一句话看懂：苹果研究团队提出 HALO 人形机器人自主系统，用程序化模拟生成视觉-语言-动作配对数据，在六套未预先建图的真实家庭中完成 360 次试验，成功率 91%，训练全程未接触真实家庭。
事件核心：发生了什么
alphaXiv 于 2026 年 11 月 4 日收录的论文显示，苹果研究团队推出 HALO 系统，思路是把人形机器人训练中最稀缺的“看到什么、被要求做什么、全身怎么动”配对数据，交给算力而非人力生产。流程是：先把任务拆成行走、转身、坐下等动作段，用动作扩散模型生成候选轨迹，再用几何检查剔除脚底打滑、穿模、关节超限等问题；随后把轨迹放到程序化生成的一千个住宅中回放，渲染带视觉随机化的第一视角图像，与指令一起训练动作生成器，底层追踪器则用强化学习单独训练。最终得到约 16.3 万条轨迹、296 小时数据。系统分三层运行：视觉语言模型以约 0.5 Hz 拆解任务，动作生成器以约 3 Hz 规划未来五秒全身动作，追踪器以约 50 Hz 结合深度和本体状态输出执行指令。在六套未建图的真实家庭中，360 次试验成功率为 91%，技能覆盖坐椅子、寻找指定物体、侧身过半开门、蹲爬桌子下方和推箱子。
为什么重要
人形机器人走向通用自主的最大瓶颈之一，是高质量配对数据难以规模化：遥操作或穿戴设备采集一小时数据至少需要一小时人力。HALO 展示了一条用模拟和算力扩展数据、再零样本迁移到真实世界的路线，降低了数据采集对人力与真实场景的依赖。目前公开信息显示，该结论限于论文定义的一组技能与复合长程任务，并非通用家庭自主能力；而且新增技能仍需人工编写任务提示和动作关键帧，自动化程度有限。
对用户/开发者/创作者的影响
对机器人开发者而言，值得研究的是“模拟生成动作+几何过滤+视觉随机化”的数据管线，以及三层分频架构中如何处理规划延迟——HALO 会把已承诺的前 0.5 秒动作作为干净输入再生成后续动作。对关注具身智能的产品团队，这提供了一个可评估的参照：零样本泛化不应只看演示视频，而应看未建图真实环境中的试验次数与成功率。论文代码和视频已放在项目页，但目前仍是研究阶段，尚不能视为苹果已发布的产品功能。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是该管线能否扩展到更开放的任务和更复杂的家庭布局，而不止于论文列出的技能；二是零样本成功率在更多未建图环境和更长时间运行下是否稳定；三是苹果是否会将该研究转化为商用机器人或开发者工具。
来源：alphaXiv
