好家伙！苹果用一千个假房子，教会机器人走进真房子

120+具身智能与人形机器人行业报告合集~ 转发本文章至朋友圈截图发给GEIA小助理即可免费领取~ 文末添加小助理微信！

2026年11月4日，这句话出现在arXiv上，编号2611.06908，标题《Perceptive Humanoid Motion from Simulation》。八位作者，来自苹果机器学习研究院。

同一天，代码、模型、数据管线全部开源。

这句话之所以值得单独拎出来，是因为它把人形机器人行业这三年最尴尬的那件事，一句话说完了。

⏰️与具身智能赛道的一线创业者、投资人深度交流，扫码报名GEIA具身智能与人形机器人创新周【北京站12.9-12.11 】↓

后空翻是排练过的。坐椅子是没排练过的。

看它选了哪五个技能。

五个动作，没有一个是“搬运”。没有一个是“分拣”。没有一个是“上下料”。

全是“通过”。

通过一段距离，通过一扇门，通过一张桌子底下，通过一次坐下。

这五个动作有一个共同点：它们都是你作为一个客人，在一个陌生人家里会做的事。

是不碰坏东西，和知道下一步该往哪走。

论文里把这件事拆成了两层：语义的一半，和物理的一半。

语义的一半是“哪把椅子”。物理的一半是“椅子实际在哪儿，坐上去重心怎么移”。

后空翻只需要第一层的一半——它不需要知道椅子在哪，它只需要跟着一段参考动作走。

而坐椅子，两层都得对。

这一节是整篇论文最值钱的地方，也是国内大多数转述都略过的部分。

论文把行业的数据困境说得很直白：把像素和自由语言映射到关节指令，需要成对的监督——一张第一视角的图、一句指令、和满足这句指令的全身轨迹。这样的语料，在足够大的规模上，不存在。

现有的办法是遥操作，比如ALOHA、TWIST，或者可穿戴采集设备，比如UMI。这些办法有一个共同的成本结构：产生一小时数据，至少要花一小时人力。

一个人得亲自把每个动作演一遍。这个等式，行业接受了整整五年。

HALO做的是把等式的右边换掉。

它用程序化生成造了一千个房子。每一个房子都是随机拼出来的，没有人去过，没有人扫过，没有人标注过。然后它用动作扩散模型生成全身动作，把动作放进房子里，渲染出机器人会看到的第一视角画面。

一个训练样本就这么齐了：图、指令、动作，三样对上。

规模：162,698个episode，296.3小时。

一千个房子，三百小时数据，零个人力小时。

算力账是这样的：250张H100，跑约48小时，合成主要训练数据；动作生成器用64张B200做模仿学习；动作跟踪器用4张H100做强化学习和策略蒸馏。

注意这个比例。造数据花掉的算力，比训练模型花掉的算力大得多。

钱不是花在教机器人上，是花在造房子上。

这是整个行业成本结构的一次重排。它没有让事情变便宜——十二万个H100小时不便宜——但它让成本从一条每年涨的曲线上，挪到了一条每年跌的曲线上。

人力成本每年涨3%到5%。算力单位成本每年跌两位数。

两条线迟早会交叉。苹果这次做的事，是把交点往前提了一点。

架构分三层，频率一层比一层高。

最上面是任务编排，一个视觉语言模型，大约0.5赫兹，每两秒调一次。它把一句自由语言拆成子任务：哪个技能，作用在哪个物体上。

中间是动作生成，大约3赫兹。输入当前第一视角画面和子任务，输出一段5秒的全身运动规划——30帧每秒，每帧29个关节角加骨盆相对位姿，36个值。

最下面是动作跟踪，50赫兹。拿这段规划和机载深度、本体感知，换算成关节级指令。

上层解决“哪把椅子”，下层解决“椅子实际在哪”。

然后是最有意思的一段：它跑在什么上面。

Mac mini负责在机载端跑两个计算开销大的模块：任务编排和动作生成。G1自带的板载芯片，专门跑那个50赫兹的跟踪器。

而那两个模型，默认用的是千问——编排层Qwen3.6-35B-A3B，生成层Qwen3.5-2B。

现在把这件事的供应链摊开看：

五个来源，三个是中国公司的技术。

这个组合不是巧合，是当下的产业现实。谁有现成的身体，谁有能跑得动的模型，谁有便宜又够用的推理硬件，就用谁的。

苹果没有为了“自主可控”去造一台自己的身体。它买了一台。

这件事对国内做本体的人，是机会，也是提醒。机会在于：你的机器人正在成为全球研究的标准平台。提醒在于：标准平台的意思是，它可以被替换。

六个真实环境。训练时一个都没见过，测试前一个都没扫描过，没建图。

六个技能，每个环境每个技能做10次。360次试验，平均成功率91%。

仿真里也是91%。这个数字比91%本身更值得看——说明仿真和真实之间那道著名的墙，至少在这五个技能上，已经很薄了。

然后是组合任务。

在一个真实环境里，三种组合，各做10次，平均70%。

一半。

从单项91%，到两个技能串联70%，到三个技能串联50%。每多一步，掉一截。

论文把失败原因写得很具体：失败常常从“下一个子任务的目标在视野之外”开始。

不是动作做错了。是它看不见下一步该去哪。

还有一个消融实验，比主结果更能说明问题。

坐椅子这个任务，在100个没见过的仿真环境里各测10次，只改一件事：怎么把长动作切块。

同样的策略，同样的数据，只改了“动作怎么切”，关键成功率从24%到84%。

这说明什么？说明这个系统缺的不是动作能力。它缺的是在两个动作之间，记住自己要去哪。

第一条。91%是六个技能的均值，不是每个技能都91%。论文表格里逐项列了，有高有低。把它读成“人形机器人已经91%可靠”，是误读。

第二条。论文没有和任何已发表的系统做横向对比。这一点被Humanoids Daily专门点出来了。它只在评测协议上做了区分：VLK也在合成成对数据，但要重建并标注目标房间，只在两个物理环境里评测；TANGO在三个房间；ZeroWBC和GRAIL没说明环境数量。HALO是六个环境、360次、不扫描、零样本。

协议更严，但协议严不等于性能强。这两件事得分开看。

论文自己写了：新增物理任务仍然需要人工写提示词、设计动作关键帧，部分动作还用了人类视频或动捕素材。

所以准确的说法是：HALO把“数据采集”从人力里解放出来了，没有把“任务设计”解放出来。

前者是量的问题，后者是质的问题。量可以靠算力堆，质还得靠人。

还有一条更硬的短板。目前主要靠视觉，难以直接感知接触。物体一旦离开相机视野，或者被遮挡，涉及接触多的任务表现就往下掉。

这就是为什么论文把“加入触觉感知”列为下一步。

一台会坐椅子的机器人，还摸不出椅子在哪。它只能看见。

91%听起来很高。放到家里算一遍，就知道不够。

一个家庭一天要用机器人多少次？做饭、收拾、递东西、开关门、找东西，保守算20次。

91%的成功率，20次里平均失败1.8次。

一天摔两次碗、卡两次门、把两次东西放错地方。这个容忍度，家庭给不了。

但商业场景能给。研究机构能给。展厅能给。酒店能给。养老院在有人看护的前提下能给。

这个判断跟直觉相反，但跟所有硬件品类的历史一致：新技术总是先在“有人兜底”的地方跑通，再进“没人兜底”的地方。

真正的路径是：先在能容忍失败的地方把使用频次堆上去，让数据从“仿真里造”变成“真实里长”，再把成功率从91%推到99%。

99%是什么概念？一天20次，20天出一次错。这个数字，家庭才勉强能接受。

从91%到99%，差八个点。但这八个点，靠造更多假房子造不出来。它得靠真房子里的真实失败。

这也解释了论文为什么要把代码开源。

它需要全世界的研究者，在各自的真房子里，把这套系统的失败模式一个一个找出来。

再往后看一年，有三个信号值得盯。

这三个信号，一年之内都能看到答案。看不到，就说明这条路比想象的长。

这一天真正的意义，不是91%。

是那句“它们敏捷，但盲”。

过去三年，这个行业用后空翻证明能力，用跳舞证明灵活，用跑马拉松证明续航。所有这些证明，都有一个共同点：场地是排练过的，动作是编排好的，机器人不需要知道自己在哪。

苹果反过来做。它用“能不能在一间陌生的客厅里坐下”来定义一个机器人。

这个标准一旦立起来，很多看起来很厉害的演示会突然不值钱。

因为后空翻只需要一段参考动作和一个跟踪器。坐下需要知道哪把椅子、椅子在哪儿、坐上去会不会塌。

91%这个数字，其实没那么重要。重要的是它是在六个没人扫过的房间里测出来的。这个测法本身，就是一次行业标准的抬升。

而标准抬升，对认真做事的人是好消息。对只会做演示的人不是。