研报解读｜苹果HALO落地宇树科技G1，任务成功率91%

该纪要指出，当地时间 11 月 4 日，苹果研究团队披露其人形机器人自主控制系统 HALO，采用仿真合成数据（也采用了部分人类视频或动捕素材），用英伟达 H100、B200 GPU 训练，平均任务成功率 91%。

该纪要指出，HALO 分成三个控制层级：上层任务编排模块可采用千问大语言模型或云端模型，中间层采用千问大语言模型，底层动作跟踪器则采用强化学习、策略蒸馏等方式训练。落地阶段，研究团队将 HALO 系统部署在宇树科技的 G1 人形机器人上进行验证。

在整机侧，苹果发布人形机器人自主控制系统后，物理 AI 有望加速应用。该机构认为，数据缺乏是模型能力提升的主要瓶颈，随数采需求逐步释放，电子皮肤、灵巧手、传感器等数采核心硬件，以及有应用场景、有高质量数据来源的环节有望受益。整机稳定性、运控能力等硬件壁垒依然重要。

该机构认为，HALO 的层级拆解并未改变整机侧的竞争格局：大模型厂商整机制造经验相对匮乏，按其判断，预计将更多与整机龙头协同合作，现阶段运控能力领先、对二次开发更友好的机器人竞争力有望凸显。随大模型能力突破，上述深度合作的整机厂任务泛化能力有望跃升。

看好稳定性高、运控领先、二次开发友好的平台型机器人整机厂。特斯拉 Optimus 量产时间表明确，物理 AI 正处于规模应用初期，看好确定性强的整机和零部件企业。

另一家机构把这次披露概括为仿真数据驱动人形机器人自主控制升级：苹果研究团队展示人形机器人自主系统 HALO，在宇树 G1 上实现坐椅子、侧身过门、钻桌底、推箱子等全身动作，探索从语言指令到自主执行的完整链路。

仿真拓展训练数据来源：基于 1,000 个程序化生成的家庭场景，HALO 合成“视觉-语言-动作”配对数据，通过动作生成、几何筛选和第一视角渲染，减少对逐条人工示范的依赖，为机器人技能训练提供可扩展的数据生产路径。

分层架构连接“大脑”与运动控制：任务编排器负责拆解指令、判断完成情况并在失败后重试；动作生成器滚动规划未来 5 秒的全身运动；底层跟踪器结合深度感知与自身状态，以 50Hz 输出关节控制目标，提升动作执行与环境适应能力。

在其产业观点里，HALO 的进展是对“巨头军备竞赛加码具身智能”的又一印证，大脑基建及硬件本体端的资本开支、当前模型训练堵点的解决有望加速；仿真数据与分层控制的结合，有望加快人形机器人从单项动作展示走向连续任务执行，随着应用场景拓展，环境感知、运动控制与执行器协同的重要性有望提升。

风险提示：本文整理自券商研

报纪要/公开信息，不构成任何投资建议。股市有风险，决策需谨慎。

一手调研资源行业研究报告

如体验卡过期，请移步最新文章

关注点火调研⬆️⬆️⬆️获取一手资讯

研报速递