核心观点野村认为，身体动作训练变便宜会削弱运动软件的壁垒，让能把大量机器人造得同样稳定的厂商和供应商更有优势。
训练算力降逾千倍，具体改善了什么？
- SuperMimic将人形机器人全身动作控制的训练门槛大幅拉低：论文作者称，单张H100 GPU训练三小时，表现便超过SONIC已发布的模型；后者训练使用约2.1万GPU小时，按GPU小时计的降幅超过千倍。
- 算力减少的同时，动作跟踪表现也改善。在129,514个动作的基准测试中，SuperMimic失败25次，SONIC失败179次；前者用两张GPU训练9.8小时后达到零失败。控制器随后在宇树G1实机上完成了侧滚和360度翻转。
为什么换一个训练环境，就能省下这么多计算？
- 传统方法让机器人在物理仿真器里反复试错，动作库越大，计算需求越高。SuperMimic先学习同一副身体如何运动，再让控制器在这个身体模型里练习；不同动作可以复用同一套身体规律。
- 节省来自训练速度和学习效率两端：在常见批量规模下，模型内练习比仿真器快逾10倍；模型还能直接提供动作应往哪个方向调整的信息，这一机制单独将所需练习步数减少约64倍。
- 当动作数据从1小时增加到264小时时，身体模型的预测误差保持稳定，因此新增动作带来的计算需求增长较慢。野村据此认为，进步的关键是改变练习场所，而非增加数据。
这项突破离通用机器人还有多远？
- “逾千倍”并非完全同口径比较：SuperMimic所用动作数据量更少，SONIC的数据量约为其2.3倍，而且前者使用更新型号的GPU。论文作者认为，这些差异不足以解释千倍差距。
- 成果范围限于平地上的身体动作，不涉及物体操作和复杂地形；身体模型只用仿真数据学习，基准测试中的动作也属于训练动作。野村因此将它定位为运动控制这一“小脑”的进步，能力边界仍停留在身体控制层面。
动作软件门槛下降，谁更可能保住优势？
- 野村的产业调查显示，中国约300家公司已能交付某项关键运动控制功能，宇树原有一至两年的硬件及运动控制领先优势可能正在收窄。训练进一步简化后，该行认为宇树的竞争力将更依赖成本和规模。
- 软件能否批量复用，取决于机器人身体是否足够一致。论文仿真中的关节校准变化仅为±0.01弧度；野村估计，若20多个关节的运动特性参差不齐，同一套强化学习代码可能只适用于少数机器。
- 按野村估算，执行器占人形机器人零部件成本约50%—75%。该行更看好具备一致性控制能力的整机厂与关键供应商，并认为宇树相较于自建硬件的模型公司更有利，因为量产经验需要多年积累。受益连接点是制造稳定性，而非单纯拥有动作算法。
