人形机器人专题点评报告：苹果HALO跑通仿真训练至真实环境泛化链路

　　事件：

　　当地时间11月4日，苹果研究团队在arXiv提交论文，披露人形机器人自主控制系统HALO，并同步公开数据生成、模型训练与部署代码；系统部署于宇树科技G1人形机器人，将在仿真环境中学到的动作零样本迁移到训练中从未见过、未经扫描或建图的真实房间。据论文，研究团队在6个未预先扫描或建图的真实环境中开展360次单项任务测试，平均成功率为91%；另在1个真实环境中对3种组合任务各开展10次测试，平均成功率为70%，其中“俯身通过障碍-走向目标-推箱子”组合成功率为50%。

　　观点：

　　语义-规划-执行三层架构+全栈端侧运行。HALO使用三层架构，整套系统支持端侧本地离线运行，不必强依赖云端实时推理，响应速度更快，三层各司其职，完成从听懂语言到身体动作执行的全链路：顶层VLM编排器以0.5Hz频率运行，默认采用千问Qwen3.6-35B-A3B，在机器人搭载的Mac mini上本地运行，处理自然语言指令以及第一视角视觉信号，并生成一系列子任务；中间动作生成层采用另一款千问模型Qwen3.5-2B，以3Hz频率输出未来5秒的全身运动计划；底层跟踪器以50Hz运行在宇树G1原厂Jetson Orin NX上，结合第一人称深度、IMU与本体感知输出29个关节目标位置。在上述三层架构下，HALO能够完全自主地在连续语音指令下坐椅、侧身穿半开门、桌下蹲伏爬行、推箱与跟随等动作。

　　仿真合成数据训练有望低成本加速人形机器人泛化能力提升。人形机器人泛化能力提升的瓶颈在于用于训练的真实场景数据采集成本极高。传统方案大量依靠人工遥操作、动捕采集，产出一小时高质量机器人动作数据需要耗费大量人力时间。HALO训练使用的是团队在1000个程序生成的虚拟家庭中合成的约300小时、162,698条配对的视觉-语言-动作数据。数据合成&训练成本相对较低，数据使用250张英伟达H100耗时约48小时完成合成，动作生成器以64张B200训练、动作跟踪器以4张H100训练。当前苹果HALO仍存在缺少触觉反馈、自主学习能力较差以及复合任务成功率较低的问题，但其完整打通了仿真训练到端侧本地部署再到真实环境零样本泛化的完整技术链路，有望通过低成本、高效率的方式实现人形机器人模型能力提升。

　　行业专题研究

　　应用场景政策推进下人形机器人有望加速部署。政策与量产节奏上，工信部与国务院国资委2026年6月联合启动人形机器人与具身智能实景实训专项行动，明确到2026年底重点产品在代表性场景完成应用验证和常态部署、带动形成万台级规模落地能力；工信部数据显示，2026年上半年我国人形机器人整机产量超4万台、预计全年突破10万台，专项行动已在仓储物流、餐饮零售、家庭服务等300多个重点场景推进验证。随着真实工作数据积累以及数据训练的瓶颈被逐步打破，人形机器人泛化能力有望持续提升，与工厂部署形成飞轮，加速人形机器人在工厂以及进一步的家庭等场景落地应用。

　　投资建议：苹果HALO跑通仿真训练至端侧本地部署至真实环境零样本泛化的完整技术链路，有望推进人形机器人泛化能力低成本加速提升，进一步推动部署落地，维持行业“推荐”评级。个股方面，建议关注宇树科技-W，宇瞳光学，北特科技，拓普集团，恒立液压，科达利，恒帅股份，恒勃股份，浙江荣泰，均胜电子，模塑科技，五洲新春等。

　　风险提示：宏观经济波动风险；政策变动风险；地缘政治风险；人形机器人技术进展不及预期；人形机器人商用部署节奏不及预期；竞争加剧风险；第三方数据的误差风险；重点关注公司业绩不及预期。