---
title: "📑 📄本篇论文表明机器人本体控制的训练成本正在大幅下降；。 ✨一套经过学习得到的本体模型，可以将人形机器人全身动作训练所需算力降低超 1000 倍。 📝正如我们"
topic_id: 45548518441848548
created_at: 2026-10-26T14:39:17.956+0800
source: zsxq
type: topic
cssclasses: zsxq-vault
---

# 📑 📄本篇论文表明机器人本体控制的训练成本正在大幅下降；。 ✨一套经过学习得到的本体模型，可以将人形机器人全身动作训练所需算力降低超 1000 倍。 📝正如我们

- 序号：198
- 星球链接：[打开网页](https://wx.zsxq.com/group/15522451881222/topic/45548518441848548)
- 附件：图片 0，音频 0，文档 0
- 音频文件：_无音频_

## 图片

_无图片_

## 正文

📑

📄本篇论文表明机器人本体控制的训练成本正在大幅下降；。
✨一套经过学习得到的本体模型，可以将人形机器人全身动作训练所需算力降低超 1000 倍。
📝正如我们在 2026 年 10 月 23 日发布的《全球机器人赛道：属于机器人的 ChatGPT 时刻正在显现》报告当中提到的那样。
📃加州大学伯克利分校的一篇论文表明，人形机器人全身控制器可以在单块 GPU 上耗时 3 小时完成训练，过去完成相同任务则需要 128 卡 GPU 集群耗费一周时间。
📜这篇名为 SuperMimic 的论文已经被 2026 机器人学习会议（CoRL）接收，并于 10 月 20 日发布在 arXiv 平台，Pieter Abbeel、Koushil Sreenath 是该论文的其中几位作者。
🎯该研究聚焦动作复现任务：教会一台人形机器人复刻大量人类动作库，涵盖行走、跳舞、侧滚翻、后空翻等动作。
🔧传统技术方案需要在物理仿真环境当中反复试错，因此每新增一个动作，算力消耗就会随之上涨。
📊此前公开的标杆系统 SONIC 大约消耗 21000GPU 小时算力。
💡SuperMimic 采用了一套全新思路：它会先学习机器人自身本体的运动模型，之后再在该模型内部完成控制器训练。
✅论文作者表示，使用单张 H100 显卡训练 3 小时之后，该模型效果就已经超越 SONIC 已发布的检查点模型，。
📈在包含 129514 个动作的基准测试集当中，SuperMimic 失败 25 次，而 SONIC 失败 179 次；如果使用 2 张 GPU 训练 9.8 小时，SuperMimic 可以实现零失败。
🤖这套控制器已经部署在真实的宇树科技（688836，买入评级）G1 人形机器人硬件上，成功完成侧滚翻以及 360 度后空翻动作。
🔍我们认为，这是迄今为止最明确的证据，证明机器人本体的训练成本正在变得低廉。
⚠️该研究仅针对本体肢体运动，不涉及物体操作、复杂地形，训练素材全部来自仿真模拟器数据。
💡我们认为算力节省来源于改变机器人的训练载体，而不是新增训练数据。
📌所有动作均由同一套机器人本体完成，因此论文提出，该本体的物理模型可以在整套动作库当中实现复用。
🔎作者总结出三点算力提升来源：
1️⃣ 在已学习得到的本体模型内部开展训练，在常规批处理规模下速度比仿真模拟器快 10 倍以上，最大批处理规模下速度最高提升 62 倍。
2️⃣ 该模型具备可微分特性，控制器可以直接学习每一项动作应当如何调整，而不是依靠随机试错去推导；仅此一项就把所需要的训练步数降低约 64 倍。
3️⃣ 当动作数据时长从 1 小时增长至 264 小时，模型的预测误差维持稳定，因此新增动作带来的算力上涨幅度十分平缓。
📌需要说明的是，该千倍级算力缩减并不是完全等同条件下的对比。
📋SuperMimic 使用的动作数据量大约减少 2.3 倍，同时采用更新一代的 GPU 硬件；但论文作者表示，这两点因素完全无法解释 1000 倍的巨大差距。
⚠️我们认为该技术的局限性和亮眼数据同样值得重视。
🔬这项工作仅针对平地肢体运动，没有物体操作任务；模型仅使用模拟器生成的数据进行学习，基准测试使用的动作同时也是训练动作。
🧠因此在我们的理解当中，SuperMimic 取得的进展是针对机器人 “小脑” 也就是运动控制模块，而非机器人的大脑或者灵巧手。
🏆。
🤔如果本体控制的训练成本变得低廉，我们认为机器人本体的价值重心，会从运动控制软件转移至硬件一致性。
📊根据我们开展的行业调研，国内大约 300 家公司已经可以实现某一项核心运动控制功能。
📉宇树科技在硬件与运动控制领域原本具备 1‑2 年领先优势，但是该领先差距大概率正在收窄。
🔻在我们看来，SuperMimic 会进一步拉低行业门槛，如今单块 GPU 就可以完成过去集群的工作。
💡因此宇树科技的竞争优势会越来越多集中在成本以及规模化量产能力上面。
⚙️这套技术方案同时放大了关节完全一致性的价值。
📐仿真环境当中，论文训练控制器所使用机器人本体，它的关节校准误差仅为 ±0.01 弧度。
🧮根据我们测算：二十多个关节的运动学参数如果出现不一致，同一套强化学习代码可能只能在极少数样机上正常运行。
✅因此我们依旧认为，对比自研硬件的模型算法公司，宇树科技更具备优势，大规模量产工艺积累需要花费数年时间打磨。
💰根据我们估算，执行器占人形机器人零部件总成本的 50%‑75%。
🏭能够实现高度一致性管控的机器人公司或是核心供应商，更有可能成为受益者，。

## 总体总结

主题正文
1. 📝正如我们在 2026 年 10 月 23 日发布的《全球机器人赛道：属于机器人的 ChatGPT 时刻正在显现》报告当中提到的那样。
2. 📃加州大学伯克利分校的一篇论文表明，人形机器人全身控制器可以在单块 GPU 上耗时 3 小时完成训练，过去完成相同任务则需要 128 卡 GPU 集群耗费一周时间。
3. 📜这篇名为 SuperMimic 的论文已经被 2026 机器人学习会议（CoRL）接收，并于 10 月 20 日发布在 arXiv 平台，Pieter Abbeel、Koushil Sreenath 是该论文的其中几位作者。
4. 📈在包含 129514 个动作的基准测试集当中，SuperMimic 失败 25 次，而 SONIC 失败 179 次；
5. 🤖这套控制器已经部署在真实的宇树科技（688836，买入评级）G1 人形机器人硬件上，成功完成侧滚翻以及 360 度后空翻动作。
6. 1️⃣ 在已学习得到的本体模型内部开展训练，在常规批处理规模下速度比仿真模拟器快 10 倍以上，最大批处理规模下速度最高提升 62 倍。
7. 3️⃣ 当动作数据时长从 1 小时增长至 264 小时，模型的预测误差维持稳定，因此新增动作带来的算力上涨幅度十分平缓。
8. 📊根据我们开展的行业调研，国内大约 300 家公司已经可以实现某一项核心运动控制功能。