苹果HALO人形机器人拆解：一台Mac mini如何撑起陌生家庭里的自主导航

苹果没有发布任何消费级产品，只是往 arXiv 扔了一篇论文、挂了一个项目页、开源了一个代码仓库。但演示视频里的画面足够震撼：一台宇树 G1 人形机器人，背着一个 3D 打印的壳子，壳子里塞着一台 Mac mini，自己走进一个从没来过的家庭，钻过桌子、推开纸箱、侧身绕过门框，最后在沙发上坐下。全程无人遥控，也没有提前对这个家做过三维扫描。这套名为 HALO 的系统，值得拆到螺丝钉的程度。

91%之外的9%才是关键信息

先看它身上挂了什么：机器人本体是宇树 G1，头顶定制支架上架着一颗 OAK-1W 相机，120 度视角；背部 3D 打印外壳里躺着一台官网可直接下单的 Mac mini M4 Pro，64GB 内存。它不是“像大脑”的比喻，而是真的在当大脑用——整套系统里最耗算力的两个模块都跑在这台桌面级机器上。G1 自带的 Jetson Orin NX 则专责最底层、最不能卡顿的实时控制。

整套系统切成三层，节奏完全不同。最上层的 Orchestrator 用现成视觉语言模型，默认是 4bit 量化的 35B 级模型，用 MLX 框架在 Mac mini 本地离线运行，约每两秒决策一次，拆解“钻桌子、推箱子、坐下”等子任务。中间层 Generator 每三分之一秒生成五秒的全身动作序列，但只执行开头 0.5 秒就丢弃重画。最底层 Tracker 以 50Hz 强化学习策略，把规划落成 29 个关节的目标值，跑在 PREEMPT_RT 实时内核上，不接受任何一次“等一下”。

从多年产业实践经验来看，这个项目最值得借鉴的不是硬件，而是训练管线的工程思路。模型不是靠真机试出来的，而是先在模拟里泡：动作生成器把指令拆成分段，逐段做 33 项几何检查，脚滑、穿模、关节越限的一律丢弃；再用程序化生成工具造出一千个虚拟家庭，反复采样合法落点；渲染按机器人鱼眼相机参数进行，还叠加运动模糊、椒盐噪声、强弱光等八种视觉随机化，逼着模型在真实环境里也能认出世界。账本是 162,698 个片段、296.3 小时数据，合成动用了 250 张 H100 跑约 48 小时。这组数字说明：具身智能里最贵的不是训练策略，而是造一个足够像真的假世界。

在六个没扫描、没建图的陌生家庭里，HALO 单项任务共测 360 次，平均成功率 91%，这在圈子里已属能拿出去说的成绩——不少演示还停留在提前扫描、固定点位。但论文没藏着的是组合任务：单一场景平均只有 70%，蹲下、走过去、再推箱子的三段连招只有 50%，失败原因很朴素——下一个子任务的目标不在视野里，它就不知道往哪走。消融实验更有信息量：坐椅子任务中，保留训练时前缀条件化能到 84%，推理时实时切块掉到 66%，完全不切块只剩 24%。撑住成功率的，正是“只执行开头一小段、立刻重画”的滚动规划机制。

短期看，这对普通用户的实际价值接近于零，官网不会明天上架一台苹果机器人。但它证明了两件事：不做建图扫描，纯靠视觉加一层深度也能在陌生环境完成单任务；以及 4bit 量化的 35B 级模型已经在消费级台式机上稳定本地推理。这更像一份公开施工图，而非产品预告。