据澎湃新闻与上海证券报报道，当地时间 11 月 4 日，苹果研究团队在预印本平台 arXiv 提交了一篇论文，题目是《Perceptive Humanoid Motion from Simulation》，同时公开了数据生成、模型训练和部署的代码。论文里那套让机器人自己在屋里干活的控制系统，缩写叫 HALO。
六个没扫过的房间
测试是这样做的：把机器人放进 6 个从未预先扫描、也没有建过图的真实室内环境，让它做单项任务，一共 360 次，平均成功率 91%。
这个数字说的是：它到一个陌生房间，不需要先被带着走一圈、扫一遍、建一张地图，就能直接上手。过去人形机器人演示大多在布置好的场地里进行，换一个房间就得重新标定。91% 的分量，全在这个没扫过上。
承担验证的机型是宇树科技的 G1。论文没有说这是供应链合作，只是拿它当载体，减少硬件差异的干扰。
组合任务掉到七成
单项任务好看，连起来就难。在另一个真实环境里，团队设了 3 种组合任务，各做 10 次，平均成功率 70%。其中俯身通过障碍、走向目标、推箱子这一串，成功率只有 50%。
一半对一半。这个数字比 91% 更能说明当下的位置：机器人能完成一个个动作，但把动作串成一件完整的事，中间任何一环出岔子，整件事就失败。人做这类事几乎不会失败，因为我们一边做一边感知，手碰到东西会立刻调整。
它看不见自己碰到了什么
论文自己点出了短板：现在的系统主要靠视觉。摄像头看得到，就知道该往哪走；摄像头看不到，就不知道。物体被遮挡、离开视野，或者任务需要大量接触，表现就往下掉。团队把加入触觉感知列为下一步方向。
这也解释了为什么推箱子那组只有 50%。推箱子看起来最简单，其实最依赖手感：用多大力、箱子有没有卡住、地面滑不滑，全靠触觉和力反馈。纯靠看，只能猜。
另一处没有完全自动化的是数据。训练用的画面由仿真批量生成，但新增一类任务，仍然需要人写提示词、设计关键动作，部分动作还用了人类视频和动作捕捉素材。也就是说，合成数据省掉了拍摄，没省掉设计。
三层结构各管一段
公开说明里，这套系统分成三层。上层负责听懂指令、把一句话拆成几步、边走边看要不要重试；中层根据看到的东西生成未来几秒的全身动作；底层负责把这些动作稳稳执行出来，管平衡。
分层的意义在于可替换。上层换一个更会拆任务的模型，中层换一个更会生成动作的模型，底层不用动。这类结构在自动驾驶上已经跑了很多年，搬到人形机器人身上是自然的一步。
苹果没说要卖机器人
需要提醒一句：这是基础算法研究，不是产品发布。论文没有给出任何商用机器人的时间表，也没有说这套系统会装进哪台机器。把它读成苹果要做家用机器人，是过度解读。
它真正的价值在方法：用仿真批量造数据，训练出能直接搬到真实世界的策略，再把整套代码放出来。对行业来说，这是一条可以复用的路子，尤其是那些买不起大量真机数据的小团队。
九成之后的那一成
从 91% 到能放心让它独自在家，中间隔的不是 9 个百分点，是失败的方式。单项任务失败，最多是没拿到东西；组合任务失败，可能是撞到人、碰倒热水、把老人扶摔倒。这类失败不能靠提高平均成功率来解决，得靠知道自己在什么情况下不该动手。
所以这篇论文最值得记住的不是 91%，是那句触觉还没上。机器人离会干活，差的不只是脑子，还有手感。
免责声明：技术细节以论文原文为准，本文不构成任何投资建议。