物理AI預期提前，摩根大通上調宇樹評級
nashnova research
摩根大通將宇樹科技從低配直接上調至增持，2028年人形機器人銷量預測從4.16萬台上修至11.16萬台；野村同期報告稱運動控制訓練算力需求可能下降三個數量級，物理AI放量時間窗口正被重新定價。
摩根大通為何突然轉向？
此前參觀工博會時，摩根大通態度仍偏審慎——認為硬件已到位，但需求集中在研發和小批量試點，距離企業持續採購尚有距離。
轉折出現在宇樹物理AI活動上：創始人王興興將突破窗口從「最長可能十年」縮短至一到兩年。這意味著→ 摩根大通押注的不是當下訂單，而是後續放量加速的節奏。
報告同步調整銷量預測：2026年維持約1.42萬台不變，2028年從4.16萬台上調至11.16萬台。簡單來說＝ 近期沒變，賭的是兩年後S型曲線提前到來。
報告自身亦標明，「S型曲線提前」仍需後續數據驗證，當下訂單並未同步跳升。
運動控制訓練成本為何能驟降？
野村報告介紹了SuperMimic技術路徑（一種先學機器人自身運動規律、再在該模型內訓練控制器的方法），有別於傳統在物理仿真器中大量試錯。
關鍵數據：單張H100訓練三小時，SuperMimic表現超過此前SONIC已發佈的檢查點；後者訓練消耗約2.1萬GPU小時。這意味著→ 同一任務上的算力需求可能下降約三個數量級。
野村同時提示：1000倍下降不能直接等同於整台機器人算力需求下降1000倍。這次比較針對特定運動控制任務，數據量與GPU類型不完全一致，而且僅涉及平地運動，尚未解決物體操作。
算力門檻降低，對行業意味著甚麼？
算法進步可能帶來兩種並行結果：更多公司能進入運動控制領域，同時能提供穩定硬件的平台價值也隨之上升。
簡單來說＝ 門檻降低不等於贏家分散——誰手裏有可靠的硬件平台，誰反而更值錢。
這反映出物理AI競爭焦點正在從「誰能訓練出控制器」轉向「誰能把訓練成果穩定跑在真實機器上」。
數據採集：為何有效性共識還未形成？
天風證券數採訪談透露：一天佩戴設備採集八小時，篩選後真正可用數據可能只有一到兩小時。簡單來說＝ 錄得多不等於用得上，數據質量比數據量更關鍵。
特斯拉Optimus的路線不同：規劃持續增加採集機器人數量驅動數據飛輪，明年計劃投放約1.5萬台用於數據採集，目標是覆蓋更多場景、提升採集精細度。
另有專家判斷，行業當前數據量低於市場預期，訓練方法和數據有效性尚未形成共識，大規模投入仍需等待驗證。這意味著→ 兩種路徑分別代表「先跑量再篩選」和「先驗證再放量」的分歧。
物理AI的驗證節點在哪裏？
關注點正在從「能否做出來」轉向「多快能放量、數據質量能否支撐迭代」。
三個驗證節點各有時間表：一到兩年的突破預期對應能力驗證，運動控制訓練成本驟降對應參與門檻變化，數據採集有效性分歧對應規模化前提。
能力突破能否轉化為實際企業採購，仍有待後續數據逐一兌現——當下是預期重定價，不是訂單兌現。
市场有风险，内容仅供研究参考，不构成投资建议。