训练成本降1000倍，人形机器人要变天

一块H100跑三小时，干完了128块GPU一整周的活。

这不是段子，是加州大学伯克利分校SuperMimic论文里的真实数据。野村国际（香港）在最新报告里给它盖了个章：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。当训练成本坍塌1000倍，人形机器人的牌桌规则，正在被改写。

💥 一块GPU三小时，撬动整个行业成本曲线

先说最扎眼的那组数字。

此前表现最优的公开系统SONIC，训练一个全身运动控制器要烧掉约21000 GPU小时——按128块GPU跑一周折算。而SuperMimic把这件事压缩到了一块H100、三小时。量级差距超过1000倍。这篇论文已被机器人学习领域顶级会议CoRL 2026收录，10月20日发布于arXiv。

它凭什么？核心一句话：换了练功的地方。

传统方法的思路是让机器人在物理仿真器里反复试错，每加一个动作，算力就线性往上涨，像个永远填不满的无底洞。SuperMimic则先给机器人建一个"身体模型"，让模型学会这台机器自身的运动物理规律，再在这个模型内部训练控制器。野村报告援引论文数据，这套路线带来三重效率增益：

1. 学模型比仿真器快。在模型内部训练的速度比物理仿真器快逾10倍，最大批量规模下可达62倍；

2. 可微分性砍掉试错。模型可微分，控制器能直接学习每个动作的调整方向，而不是靠随机试错去碰，仅此一项就把训练步骤削减约64倍；

3. 规模扩张不失控。动作数据从1小时扩展到264小时，模型预测误差保持稳定，算力需求增长极其缓慢。

效果是实打实的：面对129514个动作，SuperMimic仅失败25次，而SONIC失败了179次；在两块GPU上训练9.8小时后，SuperMimic做到零失败。随后，这套控制器在宇树科技的G1真机上完成了侧滚和360度翻转这类硬核动作。

当然，账不能只算一半。野村也提示，千倍对比并非严格同类比较——SuperMimic用的动作数据量约少2.3倍，GPU型号也更新。但分析师认为，这些差异不足以解释千倍量级的鸿沟。

对产业来说，这意味着过去只有头部实验室玩得起的运动控制训练，正在变成中等团队也负担得起的"标品"。门槛，塌了。

🧠 解决的是"小脑"，不是"大脑"

金句先放这儿：便宜的运动控制，不等于通用机器人。

野村分析师在报告里特意划了边界——理解SuperMimic的局限，和理解它的突破同等重要。这份研究目前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；基准测试用的动作与训练动作存在重叠。换句话说，它证明的是"跑步跑得好"，还没碰"干活干得好"。

用人形机器人圈常用的分层话语：它解决的是"小脑"（运动控制），而不是"大脑"（感知、决策与操作）。机器人能翻跟头，离能把一颗螺丝拧进对位的孔洞，中间还隔着整个具身智能最难啃的部分——接触判断与柔性操作。

但别小看小脑这一层降本的战略意义。运动控制是人形机器人一切上层能力的底盘，底盘训练变便宜，意味着整个行业可以把更多算力和预算腾出来，去攻大脑。这就是为什么野村敢说它是"训练成本变得廉价的最有力证据"——单点突破，撬动的是全局资源分配。

🏭 进厂打工，发现事情没那么简单

镜头拉到10月的上海工博会，8.1H展馆一个不起眼的角落。

没有格斗台，没有赛道。两台宇树的G1机器人站在约30平方米的展区里：一台伸手抓取包裹放到指定位置，另一台手持电动螺丝刀对准螺孔、完成拧紧。两三米外，优必选的轮式人形机器人Cruzr Y1正把纸箱逐个搬起、整齐码放。再往前，乐聚干脆把工厂产线1:1搬进展馆，四五台Kuavo 5-W分守不同工位，做拆垛、搬运、上料。

具身展台是冷清的。没有炫技表演，只有一遍遍重复的工业操作。

"现在的工业机器人已经很成熟了，具身智能想进产线，得先找到真正有刚需的场景。"一位前来考察的工业客户对虎嗅说得直白。这正是眼下具身圈的真实处境：工业被普遍视为最具潜力的商业化市场，但新玩家既要找到传统自动化覆盖不了的空白，还得过生产节拍、稳定性和成本这三道关——每一道都不比训练一个控制器轻松。

虎嗅在工博会探访及与多位业内人士交流后发现，工业市场的现实需求，正在倒逼具身智能企业调整产品与技术路线：

• 产线走向多构型混合部署。人形、四足、机械臂与AMR按任务分工，单机能力要放进整套生产系统里衡量；
• 通用能力与单一本体解绑。暂时收窄"通用机器人"的想象，让本体适配工位，让模型和技能跨设备复用；
• 接触判断与柔性物体操作成为突破口。从精密插接到线束装配，机器人开始挑战边感知、边调整的工序；
• 部署工具成为产品竞争的一部分。

一个有趣的呼应是：工博会上宇树展示的拧螺丝、抓包裹，恰恰是SuperMimic论文明确"没解决"的操作问题。技术论文里的长板和工厂里的刚需，目前还是两套题库。

⚙️ 算法变便宜之后，护城河去哪了

这是野村报告里最值得玩味的一句警示：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——能在量产中保持关节精度的企业，将获得更持久的竞争优势。

逻辑不难推演。当运动控制训练从21000 GPU小时降到几十个GPU小时，算法层面的领先窗口会迅速缩短——你能翻跟头，别人三个月后也能。到那时候，决定胜负的不再是训练曲线，而是出厂一万台机器人之后，每一台关节精度还稳不稳、一致性还够不够。这是制造问题，不是算法问题，而制造的壁垒更慢、更硬。

据多位接近产业的人士观察，头部整机厂近期的资源流向也印证了这一点：一边压模型成本，一边往规模化制造里砸钱。宇树在两个月前还在警告"家用机器人仍需数年"，创始人随后话锋一转，称物理AI已经显现突破的裂缝，公司正在预研自进化模型，同时大谈规模化制造，并推出年度奖金数百万美元的多赛道竞赛。降本、造车式铺产能、办赛抢生态，三件事同时干——这是典型的"硬件公司"打法。

把当下玩家放进四象限，格局会更清楚：

值得注意第三象限到第一象限的迁移路径：纯算法玩家的位置会越来越尴尬——因为SuperMimic们把算法壁垒削平了；而握有量产一致性的整机厂和关节精度过硬的零部件厂商，位置反而更稳。机器人行业的估值锚，正在从"论文影响力"慢慢挪向"良品率"。

🚀 新竞赛：谁的时钟先拨快

把最近几个关键节点排在一起，节奏感就出来了：

• 2026年前后：宇树创始人先警告家用机器人仍需数年，两个月后改口称物理AI已现突破裂缝；
• 10月20日：SuperMimic论文发布于arXiv，算力成本千倍压缩进入公开视野；
• CoRL 2026：论文被顶会收录，学术验证闭环；
• 10月上海工博会：宇树、优必选、乐聚集体转向工业操作展示，去掉表演、只剩干活。

三件事指向同一个判断：行业时钟在被人为拨快。宇树的竞赛本质上是用外部算力和开发者生态，替自己拓宽运动与操作能力的边界；野村报告的价值则在于给资本市场换了一套估值语言——从"谁的算法酷"变成"谁的训练便宜、谁的一致性好"。

而工业现场是最诚实的裁判。展台上拧一颗螺丝，比格斗台上打一回合，更能说明具身智能离真正的商业化还有多远。

小结

SuperMimic的千倍降本，本质是把人形机器人行业从"算力贵族"时代拉进"工程平民"时代：小脑训练白菜化，大脑攻坚提上日程，竞争重心滑向量产一致性与部署工具。接下来一年的看点，不在谁的机器人翻跟头更漂亮，而在谁的关节精度扛得住一万台下线，谁的模型能跨本体复用。便宜，只是比赛的开始。