一项机器人运动控制领域的重大技术突破，正在重塑人形机器人行业的竞争格局与价值分布。
据追风交易台，野村国际（香港）在最新发布的报告中表示，加州大学伯克利分校一篇名为 SuperMimic 的论文显示，人形机器人全身运动控制器的训练算力消耗可压缩逾 1000 倍——原本需要 128 块 GPU 运行一周的任务，现在仅需一块 H100 GPU 运行三小时即可完成。该论文已被机器人学习领域顶级会议 CoRL 2026 收录，并于 10 月 20 日发布于 arXiv。
野村分析师 Frank Fan 与 Donnie Teng 在报告中指出，这是迄今为止机器人身体控制训练成本正在变得 " 廉价 " 的最有力证据。他们同时警示，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。
算力需求骤降：SuperMimic 如何实现千倍效率跃升
SuperMimic 的核心创新在于改变了机器人 " 练习 " 的场所。传统方法依赖物理仿真器进行反复试错，每新增一个动作，所需算力便随之线性增长。此前表现最优的公开系统 SONIC，训练耗时约 21000 GPU 小时。
SuperMimic 的路径截然不同：它首先为机器人自身建立一个 " 身体模型 "，学习该机器人的运动物理规律，随后在这一模型内部训练控制器。野村报告援引论文数据，该方法带来三重效率增益：其一，在学习模型内部训练的速度比物理仿真器快逾 10 倍，在最大批量规模下可达 62 倍；其二，该模型具备可微分性，控制器可直接学习每个动作的调整方向，而非依赖随机试错推断，仅此一项便将所需训练步骤削减约 64 倍；其三，随着动作数据从 1 小时扩展至 264 小时，模型预测误差保持稳定，算力需求增长极为缓慢。
在基准测试中，SuperMimic 面对 129514 个动作仅失败 25 次，而 SONIC 失败 179 次；在两块 GPU 上训练 9.8 小时后，SuperMimic 实现零失败。该控制器随后在宇树科技 G1 真实机器人上完成了侧滚和 360 度翻转等高难度动作。
野村报告亦提示，上述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，且采用了更新一代的 GPU 型号，但作者认为这些因素不足以解释千倍量级的差距。
技术边界：SuperMimic 解决的是 " 小脑 " 而非 " 大脑 "
野村分析师强调，理解 SuperMimic 的适用范围与局限性，对于评估其行业影响同样关键。
该研究仅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，模型训练数据完全来自仿真器，且基准测试所用动作与训练动作存在重叠。野村因此将 SuperMimic 定性为机器人 " 小脑 "（运动控制）层面的进步，而非 " 大脑 "（认知决策）或 " 双手 "（灵巧操作）层面的突破。
这一区分对投资者判断技术扩散速度具有实际意义。运动控制成本的下降，并不直接等同于人形机器人整体能力的全面跃升，但它确实显著降低了竞争者在运动软件层面的进入门槛。
竞争格局重塑：硬件一致性或成新护城河
野村报告认为，SuperMimic 带来的最深远影响，在于它改变了人形机器人行业的价值分布逻辑。
报告援引野村行业调研数据指出，目前约 300 家中国企业已能提供某一关键运动控制功能，宇树科技在硬件与运动控制方面 1 至 2 年的领先优势正在收窄。SuperMimic 进一步压低了这一门槛，使得原本需要 GPU 集群完成的工作，现在单块 GPU 即可胜任。
在此背景下，野村认为竞争优势的重心将从运动软件转向硬件一致性。报告特别指出，SuperMimic 的控制器在仿真训练中，要求机器人关节标定误差仅为 ± 0.01 弧度。野村估算，若 20 余个关节的运动学参数存在不一致，同一套强化学习代码可能仅能在少数几台机器上正常运行。这意味着，能够在量产中实现高度关节一致性的企业，将在技术普及后获得更强的差异化优势。
野村进一步估算，执行器成本约占人形机器人零部件总成本的 50% 至 75%。报告据此判断，具备高度一致性控制能力的机器人整机厂商或关键零部件供应商，其受益程度可能超过运动软件专家。野村维持对宇树科技的 " 买入 " 评级，目标价为人民币 370 元，对应 2027 年预期市销率 25 倍，理由是公司 2026 至 2028 年销售额复合年增长率预计达 122%，并具备规模化量产能力。
