训练成本降千倍，人形机器人拼什么？

一块GPU干三个小时的活，过去要128块GPU干一个星期。10月20日，加州大学伯克利分校的SuperMimic论文登上arXiv，把人形机器人运动控制的训练成本打掉三个数量级；五天后，摩根大通把宇树科技的评级从“低配”两级跳到“增持”，目标价995元；又过一天，宇树自己发布异动公告，提示465倍市盈率下的估值风险。算法降本、资本转向、公司自警，三件事挤在同一周发生，指向同一个问题：物理AI的胜负手，正在换位置。

💸 465倍市盈率：市场到底在为什么定价

资本市场从不为现在的报表定价，只为想象中的斜率定价。

宇树科技最近的股价，把这句话演绎得淋漓尽致。公司公告显示，股票连续三个交易日收盘价格涨幅偏离值累计超过30%，构成异常波动情形。截至2026年10月26日，公司滚动市盈率达到465.22倍，而通用设备制造业的行业平均仅38.54倍——差了整整12倍。

更有意思的是时间线：

• 10月20日：SuperMimic论文发布于arXiv，被机器人学习顶会CoRL 2026收录
• 10月23日：宇树科技收盘624元
• 10月25日：摩根大通将评级由“低配”上调两级至“增持”，目标价从300元升至995元
• 10月26日：宇树发布异动公告，罕见地自我提示估值回归风险

公告披露的风险提示写得相当直白：人形机器人行业尚处商业化早期，技术成熟度、下游市场需求培育、产业链配套能力均存在不确定性；物理AI从实验室演示走向真实场景规模化落地，仍面临感知精度、运动控制稳定性、数据积累及软硬件协同等多重挑战。

据多位接近卖方研究的人士透露，这轮外资上调的核心逻辑并不是看懂了宇树，而是“看不懂物理AI的时间表，只能选择先上车”。一边是465倍市盈率的地心引力，一边是机构抢跑式的目标价跳升，多空分歧的本质，是对商业化S曲线位置的判断分歧：它到底在山脚，还是已经在半山腰？

⚡ 128块GPU一周，变成一块H100三小时

当一项能力从奢侈品变成日用品，护城河就得换个地方挖。

先看一组让工程师沉默的数字：传统方法下，训练一个人形机器人全身运动控制器，需要128块GPU跑整整一周；而SuperMimic把这件事压缩到一块H100 GPU运行三小时。此前表现最优的公开系统SONIC，训练耗时约21000 GPU小时——这就是野村国际所称的“机器人身体控制训练成本正在变得廉价的最有力证据”。

SuperMimic的路径与传统试错法截然不同：它先为机器人建立一个“身体模型”，学习该机器人自身的运动物理规律，再在这个模型内部训练控制器。据野村援引论文数据，这带来三重效率增益：其一，在学习模型内部训练比物理仿真器快逾10倍，最大批量规模下可达62倍；其二，模型具备可微分性，控制器能直接学习每个动作的调整方向，而非依赖随机试错，仅此一项就砍掉约64倍训练步骤；其三，动作数据从1小时扩展到264小时，模型预测误差保持稳定，算力需求增长极为缓慢。

效果上，面对129514个动作，SuperMimic仅失败25次，SONIC失败179次；在两块GPU上训练9.8小时后，SuperMimic实现零失败。这套控制器随后在宇树G1真机上完成了侧滚和360度翻转等高难度动作。

需要泼一盆冷水的是，千倍比较并非严格同类对比——SuperMimic使用的动作数据量约少2.3倍，且用了更新一代GPU，但论文作者认为这不足以解释千倍量级的差距。真正值得注意的是产业含义：动作迭代周期从“周”级压到“小时”级，意味着中小团队第一次玩得起全身运动控制，运动软件的技术门槛正在被快速抹平。

🧠 它解决的是“小脑”，不是“大脑”

小脑学会了翻跟头，不等于大脑知道为什么翻。

野村分析师在报告里专门划了边界：SuperMimic只覆盖机器人在平坦地面上的身体运动，不涉及物体抓取与操作；训练数据完全来自仿真器；基准测试所用动作与训练动作存在重叠。因此它被定性为机器人“小脑”（运动控制）层面的进步，而非具身智能的全面突破。

但资本市场关心的不是论文边界，而是物理AI的落地时间表。摩根大通的转向颇具戏剧性：工博会调研后，该行对中国机器人厂商的商业化进展保持谨慎——硬件领先尚未稳定转化为可重复的商业需求，订单仍主要来自研发、开发者平台和小批量试点。而在杭州2026世界物理AI大会后，该行彻底改口。据研报援引的王兴兴表述，物理AI“已显示出突破迹象”，突破窗口可能落在“未来1—2年或2—3年”，这较其此前“最长可能需要10年”的判断明显提前。

更关键的判断是瓶颈的迁移：随着大模型在任务规划、记忆、上下文管理和跨工具执行方面的进步，行业瓶颈正从高层推理能力，转向“现实世界的执行、数据生成和部署迭代”。时间表每缩短一年，已部署机器人、开发者生态和真实世界数据的战略价值就被抬高一截——因为这些是别人买不走的复利资产。

换句话说，当“大脑”越来越聪明、'小脑'越来越便宜，剩下的硬骨头全部长在物理世界里——这也是下一节要说的主战场。

🏭 算法红利见顶，硬件一致性接棒

软件的胜利，最后都要靠硬件的螺丝钉来兑现。

野村在报告中的警示句句见血：随着运动软件门槛大幅降低，行业竞争焦点将从算法能力转向硬件一致性，能够在量产中保持关节精度的企业，将获得更持久的竞争优势。摩根大通给出了同样的清单：传感器、执行器、电池、热管理、标定、安全性、耐久性和现场服务能力，仍是部署环节绕不过去的组成部分。

业内私下流传的一句话是：算法演示可以NG重来，产线上出一个坏关节就是真金白银。演示视频里那些丝滑的侧滚翻转，与每天上千台产线下线的关节一致性之间，隔着一整条供应链的功力。

资本已经用预测数字投了票。摩根大通最新的销量上修几乎全部押在2028年之后：

（以上均为摩根大通预测，非公司披露业绩；2030年份额预测由4%上调至12%，2028年营收同比增速预计达173.8%）

注意一个细节：2026年销量假设一分未动。也就是说，即便是多头，也承认未来两年仍处于“卖设备、攒数据、磨产线”的阶段，S曲线的前移只是把爆发点从“十年之后”搬到了2028年前后。这个判断下，产业链的价值排序正在重排：

小结

千倍降本解决的是“练得起”，但物理AI真正的分水岭在“造得稳、用得住”。当运动算法从稀缺品变成公共品，护城河向量产一致性、真实世界数据闭环和现场服务能力迁移——这恰恰是硬件供应链玩家的主场，也是宇树们必须自己啃下的硬骨头。未来12—24个月，值得盯三个指标：真实场景订单在营收中的占比、关节量产的一致性水平、真机部署数据的回流速度。至于465倍的市盈率，它终究要向38倍的地心引力低头——除非2028年的营收曲线，真的能立起来。