物理AI预期提前，摩根大通上调宇树评级
nashnova research
摩根大通将宇树科技从低配直接上调至增持，2028年人形机器人销量预测从4.16万台上修至11.16万台；野村同期报告称运动控制训练算力需求可能下降三个数量级，物理AI放量时间窗口正被重新定价。
摩根大通为什么突然转向？
此前参观工博会时，摩根大通态度仍偏谨慎——认为硬件已到位，但需求集中在研发和小批量试点，离企业持续采购还有距离。
转折发生在宇树物理AI活动上：创始人王兴兴将突破窗口从"最长可能十年"缩短至一到两年。这意味着→ 摩根大通押注的不是当下订单，而是后续放量加速的节奏。
报告同步调整销量预测：2026年维持约1.42万台不变，2028年从4.16万台上调至11.16万台。用大白话说＝ 近期没变，赌的是两年后S型曲线提前到来。
报告自身也标明，"S型曲线提前"仍需后续数据验证，当下订单并未同步跳升。
运动控制训练成本为何能骤降？
野村报告介绍了SuperMimic技术路径（一种先学机器人自身运动规律、再在这个模型里训练控制器的方法），有别于传统在物理仿真器中大量试错。
关键数据：单张H100训练三小时，SuperMimic表现超过此前SONIC已发布的检查点；后者训练消耗约2.1万GPU小时。这意味着→ 同一任务上的算力需求可能下降约三个数量级。
野村同时提示：1000倍下降不能直接等同于整台机器人算力需求下降1000倍。这次比较针对特定运动控制任务，数据量与GPU类型不完全一致，且仅涉及平地运动，尚未解决物体操作。
算力门槛降低，对行业意味着什么？
算法进步可能带来两种并行结果：更多公司能进入运动控制领域，同时能提供稳定硬件的平台价值也随之上升。
用大白话说＝ 门槛降低不等于赢家分散——谁手里有可靠的硬件平台，谁反而更值钱。
这反映出物理AI竞争的焦点正在从"谁能训练出控制器"转向"谁能把训练成果稳定跑在真实机器上"。
数据采集：为什么有效性共识还没形成？
天风证券数采访谈透露：一天佩戴设备采集八小时，筛选后真正可用数据可能只有一到两小时。用大白话说＝ 录得多不等于用得上，数据质量比数据量更关键。
特斯拉Optimus的路线不同：规划持续增加采集机器人数量驱动数据飞轮，明年计划投放约1.5万台用于数据采集，目标是覆盖更多场景、提升采集精细度。
另有专家判断，行业当前数据量低于市场预期，训练方法和数据有效性尚未形成共识，大规模投入仍需等待验证。这意味着→ 两种路径分别代表"先跑量再筛选"和"先验证再放量"的分歧。
物理AI的验证节点在哪里？
关注点正在从"能否做出来"转向"多快能放量、数据质量能否支撑迭代"。
三个验证节点各有时间表：一到两年的突破预期对应能力验证，运动控制训练成本骤降对应参与门槛变化，数据采集有效性分歧对应规模化前提。
能力突破能否转化为实际企业采购，仍有待后续数据逐一兑现——当下是预期重定价，不是订单兑现。
市场有风险，内容仅供研究参考，不构成投资建议。