核心觀點野村認為，身體動作訓練變便宜會削弱運動軟體的壁壘，讓能把大量機器人造得同樣穩定的廠商和供應商更有優勢。
訓練算力降逾千倍，具體改善了什麼？
- SuperMimic將人形機器人全身動作控制的訓練門檻大幅降低：論文作者稱，單張H100 GPU訓練三小時，表現便超過SONIC已發布的模型；後者訓練使用約2.1萬 GPU小時，按GPU小時計的降幅超過千倍。
- 算力減少的同時，動作追蹤表現也改善。在129,514個動作的基準測試中，SuperMimic失敗25次，SONIC失敗179次；前者用兩張GPU訓練9.8小時後達到零失敗。控制器隨後在宇樹G1實機上完成了側滾和360度翻轉。
為什麼換一個訓練環境，就能省下這麼多運算？
- 傳統方法讓機器人在物理模擬器裡反覆試錯，動作庫越大，運算需求越高。SuperMimic先學習同一副身體如何運動，再讓控制器在這個身體模型裡練習；不同動作可以重用同一套身體規律。
- 節省來自訓練速度和學習效率兩端：在常見批次規模下，模型內練習比模擬器快逾10倍；模型還能直接提供動作應往哪個方向調整的資訊，這一機制單獨將所需練習步數減少約64倍。
- 當動作數據從1小時增加到264小時時，身體模型的預測誤差保持穩定，因此新增動作帶來的運算需求增長較慢。野村據此認為，進步的關鍵是改變練習場所，而非增加數據。
這項突破離通用機器人還有多遠？
- 「逾千倍」並非完全同口徑比較：SuperMimic所用動作數據量更少，SONIC的數據量約為其2.3倍，而且前者使用更新型號的GPU。論文作者認為，這些差異不足以解釋千倍差距。
- 成果範圍限於平地上的身體動作，不涉及物體操作和複雜地形；身體模型只用模擬數據學習，基準測試中的動作也屬於訓練動作。野村因此將它定位為運動控制這一「小腦」的進步，能力邊界仍停留在身體控制層面。
動作軟體門檻下降，誰更可能保住優勢？
- 野村的產業調查顯示，中國約300家公司已能交付某項關鍵運動控制功能，宇樹原有一至兩年的硬體及運動控制領先優勢可能正在收窄。訓練進一步簡化後，該行認為宇樹的競爭力將更依賴成本和規模。
- 軟體能否批量重用，取決於機器人身體是否足夠一致。論文模擬中的關節校準變化僅為±0.01弧度；野村估計，若20多個關節的運動特性參差不齊，同一套強化學習程式碼可能只適用於少數機器。
- 按野村估算，致動器占人形機器人零組件成本約50%—75%。該行更看好具備一致性控制能力的整機廠與關鍵供應商，並認為宇樹相較於自建硬體的模型公司更有利，因為量產經驗需要多年累積。受益連結點是製造穩定性，而非單純擁有動作演算法。
