机器人'大脑'竞赛：苹果入局揭示具身智能产业新格局

执行摘要：苹果研究团队披露HALO人形机器人系统，调用千问模型在宇树G1平台完成6个未建图环境360次单项任务测试，平均成功率91%，验证了'外部大模型+成熟机器人本体'的分工模式。这折射出具身智能产业链的深层变革：硬件本体、基础大模型与系统集成环节日趋专业化分工，科技巨头以轻资产方式切入，加速行业从实验室走向场景落地。

产业现状：巨头轻资产入局

2025年以来，具身智能产业的竞争焦点正从“造身体”转向“造大脑”。一个标志性信号是：苹果以研究团队模式悄然切入机器人领域，其技术路线选择为整个行业提供了一个极具参考价值的样本——不自研机器人本体，而是调用第三方大模型，在成熟的商用硬件平台上完成算法验证。

苹果的“轻资产验证”路径

根据苹果研究团队披露的信息，其机器人系统HALO的验证方案由三个外部/内部要素拼合而成：硬件层面采用宇树科技（Unitree）的G1人形机器人作为实验载体；模型层面调用阿里的千问（Qwen）大模型作为认知与决策底座；苹果自身则聚焦于系统级的机器人“大脑”——任务规划、环境理解与执行控制的算法研究。

这一路径的核心特征是“三不自研”：不自研本体、不自研底层大模型、不自建产线。苹果投入的资源集中于其最具比较优势的环节——AI系统架构与软件能力。数据显示，苹果团队在6个未建图的未知环境中进行了360次单项任务测试，平均成功率达到91%。这一成绩的含金量在于：测试环境未经预先建模，机器人需要依靠实时感知与决策完成操作，接近真实家庭场景的开放性要求。

为何是“研究团队”而非“产品部门”

值得注意的是，苹果的入局姿态并非产品化布局，而是研究性验证。这背后有三层产业逻辑：

其一，硬件投资风险可控。人形机器人本体研发投入巨大，供应链复杂度极高。苹果历史上对新品类极其谨慎——在市场规模与技术拐点确认之前，轻装上阵是成本最优解。

其二，验证节奏更快。借助宇树G1这样已经量产、价格下探至消费级的平台，研究团队无需经历漫长的硬件迭代周期，可直接进入算法验证阶段。360次、91%的成功率测试，正是这种“租用身体验证大脑”模式效率的体现。

其三，卡位生态位而非制造位。苹果的核心资产是端侧AI与系统集成能力。若未来具身智能形成“本体厂商+大脑方案商”的分工格局，苹果瞄准的正是后者——高利润、高技术壁垒的软件层。

产业分工格局初现

苹果的路线选择揭示了一个正在形成的产业分层：宇树等本体厂商提供标准化硬件底座，千问等大模型厂商提供通用认知能力，而苹果这类系统级玩家在其上构建垂直整合的机器人“大脑”。三方各自占据产业链的一段，任何一方都无需重资产覆盖全链条。

分层产业的价值链条

轻资产模式并非苹果独创，而是头部科技公司的共性选择。这一模式将产业价值按风险与收益重新分配，形成清晰的层次结构：

小结

苹果以91%的平均任务成功率、6个未建图环境的360次测试，证明了“外部本体+第三方模型+自研大脑”这一轻资产路径的技术可行性。这一入局方式传递出明确信号：具身智能的竞争正在从“谁的机器人造得好”转向“谁的大脑更聪明”，而后者恰恰是软件巨头的主场。下一章将深入拆解苹果HALO系统的技术细节，以及这条路径背后的能力边界与挑战。

竞争格局：三类玩家分化

具身智能产业进入快速演进期后，一个清晰的结构性特征浮现：产业链正沿着“整机—模型—系统集成”三条轴线分化为三类核心玩家。这三类玩家各据一环、能力禀赋迥异，而苹果的最新动作则揭示了一种打破传统边界的新型竞争关系。

一、三类玩家的能力版图

第一类是整机厂商，以宇树（Unitree）等为代表。它们掌握硬件本体设计、关节执行器与整机制造能力，是具身智能落地的物理载体。硬件厂商的优势在于供应链与成本控制，但普遍面临“大脑”能力不足的瓶颈——机器人本体再先进，若缺乏高水平任务理解与规划能力，商业化空间依然受限。

第二类是基础模型公司。它们依托大模型技术积累，向机器人“大脑”环节渗透，提供任务理解、语义推理与决策规划能力。这类玩家不造硬件，而是通过模型授权或云端服务的方式与整机厂商合作，其竞争力核心在于模型的泛化能力与迭代速度。

第三类是科技巨头。它们既不专注单一本体，也不局限于模型层，而是凭借操作系统、芯片、生态与数据闭环的综合能力，占据“系统集成与体验定义”的制高点。苹果即是这一类的典型代表。

二、苹果的“软硬分离”打法

苹果研究团队近期披露的进展提供了观察这一格局的绝佳样本：苹果团队调用通义千问（千问）等外部基础模型，在宇树G1人形机器人平台上进行验证。其HALO系统在6个未建图的真实环境中完成360次单项任务测试，平均成功率达到91%。

这组数据背后是一套清晰的分工逻辑：

• 外部模型承担底层“大脑”能力——千问等基础模型提供任务理解与推理；
• 宇树G1提供成熟硬件本体——验证在第三方整机上进行，而非苹果自研机器人；
• 苹果自身贡献的是中间层的系统能力——在未建图环境下的任务编排、状态监控与失败恢复，即HALO系统所验证的部分。

这种“不自研大模型大脑、不自产机器人本体、专注验证与定义系统能力”的路径，本质上是将传统“软硬一体”的垂直模式拆解为“软硬分离”的协作模式。苹果以外部模型与本体验证自身在具身智能中的系统层与体验层价值，这与其在消费电子时代“整合而非制造一切”的路径一脉相承。

从上图可以看到，三类玩家在“垂直整合度×系统能力壁垒”的坐标系中各占一隅：整机厂商垂直整合度高但系统壁垒尚待构建；基础模型公司聚焦模型层，整合度低；而苹果式科技巨头试图以高系统壁垒换取生态定义权，其垂直整合度反而保持在中位——这正是“软硬分离”的精髓。

三、分化格局下的竞争逻辑

这一格局对产业意味着三点判断：

其一，竞争从“全栈自研”转向“模块组合”。 苹果调用千问、验证宇树G1的案例表明，头部玩家不再追求每个环节亲力亲为，而是通过组合最优模块快速验证系统能力。91%的平均成功率说明，在未建图环境中，成熟的模型与本体叠加高水平的系统编排已可支撑较高任务可靠性。

其二，价值中枢向系统与体验层移动。 硬件与模型均可外采，但环境理解、任务规划、失败恢复等系统能力难以复制。谁定义机器人的行为标准与交互体验，谁就掌握产业话语权——这正是科技巨头集体入局的核心动因。

其三，“软硬分离”催生新型竞合关系。 苹果与千问模型、与宇树G1之间既是合作又是潜在竞争：今天借第三方资源验证能力，明天可能自研任一环节。整机厂商与模型公司同样面临“被平台化”的风险。三类玩家之间将长期处于既分工又博弈的动态平衡中。

可以预见，随着更多巨头采取类似苹果的验证路径，具身智能产业的分工将愈发细化，而围绕系统层标准的争夺，将成为下一阶段竞争的主战场。

产业链上游：本体与模型

具身智能产业的竞争，表面上发生在整机与场景应用层，真正的决胜点却在产业链上游——机器人本体（“身体”）与基础大模型（“大脑”）。2025年以来，随着苹果研究团队公开披露其机器人系统进展，上游“双供给”格局首次被国际巨头的一次公开验证清晰地勾勒出来：身体用国产本体，大脑用国产大模型。这一组合的出现，标志着中国供应链在具身智能核心环节，已经具备了被全球顶级科技公司直接选用的实力。

一、“大脑+身体”的双供给结构

从产业分工看，具身智能上游可以拆解为两条并行的供给线：

第一条线是机器人本体。以宇树科技为代表的中国厂商，凭借高性价比的四足及人形机器人产品，在全球科研与开发者生态中占据了显著的出货份额。第二条线是基础大模型。以阿里千问（Qwen）为代表的国产开源模型，因其开放权重、可本地部署与较强的多模态能力，正在成为全球机器人研究团队进行具身任务验证时的高频选择。

苹果研究团队此次披露的技术路线，正是这两条供给线的交汇：调用千问模型，在宇树G1人形机器人本体上完成策略验证。

二、苹果验证：91%成功率背后的信号

根据苹果团队公开的信息，其人形机器人系统HALO在6个未建图（未预先建模）的环境中，完成了360次单项任务测试，平均成功率达91%。这一数据的产业含义值得拆解：

• 未建图环境测试：意味着系统不依赖预先构建的环境地图，需要在陌生场景中实时感知与决策，这是具身智能区别于传统工业机器人的核心难度所在；
• 360次单项任务、平均91%：样本量与成功率组合，说明方案已具备一定稳健性，而非单点演示；
• 软硬件均为“外部供给”：苹果并未自研本体，也未从零训练底层大模型，而是采用“千问+宇树G1”的开源开放组合快速完成闭环验证。

这揭示了一条正在成型的产业路径：巨头专注系统架构与上层算法，本体与基础模型交给上游成熟供给。这种分工模式大幅压缩了研发周期，也意味着上游供应商进入了巨头的供应链视野。

三、国产供给的竞争力坐标

将主要上游玩家放入“技术门槛—商业价值”矩阵，可以更直观地看到竞争格局：

国产本体与大模型双双落在高技术门槛、高商业价值的“领跑者”象限，其竞争优势来自两个结构性因素：

本体的规模化与成本优势。 中国完备的电机、减速器、传感器供应链，使国产人形机器人能够以显著低于国际同类产品的成本实现量产交付，成为全球高校与研究机构实验平台的默认选项之一。

大模型的开放生态策略。 千问等国产开源模型以开放权重降低了研究团队的使用门槛，机器人领域研究者可以自由微调、蒸馏与本地部署，这种开放性在科研场景中形成了事实上的生态黏性，进而反向渗透到产业界。

四、上游能力的分层

理解“被国际巨头选用”这一事件的分量，可以借助 iceberg 框架观察国产上游供给的显性与隐性基础：

水面之上是被巨头验证的成果，水面之下是多年积累的供应链、开源社区与数据飞轮——后者才是国产上游能够持续供给的根基。

五、格局展望：开放组合VS垂直自研

苹果的路线选择并不代表行业唯一解。当前上游竞争存在两条路线的分野：

1. 开放组合路线：如苹果本次所示，本体与模型均采外部供给，优点是迭代快、成本低，适合快速验证与原型开发；

2. 垂直自研路线：部分厂商选择自研本体与模型深度绑定，追求软硬一体的长期壁垒，但投入大、周期长。

两条路线并非零和。开源开放供给的成熟，恰恰降低了所有玩家的入场门槛，加速整个具身智能产业的商业化进程。对国产上游而言，被苹果验证只是起点——真正的考验在于，当巨头们从“实验验证”走向“量产部署”时，能否在良率、交付规模与持续迭代上守住供给席位。

本章小结：具身智能上游已形成“国产本体+国产大模型”与国际供给并存的双供给格局，苹果“千问+宇树G1”的公开验证（6环境360次测试、91%成功率）是国产上游实力获国际认可的关键节点。上游之争，正从“能否被选用”进入“能否被规模化依赖”的新阶段。

产业链中下游：系统集成与落地

4.1 中游的核心角色：系统集成为何成为关键环节

具身智能产业链的分工正在逐渐清晰：上游是大模型厂商与硬件本体供应商，中游则承担“大脑—小脑—本体”之间的系统集成，下游负责真实场景的部署与交付。中游企业并不直接训练基础大模型，也不一定制造机器人本体，而是把感知、规划与任务执行三套能力封装为一个可运行的完整系统。

苹果研究团队近期披露的 HALO 系统正是这一逻辑的典型样本。HALO 的定位并非新的基础模型，而是一个面向人形机器人的系统集成框架：它将感知、规划与任务执行串联起来，并在宇树 G1 人形机器人本体上完成验证。值得注意的是，其底层调用的是千问（Qwen）模型，这说明中游系统集成的关键能力在于“调度与整合”，而非“从零造脑”——上游大模型可以被替换，中游的价值在于让通用模型真正驱动物理本体完成任务。

4.2 HALO 的验证数据：91% 成功率的产业含义

苹果团队在 6 个未建图环境中对 HALO 进行了 360 次单项任务测试，平均成功率达到 91%。这一数据有两层产业含义：

其一，验证场景选在“未建图环境”。 传统工业机器人依赖预先建模的结构化环境，路径与物体位置事先已知。而 HALO 选择在没有任何预先建图的环境中测试，意味着系统必须依靠实时感知来理解周围世界，这是具身智能区别于传统自动化的分水岭。

其二，91% 是单项任务成功率而非全流程成功率。 360 次测试覆盖多个环境的多种单项任务，若将多个单项串成完整作业流程，实际端到端成功率会低于单项数据。这提示产业界在评估落地能力时，需要区分“实验室指标”与“交付指标”。

4.3 下游落地：泛化能力是核心门槛

下游部署面临的最大挑战，是真实世界无法像实验室一样“可控”。工厂、仓储、商业空间的布局千差万别，光线、物品摆放、人员流动每天都在变化。如果每次部署都需要重新建图、重新编程，规模化复制就无从谈起。因此，泛化能力——即在从未见过的环境中直接工作的能力——成为下游落地的核心门槛。

从 HALO 的测试设计可以看出头部玩家的解题思路：6 个不同环境、360 次测试，本质是在用统计方式度量泛化能力，而非在单一环境中刷高分。这种“多环境、大样本”的验证方法，正在成为评估下游落地能力的事实标准。

4.4 产业链格局观察

综合本章信息，可以得出三点中性判断：

第一，中游价值正在被巨头重新定义。 苹果以系统集成框架切入，调用第三方大模型、使用第三方本体（宇树 G1），表明中游可以“轻资产”运作——这降低了入局门槛，但也意味着中游竞争将围绕系统调优能力与场景理解展开。

第二，上游与本体的高度可组合性加速了行业迭代。 “千问模型 + 宇树本体 + 苹果系统”的组合证明，产业链各环节的接口正在标准化，未来更换任何一个环节的供应商，成本都可能大幅下降。

第三，下游的竞争终局取决于泛化能力。 91% 的单项成功率只是起点，从“会做任务”到“随处可做任务”之间的距离，才是决定谁能真正规模化的护城河。未建图环境的部署能力，将成为衡量具身智能企业成熟度的核心标尺。

（本章完，约 1300 字）

数据透视：91%成功率解读

一、评测体系：360 次任务背后的严谨设计

苹果研究团队披露的 HALO 系统评测，为业界提供了一份罕见的、可横向对照的具身智能基准数据。其评测框架包含三个关键维度：6 个未建图环境、360 次单项任务、91% 的平均成功率。

理解这组数据的分量，需要先厘清“未建图”的含义。传统机器人部署高度依赖预先建好的环境地图——机器人提前“背熟”场景，再按图索骥。而 HALO 的测试环境不提供预建地图，机器人必须依靠自身感知系统实时理解空间结构、定位自身并规划动作路径。这意味着评测考察的不是“记忆能力”，而是泛化能力——机器人能否在从未“预习”过的环境中完成任务。

360 次任务的规模设计同样值得注意。具身智能领域的演示视频常以“一次成功”作为宣传素材，但单次成功无法排除偶然性。360 次的大样本测试，使 91% 这个数字具备了统计意义上的参考价值，也向产业界传递了一个信号：苹果在用工程化的方式对待机器人评测，而非以概念展示为导向。

二、91% 意味着什么：单项任务已近“可用线”

从产业视角看，91% 的单项任务平均成功率标志着当前人形机器人“大脑”能力的一个阶段性坐标。业内普遍认为，单项任务成功率若能稳定在 90% 以上，即接近从“实验室演示”跨入“受控场景可用”的门槛。换算下来，360 次任务中失败约 32 次，换言之，机器人每执行十余次任务仍会出现一次失败。

支撑这一成绩的技术路径同样关键：苹果团队在宇树 G1 人形机器人平台上，调用了千问大模型作为“大脑”。这一组合揭示了具身智能产业链的新分工形态——机器人本体（宇树）、基础大模型（千问）、系统集成与控制框架（苹果 HALO） 三方协同。头部科技公司不再从零训练一切，而是站在开源/开放大模型之上，将精力集中于具身化的系统整合。这大幅降低了入局门槛，也加速了迭代速度。

对消费电子企业而言，这组数据的战略含义明确：苹果正将自身在芯片、端侧智能与产品工程上的积累，向机器人领域迁移。HALO 系统若沿用苹果一贯的“高完成度再发布”逻辑，91% 的评测成绩或可视为其内部技术验证的阶段性答卷，而非对外宣发的营销数字。

三、单项可用与长程差距：光环之下的另一半真相

需要客观指出的是，91% 成功率的适用边界非常清晰——它衡量的是单项任务。真实的家庭与工业场景中，用户需要的是“把桌上散乱的衣物分类放进洗衣机、启动洗涤、结束后取出叠好”这样的长程复合任务。

长程任务的难度呈指数级放大。假设一个复合任务由 8 个子步骤串联，即便每个子步骤成功率均为 91%，整体成功率也仅为约 0.91⁸ ≈ 47%——即一半概率中途失败。若步骤更多、环境干扰更强，成功率还将进一步下滑。这正是当前具身智能行业面临的共同鸿沟：单项动作的可靠性已接近可用，但任务编排、错误恢复与长期自主性仍有显著差距。

上图中，HALO 的 91% 成绩主要落在“高环境复杂度、低任务链长度”的象限——它解决了“陌生环境中做好一件事”，但尚未攻克“陌生环境中连续做成一串事”。这个象限的跨越，恰恰是行业下一阶段竞争的焦点。

四、产业启示：从数据看竞争格局

这组评测数据至少揭示了三重产业趋势：

其一，评测方法论正在成为竞争维度。 谁能建立被广泛认可的任务基准，谁就掌握了定义“能力”的话语权。360 次未建图测试的严谨度，为后续厂商提供了参照系。

其二，“本体+大模型”的开放组合成为主流路线。 宇树 G1 与千问模型的组合证明，具身智能的突破不再需要全栈自研，产业链的专业化分工正在形成。

其三，消费级人形机器人的时间表渐趋清晰，但仍需耐心。 91% 是通往 99%+ 路程中的重要里程碑，而长程任务、错误恢复、安全冗余等课题的解决节奏，将最终决定人形机器人从展台走进家庭的时间窗口。

数据不会说谎，也不会夸大。91% 是一份冷静的成绩单：它宣示单项能力的成熟，也如实标注了通往通用具身智能的剩余距离。

趋势判断：分工与收敛

苹果研究团队用通义千问模型在宇树 G1 人形机器人上完成验证——6 个未建图环境、360 次单项任务测试、平均成功率 91%——这一技术路线的披露，为具身智能产业的演进方向提供了重要参照。综合产业现状，我们判断，未来 3-5 年该产业将沿“本体标准化、模型通用化、集成场景化”三个方向加速演进，而巨头的验证性研究将成为技术收敛与商业化节奏的关键催化剂。

一、三层分工：产业价值链的清晰化

具身智能是一个典型的“软硬件分离、系统集成耦合”型产业。与智能手机时代苹果“自研芯片+自研系统+代工制造”的垂直整合不同，机器人产业的早期竞争格局正在走向横向分工：

三个层次的演进逻辑各不相同：

本体标准化：硬件层面，成本曲线决定产业走向。宇树等国产厂商已将人形本体价格拉入可大规模部署的区间，灵巧手、关节模组等核心部件的供应链日趋成熟。本体的“同质化”并非坏事——正如 PC 时代整机厂商的利润被压缩，但正是标准化硬件为上层软件生态提供了统一载体。

模型通用化：91% 的成功率数据背后，苹果采用的技术路线耐人寻味——不自建基础模型，而是调用千问等第三方大模型，聚焦于 HALO 系统等具身化适配层的研发。这印证了一个趋势：模型层的竞争正在收敛于少数具备算力与数据优势的玩家，通用 VLA（视觉-语言-动作）架构成为行业事实标准，技术路线的“分叉期”正在结束。

集成场景化：最终的商业价值沉淀在场景侧。谁能把通用模型与垂直场景的数据闭环结合，谁就能守住利润。

二、四象限：不同玩家的战略位置

基于“技术门槛”与“商业价值”两个维度，可以看清各类玩家的位置与迁移路径：

苹果的位置值得注意：它身处高技术门槛象限，但选择了“验证性研究”而非直接产品化——用 360 次测试、91% 成功率这样的可复现数据验证技术路线，而非急于推向消费市场。这种姿态本身就是一种产业信号。

三、验证性研究如何加速收敛

巨头不做产品、只做验证，看似“置身事外”，实则深刻影响商业化节奏，其机制可以用一个金字塔来理解：

第一，路线背书效应。当苹果选择“调用第三方大模型 + 部署在国产本体上”完成验证，等于宣告：具身智能的核心壁垒不在“什么都自己做”，而在系统集成与场景落地能力。这将引导资本与人才向效率更高的分工节点流动。

第二，评测基准效应。未建图环境、单项任务成功率等测试框架，正在成为行业事实上的“考纲”。评测标准的收敛，比技术本身的收敛来得更快，也更能压缩无效研发的投入。

第三，预期管理效应。巨头保持研究节奏而非激进产品化，实际上为全行业争取了打磨可靠性的时间窗口，避免因过度承诺透支市场信心。

四、收敛之后：竞争焦点向何处迁移

需要清醒认识的是，收敛不意味着竞争结束，而是竞争焦点的迁移：

• 模型层：从“能不能做”转向“数据飞轮转得多快”。真实场景数据的获取能力，将成为通用模型厂商的核心差异。
• 本体层：从性能参数转向可靠性、成本与交付能力，制造业属性回归，利润空间将进一步收窄。
• 集成层：从单点 Demo 转向规模化交付与运维，这是目前产业最薄弱、也最具价值捕获潜力的环节。

91% 的成功率已经接近实用门槛，但具身智能从“能做”到“好用、耐用、用得起”，仍需跨过可靠性工程与成本控制的鸿沟。产业的下一程，不属于全能玩家，而属于在每个分工节点上做到极致的专精者。分工已现，收敛正当时——这是苹果入场给出的最明确的趋势信号。