训练成本砍千倍，宇树的护城河换地方了

同一周之内，宇树科技收到了两份截然不同的'判决书'：一份来自交易所，滚动市盈率465.22倍、涨幅偏离值超30%，公司亲口提示估值回归风险；另一份来自摩根大通，评级从'低配'连升两级到'增持'，目标价上调至995元。撕裂的背后，是加州伯克利一篇叫SuperMimic的论文——它把人形机器人运动控制的训练成本压低了逾1000倍。我的核心判断是：算法门槛正在塌陷，但护城河没有消失，它正在搬家——从'小脑'算法，搬向关节精度、硬件一致性和真实世界数据。S曲线确实可能前移，但兑现窗口不在今天，而在2028年。

🎰 同一家公司，交易所和华尔街吵起来了

最热闹的行业剧本，往往是同一家公司同时被看多和看空。

10月26日，宇树科技发布股票交易异常波动公告：连续三个交易日收盘价格涨幅偏离值累计超过30%，滚动市盈率高达465.22倍，而通用设备制造业行业平均只有38.54倍——整整12倍的估值溢价。公司自己把话说得很直白：人形机器人行业尚处商业化早期，若大规模落地不及预期，营收扩张和业绩释放可能受不利影响，存在估值回归风险。

就在公告前一天，10月25日，摩根大通发布研报，把宇树评级由'低配'直接上调两级至'增持'，2027年12月目标价从300元跳到995元，较10月23日624元的收盘价还有约59%的上行空间。

这不是简单的多空对赌，而是对同一张时间表的两种读法。空头看的是当下：商业化早期、订单主要来自研发、开发者平台和小批量试点，硬件领先尚未稳定转化为可重复的商业需求——这是摩根大通此前在中国国际工业博览会调研后的原话。多头赌的是未来：突破窗口一旦打开，今天的高估值会被放量的营收稀释掉。

判断很明确：这场分歧的胜负手，不是技术本身，而是物理AI'采纳曲线'到底走多快。而这恰恰被一篇论文撬动了。

⚡ 千倍降本：小脑训练从'一周'变'三小时'

一项技术的成本曲线断崖式下跌时，行业格局往往在几个月内重排。

据野村国际（香港）最新报告，加州大学伯克利分校的SuperMimic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跑一整周的任务，现在一块H100 GPU跑三小时就能完成。该论文已被机器人学习顶会CoRL 2026收录，10月20日发布于arXiv。

数字有多夸张？此前表现最优的公开系统SONIC，训练耗时约21000 GPU小时。SuperMimic的路径完全不同：它先为机器人自身建立一个'身体模型'，学习这台机器人的运动物理规律，再在模型内部训练控制器。这带来三重效率增益——模型内训练比物理仿真器快逾10倍，最大批量规模下达62倍；模型可微分，控制器能直接学习每个动作的调整方向，仅此一项把训练步骤削减约64倍；且动作数据从1小时扩到264小时，预测误差保持稳定。

实战成绩同样能打：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。该控制器随后在宇树G1真实机器人上完成了侧滚和360度翻转这类高难度动作。

野村分析师Frank Fan与Donnie Teng的定性是：这是迄今机器人身体控制训练成本'变廉价'的最有力证据。翻译一下——运动控制这门手艺，正在从少数团队的独门绝技，变成所有人都能买得起的公共品。

🎯 竞争焦点搬家：从算法卷到关节精度

当软件不再稀缺，稀缺的东西就会涨价。

野村报告里最值得划线的一句是：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。换句话说，'小脑'贬值了，'身体'升值了。

摩根大通的判断在另一个维度上殊途同归：随着大模型在任务规划、记忆、上下文管理和跨工具执行上进步，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'。分析师把问题说得很具体——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，仍是部署环节的重要组成部分。

这条闭环图解释了价值迁移的方向：大脑由大模型公司卷，小脑被SuperMimic们打平，真正拉开差距的只剩硬件和数据的'最后一公里'。

落到产业判断上：传感器、高精度减速与执行器、标定工艺这些'脏活累活'环节的供应商，议价权会随S曲线前移而系统性抬升；而纯做运动控制算法的团队，窗口期正在快速收窄。这个四象限里，'领跑者'的门票越来越像一张硬件入场券。

⏳ S曲线前移：1-2年窗口，2028年11万台

华尔街的模型不会因为一篇论文重写，除非创始人的说法变了。

摩根大通这次转向的触发点，是10月在杭州举办的2026世界物理AI大会暨合作伙伴生态大会。研报援引王兴兴的表述：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。该行因此认为，行业销售S曲线或将前移。

时间表一改，预测模型全线重写：2026年宇树人形机器人销量假设维持1.4163万台不动；2027年从2.6226万台上调至3.1701万台；2028年则从4.1552万台大幅跳升至11.1554万台。全球市场份额预测同步调整：2028年从8%上调至21%，2030年从4%上调至12%。营收方面，该行预计宇树2026至2028年分别为28.19亿元、48.88亿元和133.83亿元，其中2028年同比增速173.8%；调整后净利润预计为6.16亿元、11.25亿元和32.02亿元——注意，这些是该行预测，并非公司已披露业绩。

分析师还点出了一个容易被忽略的逻辑：时间表缩短，会抬升'已部署机器人、开发者生态及真实世界数据'的战略价值。谁能更早把机器人铺到真实场景里跑，谁的数据飞轮就转得更早。这才是千倍降本真正的连锁反应——不是让训练变便宜，而是让'数据军备竞赛'提前开赛。

⚠️ 冷水：千倍叙事的水分与边界

任何千倍级别的数字，都值得先摸一摸口径。

野村在报告里自己就打了补丁：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。作者认为这些因素不足以解释千倍量级的差距，但'890倍'和'1000倍'之间的从容，需要留给读者。

更关键的是边界。野村明确将SuperMimic定性为机器人'小脑'（运动控制）层面的进步：研究仅覆盖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，且基准测试所用动作与训练动作存在重叠。一句话——实验室里的满分卷子，离车间和家庭的真实考题还有距离。

宇树自己的公告也列出了待解清单：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，相关技术路径与商业模式的成熟尚需时间验证。

所以我的提醒很朴素：千倍降本解决的是'练得起的'问题，没解决'用得好'的问题。从实验室演示到规模化落地之间，隔着的是十万台级别的量产一致性和真实场景里的故障率。估值回归的风险，是真实存在的。

这一周的剧情浓缩了整个行业的处境：交易所看到了465倍市盈率，摩根大通看到了前移的S曲线，伯克利的论文看到了千倍的算力红利。三者并不矛盾——技术成本曲线的陡峭下坠，正在把商业化的时间表从'十年叙事'压进'两三年'的窗口，但兑现的接力棒交到了硬件一致性和真实数据手里。对产业链而言，接下来两年最聪明的钱，未必押在算法公司身上，而是押在能把关节精度稳定复制到第10万台、并把每台机器人的现场数据收回来的玩家身上。小脑变便宜了，身体和数据，才刚刚开始涨价。