人形机器人的运动控制训练，有了不再只靠物理仿真器反复试错的新路径。据华尔街见闻10月26日转述野村国际（香港）报告，加州大学伯克利分校的SuperMimic论文显示，通过先学习机器人的“身体模型”、再在模型内部训练全身运动控制器，可以大幅压缩训练算力消耗。
报道给出的对比是：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，算力消耗压缩逾1000倍。该论文于10月20日发布于arXiv，并已被机器人学习会议CoRL 2026收录。
这条技术路线的关键，是先让模型学习机器人自身的运动物理规律，再把控制器的训练放进这个模型。野村报告援引论文数据称，在学习模型内部训练，比在物理仿真器中快逾10倍，最大批量规模下可达62倍。模型还具备可微分性，使控制器能够直接学习动作的调整方向；这一项将所需训练步骤削减约64倍。
动作数据增加后的表现也是报告关注的重点。当数据从1小时扩展至264小时，模型预测误差保持稳定，算力需求增长缓慢。在包含129514个动作的基准测试中，SuperMimic失败25次，对照系统SONIC失败179次；SuperMimic在两块GPU上训练9.8小时后，实现了该基准测试中的零失败。
报道还称，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度翻转等动作。不过，千倍算力差距并非严格同类对比：SuperMimic使用的动作数据量约少2.3倍，同时采用了更新一代的GPU型号。这些条件需要与效率数字一并理解。
野村分析师Frank Fan与Donnie Teng据此认为，机器人身体控制训练成本正在变得“廉价”。他们进一步判断，随着运动软件门槛降低，行业竞争焦点将转向硬件一致性，在量产中保持关节精度的企业可能获得更持久的优势。这是分析师对产业竞争的判断，而非论文基准测试已经验证的结果。
仅供信息参考，不构成投资建议。