三层中语义层（System 1/2）全靠开源千问模型，苹果自研的主要是49M 的DiT 和 RL 策略——从该篇论文可以看出，苹果目前是站在开源 VLM 肩膀上做具身，大模型开源生态（尤其国产 Qwen）在机器人大脑环节的卡位价值凸显。

仿真的可能性：

本篇论文中，纯仿真合成数据管线是真机级性能的主要来源，数采环节逻辑或被重构。 训练数据 100% 来自仿真合成（约 300 小时），零遥操作、零真机数据。但我们认为：成色需打折看待，首先测试均为自测、无第三方验证，且无同行基线横向对比；其次任务仅覆盖移动（locomotion），未涉及灵巧操作；并且长程闭环仍是短板。因此，我们并不能基于此就定论数采不重要，实际上数采+真机数据仍是多家机器人目前自评价的短板。

投资建议：

1）苹果对于具身的重视程度大大提高，此前苹果具身团队的论文分别发表在2024.12、2025.1，且内容与具身关联度偏弱（主要是桌面机器人及vision pro在数采中的用途），物理AI成为硅谷大厂角力的新战场；

2）分层式的模型架构目前为苹果的选择，System0-2重要性均非常高，目前苹果专注于System0，强化学习尤其是在线强化学习在未来VLA模型中的重要性将显著提升；

3）硬件角度来说，苹果目前还未就灵巧手及精细动作的模型训练效果进行论文发布，且其在论文中强调需要加强对于tactile sensing（触觉信息）的获取以提升触觉密集型任务的能力（contact-rich tasks）。

4）对应投资品种：①数采：核心增量为触觉，龙头品种福莱新材、汉威科技；②国内具身模型强者：阿里巴巴、智元、宇树科技（小脑）；③灵巧手核心品种：恒帅股份、峰岹科技、兆威机电、飞亚达等；④机构辨识度最高的品种：t链-恒立液压、双环传动、奥比中光等。