人形机器人行业跟踪：苹果HALO：Astra后具身模型分层思路的再验证

广发证券股份有限公司 研究员：孙柏阳/蒲明琪 日期：2026-11-09

苹果以“借本体，做大脑”的模式入局人形机器人。根据苹果在11 月4 日发布的论文，苹果披露了人形机器人自主系统 HALO，公司将该系统部署在宇树科技的G1 人形机器人上进行验证，让机器人将在仿真环境中学到的动作，带到陌生的现实房间中执行。

    　　HALO 的核心是任务编排器、动作生成器、动作跟踪器三层框架。根据苹果在11 月4 日发表的论文，HALO 的最上层为千问Qwen3.6-35B-A3B，主要负责高层级的认知和任务规划功能，其可以在机器人搭载的Mac mini 上本地运行；中间层动作生成器采用千问Qwen3.5-2B 编码器+DiT 解码器，负责将机器人看到的画面和当前子任务规划为未来约5 秒的全身动作；最底层模型是经强化学习训练的动作跟踪器，负责执行关节控制，频率为50Hz。HALO 的分层思路与先前Astra 的应用思路不谋而合，均采用通用模型（负责“大脑”任务规划）+专用模型（负责动作执行）的分层思路。

    　　系统训练维度：采用全仿真数据训练。根据苹果在11 月4 日发表的论文，苹果先通过程序化生成1000 个虚拟住宅场景，在其中合成了近300 小时的配对视频、语言及运动数据，共16.3 万个片段（用250 张H100 约48 小时即可实现）；之后再让中间层动作生成器和底层的动作跟踪器分别进行训练。仅采用仿真数据训练的核心意义在于，其突破了当前大量真机数据缺失的瓶颈，也不受数据采集中人力的制约，可以直接真机部署。

    　　六类真机单项任务成功率约91%，与仿真表现收敛。根据苹果在11 月4 日发表的论文，G1 搭载HALO 在未训练未扫描过的真实家居场景中进行测试，共6 类场景×6 个真实家庭环境×每个环境10 次=360 次，真机的成功率均值为91%，仿真场景测试的成功率也为91%（但仿真场景为6 类任务×100 个留出房间×10 次=6000 次），这表明在单项任务的执行上，真机实际场景的表现与仿真训练的表现基本收敛，仿真环境训练出的能力可以基本迁移至真机表现。

    　　链式长流程任务执行能力仍存局限，精细操作仍需触觉数据。根据苹果在11 月4 日发表的论文，搭载HALO 的G1 的组合任务平均成功率为70%（Crouch-Go-To -Push 仅50%），且低于单任务成功率的乘积（Do o r→Go -To 为71%vs 乘积89%），这表明子任务之间并不独立，长流程任务执行的衔接环节目前存在短板。其次，本次HALO 更多展示的是运动行走类任务，精细操作暂时没有论证仿真到现实的迁移，后续若要实现长流程、精确手部执行相关任务时，真实视触觉数据或仍不可或缺。

    　　投资建议：后续通用模型和具身模型进步仍然无法脱离触觉数据，建议关注触觉手套相关标的福莱新材、晶华新材、慈星股份，数采相关标的奥比中光。模型进步直接推动本体放量速度，建议关注本体宇树科技、上纬新材、优必选。

    　　风险提示。技术迭代不及预期、下游需求不及预期、行业竞争加剧风险。