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，拿出更大胆的规划，不能只满足于给 Siri 升级几个功能。
比起苹果 AI 落地的速度，苹果在钻研上的进展其实超出很多的预期，其中就包括具身智能，苹果也在钻研怎么让 AI 拥有一副能在现实世界行动的身体。
最近，苹果钻研队伍公开了一项名为 HALO 的人形机器人钻研，直接用宇树 G1 当身体，后背绑着一台 Mac mini M4 Pro，里面运行的还是阿里的千问模型。
这套看起来有点混搭的体系，已经能够让机器人自主走进陌生家庭，找到椅子坐下、钻过桌底、推走箱子。在 6 个从未见过、没有提前扫描的真实环境里，360 次测试的平均成功率达到 91%。
更有意思的是，苹果甚至没有专门找人遥控机器人来采集这些训练数据。
钻研队伍用几百张 GPU，在上千个虚拟家庭中批量生成机器人的动作和视觉数据，再把学到的技能直接搬进现实世界。
这意味着，人形机器人原本需要人类手把手教的动作，现在开始有机遇靠算力来学习。
我们听到「去椅子上坐」，一般会先看椅子在哪儿，然后走过去，转身，再把身体的重量落到座面上。
对机器人来说，这个过程则需要一种很具体的训练数据。一条常见的数据样本里，既要有它听到的指令和第一视角画面，也要有完成任务时全身关节怎么动的记录。靠人遥操作采集，每多一条样本，就得再做一遍。
这种配对机器人的数据叫做「视觉-语言-动作 Vison-Language-Action，VLA」，和训练大语言模型可以使用互联网上取之不尽的文本不同，现实世界中并不存在已有的 VLA 语料数据。
每一条训练样本都必须有人专门制造出来：遥操作体系（如 ALOHA）、穿戴式动捕设备（如 UMI），产出一小时数据至少要消耗一小时人力，这也是人形机器人范围著名的「数据瓶颈」。
苹果的这篇论文 HALO 给出的规划是不采人数据了，全部用仿真合成。
钻研队伍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，家具疏密随机；再在 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，最后交给自动校验器筛掉穿模、滑脚的坏样本。
拿坐椅子来说，钻研人员先指定走过去、转身、坐下这几个阶段，以及最后坐稳的姿势。动作生成模型据此给出多组轨迹，程序检查脚底有没有打滑、身体有没有穿过地面、关节有没有超过安排范围，再把筛过的动作和椅子摆进虚拟房间，避开周围的家具。
接下来，仿真器从机器人头部摄像头的位置把这一幕拍下来。队伍在约 1000 个程序生成的房间里做出了 16.3 万条、近 300 小时的配对样本，数据规模只受算力限制。
论文里还提到，仅生成 SIT（坐下）一个技能的 5 万条样本，就用了 250 张 H100 GPU 跑了 9 个小时；全部 1178 个房间的生成用了约 300 张 GPU、26 个小时。
房间多样性本身也起了作用。钻研队伍保持动作数据量不变，只调整训练场景的数量。在 100 个没见过的模拟房间里，坐椅子的成功率从只用 1 个房间训练时的 43%，涨到用 100 个房间时的 81%。场景再加到 1000 个，成绩升到 84%。
HALO 的自主性由三层结构协作完成，而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。
总的来说，上两层解决的是「语义」问题，即指令说的是哪把椅子；最底层解决的是，如何让屁股结结实实落在椅面上，还不能失去平衡。