苹果（AAPL）研究团队在arXiv公开人形机器人（886069）自主控制系统HALO，连带把数据生成、模型训练与部署代码全数开源，测试放在宇树G1机身上完成。公开信息显示，在6个训练中未见、未经扫描的环境中，针对6类单项技能开展360次测试，平均成功率达到91%。市场迅速把这条技术信号翻译成产业链催化，物理AI概念集体走强。但91%的成功率究竟改变了什么，需要先把三条路径摆到同一张桌上——它们并不是同一维度的竞争，而是在解三个不同的瓶颈。
HALO主攻的是训练数据获取成本。研究团队用程序化方式生成1000个虚拟家庭场景，合成约300小时视觉语言运动数据，用250张H100训练48小时完成。这套账的含义很直接：真机遥操作采集数据的成本以小时计，公开报道中的量级是每小时300元至1000元，而要支撑泛化，视频数据路线需要百万小时级数据，再加几十到上百小时高质量机器人数据微调。合成数据把采集环节的边际成本压到接近算力成本，这是HALO最容易被低估的部分。但合成数据并非无条件更便宜。两种路线的总成本可能相近，差别在于成本结构——真机数据贵在采集与标注，合成数据贵在场景构建、仿真保真度与算力。把HALO读成“训练从此免费”是误读，它压低的是数据获取门槛，不是训练总投入。
特斯拉（TSLA）的重心在另一头。公司正在建设“人形机器人（886069）学院”，通过人类数据训练、仿真与现实练习逐步提升机器人完成实际任务的能力。即将开启量产的新一代机型，重点升级手部灵巧机构与关节执行器，单机长期目标成本2万至3万美元。马斯克在财报电话会上表示，当前机电设计的主要难点集中在手部，尤其是手指，既要柔软到能抓取易损物品，又要经受反复操作带来的磨损，还要保护传感器（885946）。这条路径解决的是本体量产成本与硬件可靠性，训练侧依赖人类数据与仿真练习，与HALO的合成数据路线并不冲突。一个容易被混淆的信息是审厂：特斯拉（TSLA）团队近期对长三角产业链企业开展审厂，涉及关节模组、执行器、精密结构件。审厂是量产准备动作，不等于订单下发，更不等于供应商确定，把它直接换算成收入预期会失真。
宇树强调的是部署规模带来的数据飞轮。王兴兴提出的逻辑是，AI自主编写控制代码、在仿真与实物环境中训练、自主评价效果，部署规模越大，数据雪球滚得越快。这条路径的前提条件被反复提及却容易被跳过：飞轮依赖部署规模，规模不上去，回收数据的频次和多样性都有限。王兴兴同时给出当前瓶颈的判断——抓大件成功率接近100%，拿取精密机械零部件成功率下降，最后几毫米是对齐误差。这恰好说明飞轮尚未闭环，它是方向而非既成壁垒。他判断明年大概率是机器人行业、机器人模型的临界点，这是个人判断，不是行业共识，读者需要把观点与事实分开。
三条路径并排之后，产业链拉动顺序的问题才有讨论基础。若合成数据路线被更多团队采用，仿真环境、数据采集工具、算力需求可能先于本体放量，因为训练侧投入的决策链条更短、单价更低、验证周期（883436）更快。HALO开源全链条代码，降低了其他团队复现的门槛，这是训练侧需求可见度提升的一个条件。反例同样成立：真机数据路线的总成本可能与合成路线相近，机器人公司更关注真机数据的多样性，训练侧需求未必单向扩张；特斯拉（TSLA）审厂若迟迟不转为订单，本体侧的资本开支节奏也会后移。
三条路径有一个共同关卡：触觉与最后几毫米精度。HALO的测试暴露了这一点，单项任务成功率91%，叠加成包含俯身避障、行进和推箱子的组合长流程时回落到70%，个别复杂场景更低，根源在于过度依赖视觉、缺乏触觉，物体被遮挡或离开视野后接触类动作容易失手。财联社报道中，研究团队已把高精度触觉感知与视觉融合列为下一阶段核心攻关方向。触觉传感器（885946）的交付节奏因此具备先行意义：福莱新材（605488）截至8月31日累计交付触觉传感器（885946）超过3万套，灵心巧手签约采购10万套、中科硅纪将采购20万套，交付与签约采购需要分层看待，后者仍取决于执行进度与验收节奏。
后续观察变量可以收敛为几条。HALO能否在更多本体上复现，开源后的第三方验证会给出比单篇论文更强的信号；特斯拉（TSLA）审厂能否转为正式订单，以及手部机电设计是否在量产机型上收敛；宇树部署规模能否把数据飞轮推到可回收的临界量；触觉传感器（885946）的交付能否从科研教育与数据采集延伸到工业场景。这几条兑现之前，市场交易的更多是预期，而不是当期订单与交付。
回到核心问题：苹果（AAPL）HALO证明合成数据可以把训练门槛大幅压低，特斯拉（TSLA）把难点押在手部机电设计与2万至3万美元成本目标，宇树把筹码放在部署规模的数据回收上。三者不是替代关系，而是分别对应训练成本、硬件成本、部署规模三个瓶颈。对产业链而言，训练侧需求的可见度可能先于本体放量，但这是有条件的判断，条件就是合成数据路线被更多团队采用、且触觉与精度关卡出现可验证的推进。91%是一个值得记录的起点，不是终点。
HALO主攻的是训练数据获取成本。研究团队用程序化方式生成1000个虚拟家庭场景，合成约300小时视觉语言运动数据，用250张H100训练48小时完成。这套账的含义很直接：真机遥操作采集数据的成本以小时计，公开报道中的量级是每小时300元至1000元，而要支撑泛化，视频数据路线需要百万小时级数据，再加几十到上百小时高质量机器人数据微调。合成数据把采集环节的边际成本压到接近算力成本，这是HALO最容易被低估的部分。但合成数据并非无条件更便宜。两种路线的总成本可能相近，差别在于成本结构——真机数据贵在采集与标注，合成数据贵在场景构建、仿真保真度与算力。把HALO读成“训练从此免费”是误读，它压低的是数据获取门槛，不是训练总投入。
特斯拉（TSLA）的重心在另一头。公司正在建设“人形机器人（886069）学院”，通过人类数据训练、仿真与现实练习逐步提升机器人完成实际任务的能力。即将开启量产的新一代机型，重点升级手部灵巧机构与关节执行器，单机长期目标成本2万至3万美元。马斯克在财报电话会上表示，当前机电设计的主要难点集中在手部，尤其是手指，既要柔软到能抓取易损物品，又要经受反复操作带来的磨损，还要保护传感器（885946）。这条路径解决的是本体量产成本与硬件可靠性，训练侧依赖人类数据与仿真练习，与HALO的合成数据路线并不冲突。一个容易被混淆的信息是审厂：特斯拉（TSLA）团队近期对长三角产业链企业开展审厂，涉及关节模组、执行器、精密结构件。审厂是量产准备动作，不等于订单下发，更不等于供应商确定，把它直接换算成收入预期会失真。
宇树强调的是部署规模带来的数据飞轮。王兴兴提出的逻辑是，AI自主编写控制代码、在仿真与实物环境中训练、自主评价效果，部署规模越大，数据雪球滚得越快。这条路径的前提条件被反复提及却容易被跳过：飞轮依赖部署规模，规模不上去，回收数据的频次和多样性都有限。王兴兴同时给出当前瓶颈的判断——抓大件成功率接近100%，拿取精密机械零部件成功率下降，最后几毫米是对齐误差。这恰好说明飞轮尚未闭环，它是方向而非既成壁垒。他判断明年大概率是机器人行业、机器人模型的临界点，这是个人判断，不是行业共识，读者需要把观点与事实分开。
三条路径并排之后，产业链拉动顺序的问题才有讨论基础。若合成数据路线被更多团队采用，仿真环境、数据采集工具、算力需求可能先于本体放量，因为训练侧投入的决策链条更短、单价更低、验证周期（883436）更快。HALO开源全链条代码，降低了其他团队复现的门槛，这是训练侧需求可见度提升的一个条件。反例同样成立：真机数据路线的总成本可能与合成路线相近，机器人公司更关注真机数据的多样性，训练侧需求未必单向扩张；特斯拉（TSLA）审厂若迟迟不转为订单，本体侧的资本开支节奏也会后移。
三条路径有一个共同关卡：触觉与最后几毫米精度。HALO的测试暴露了这一点，单项任务成功率91%，叠加成包含俯身避障、行进和推箱子的组合长流程时回落到70%，个别复杂场景更低，根源在于过度依赖视觉、缺乏触觉，物体被遮挡或离开视野后接触类动作容易失手。财联社报道中，研究团队已把高精度触觉感知与视觉融合列为下一阶段核心攻关方向。触觉传感器（885946）的交付节奏因此具备先行意义：福莱新材（605488）截至8月31日累计交付触觉传感器（885946）超过3万套，灵心巧手签约采购10万套、中科硅纪将采购20万套，交付与签约采购需要分层看待，后者仍取决于执行进度与验收节奏。
后续观察变量可以收敛为几条。HALO能否在更多本体上复现，开源后的第三方验证会给出比单篇论文更强的信号；特斯拉（TSLA）审厂能否转为正式订单，以及手部机电设计是否在量产机型上收敛；宇树部署规模能否把数据飞轮推到可回收的临界量；触觉传感器（885946）的交付能否从科研教育与数据采集延伸到工业场景。这几条兑现之前，市场交易的更多是预期，而不是当期订单与交付。
回到核心问题：苹果（AAPL）HALO证明合成数据可以把训练门槛大幅压低，特斯拉（TSLA）把难点押在手部机电设计与2万至3万美元成本目标，宇树把筹码放在部署规模的数据回收上。三者不是替代关系，而是分别对应训练成本、硬件成本、部署规模三个瓶颈。对产业链而言，训练侧需求的可见度可能先于本体放量，但这是有条件的判断，条件就是合成数据路线被更多团队采用、且触觉与精度关卡出现可验证的推进。91%是一个值得记录的起点，不是终点。
