Акции Unitree выросли более чем на 60% за 7 дней: Nomura считает, что настоящий ров робототехники меняется

Unitree Technology становится одной из самых обсуждаемых технологических компаний на рынке A-акций в последнее время.

26 октября акции Unitree Technology (688836.SH) продолжили резкий рост, в начале торгов поднявшись более чем на 9% и достигнув максимума в 682 юаня за акцию. К закрытию утренней сессии цена составила 674,01 юаня, а общая рыночная капитализация достигла 272,6 млрд юаней. Ранее, 23 октября, Unitree Technology зафиксировала рост на 20% до дневного лимита. С 16 октября за семь торговых дней совокупный рост превысил 60%.

За рыночным энтузиазмом стоит растущее ожидание прогресса в технологиях человекоподобных роботов. 21 октября Unitree Technology представила человекоподобного робота H2-X, продемонстрировав сложные движения, такие как прыжки с высоты и кувырки вперед. На следующий день основатель Unitree Ван Синсин заявил на Всемирной конференции по физическому искусственному интеллекту, что по мере постоянного улучшения возможностей больших моделей физический ИИ уже демонстрирует признаки ключевых прорывов.

В то время как акции Unitree продолжают расти, Nomura Securities 25 октября опубликовала свежий глобальный отчет по робототехнике, выдвинув на первый взгляд противоречащее интуиции суждение: по мере того как алгоритмы управления движением роботов становится все легче обучать, решающим фактором конкурентной структуры отрасли, возможно, станет уже не программное обеспечение для движения, а согласованность аппаратного обеспечения и возможности масштабного производства.

Это суждение основано на недавнем исследовании SuperMimic, опубликованном Калифорнийским университетом в Беркли. Эта технология позволила сократить вычислительные затраты на обучение контроллеров движений всего тела человекоподобных роботов более чем в 1000 раз. Задачи, которые раньше требовали 128 GPU и недели непрерывной работы, теперь могут быть выполнены всего за три часа обучения на одном GPU H100, при этом достигая лучших результатов в бенчмарках.

Исследовательская группа также развернула этот контроллер на реальном человекоподобном роботе Unitree G1, успешно выполнив сложные движения, включая боковые кувырки и сальто.

Это означает, что двигательные способности роботов, которые раньше требовали огромных вычислительных ресурсов, становятся все более дешевыми.

Однако Nomura считает, что это не обязательно означает исчезновение конкурентных преимуществ ведущих робототехнических компаний. Напротив, когда все больше компаний смогут обучать отличные алгоритмы управления движением, более дефицитной может стать другая способность: возможность массово производить человекоподобных роботов со стабильной производительностью и высокой согласованностью аппаратных параметров при достаточно низких затратах.

Согласно отраслевому исследованию Nomura, в Китае уже около 300 компаний способны реализовать ту или иную ключевую функцию управления движением. Преимущество Unitree в аппаратном обеспечении и управлении движением, которое ранее составляло один-два года, возможно, сокращается. Однако ее накопленный опыт в области снижения стоимости аппаратного обеспечения, управления цепочкой поставок и массового производства по-прежнему остается конкурентным барьером, который трудно быстро воспроизвести.

Для Unitree, чьи акции в последнее время демонстрируют устойчивый рост, этот отчет Nomura предлагает заслуживающий внимания инвестиционный взгляд: конкуренция на следующем этапе развития робототехнической отрасли, возможно, будет заключаться не в том, кто сможет заставить робота выполнять самые сложные движения, а в том, кто сможет стабильно воспроизводить эти движения на тысячах недорогих продуктов.

Один GPU заменяет целый кластер: стоимость обучения роботов снизилась в тысячу раз

20 октября исследовательская группа Калифорнийского университета в Беркли опубликовала статью «SuperMimic: Scaling Humanoid Whole-Body Control with One Differentiable World Model» (SuperMimic: масштабирование управления всем телом человекоподобного робота с помощью одной дифференцируемой модели мира). Статья была принята на конференцию по обучению роботов CoRL 2026, среди авторов — известные специалисты по робототехнике Питер Аббель и Коушил Сринатх.

Исследование сосредоточено на одной из ключевых проблем в области человекоподобных роботов: как научить робота осваивать множество различных движений тела, избегая резкого роста затрат на обучение по мере увеличения числа движений.

Традиционное обучение управлению движениями человекоподобных роботов обычно опирается на обучение с подкреплением. Исследователи сначала создают модель робота в физическом симуляторе, а затем позволяют роботу многократно пробовать различные движения, постепенно обучаясь ходить, бегать, танцевать и делать сальто методом проб и ошибок.

Этот метод эффективен, но требует больших вычислительных ресурсов. По мере увеличения числа обучающих движений симулятору требуется выполнять больше вычислений, и затраты на обучение растут.

Например, существующая система управления движением SONIC использовала 128 GPU в течение примерно семи дней, что в сумме составило около 21 000 часов работы GPU.

SuperMimic меняет подход к обучению роботов.

Исследователи больше не заставляют робота полностью полагаться на физический симулятор для проб и ошибок, а сначала обучают модель, описывающую закономерности физического движения самого робота, а затем позволяют контроллеру движений учиться внутри этой модели.

Эта модель способна предсказывать, как тело робота будет двигаться после выполнения различных действий, поэтому она может заменить значительную часть традиционного физического моделирования.

Экспериментальные результаты показали, что после трех часов обучения на одном GPU H100 SuperMimic превзошел опубликованную модель SONIC по точности отслеживания движений. В бенчмарке, содержащем 129 514 движений, SuperMimic не справился только с 25 движениями, тогда как SONIC — со 179. После дальнейшего обучения на двух GPU в течение 9,8 часа количество неудач SuperMimic в этом тестовом наборе снизилось до нуля.

Это означает, что по сравнению с прежними процессами обучения, требовавшими десятков тысяч часов работы GPU, новый метод позволяет достичь конкурентоспособных результатов управления движением всего за от нескольких до нескольких десятков часов работы GPU.

Nomura считает, что это одно из самых явных на сегодняшний день доказательств того, что обучение управлению движениями всего тела человекоподобных роботов становится дешевле. Что еще важнее, эта технология уже вышла из симуляции и применена на реальных роботах.

Исследовательская группа развернула обученный нейросетевой контроллер на человекоподобном роботе Unitree G1, успешно реализовав такие сложные движения, как боковые кувырки и сальто на 360 градусов. Это показывает, что стратегии управления движением, обученные новым методом в симуляции, по крайней мере в диапазоне движений, показанных в эксперименте, могут быть перенесены на реальное оборудование.

Для робототехнической отрасли такое повышение эффективности может изменить порог входа в разработку технологий управления движением. Задачи обучения, которые раньше могли выполнять только компании с большими ресурсами GPU и профессиональными командами алгоритмистов, в будущем, возможно, смогут решать и более мелкие команды.

Почему эффективность обучения удалось повысить в тысячу раз?

Ключевой прорыв SuperMimic заключается не в увеличении объема обучающих данных, а в изменении способа, которым робот учится движениям.

Nomura отмечает, что, поскольку человекоподобный робот использует одну и ту же структуру тела при выполнении разных движений, нет необходимости заново изучать полные физические закономерности для каждого движения.

Исследовательская группа использовала эту особенность и создала модель тела робота, которую можно совместно использовать для большого количества движений. Независимо от того, ходит ли робот, танцует или кувыркается, контроллер может учиться внутри этой модели, как регулировать суставы, тем самым снижая зависимость от традиционного физического моделирования. Согласно статье, повышение эффективности SuperMimic обусловлено тремя основными факторами.

Во-первых, скорость работы. При типичном размере пакета обученная модель мира работает более чем в 10 раз быстрее традиционного физического симулятора; при максимальном тестовом размере пакета ускорение достигает 62 раз.

Во-вторых, метод обучения. Традиционное обучение с подкреплением опирается на большое количество случайных проб и ошибок: роботу необходимо постоянно пробовать разные движения и корректировать стратегию управления на основе обратной связи.

Модель мира, используемая SuperMimic, обладает свойством дифференцируемости и может предоставлять контроллеру более прямую информацию о градиентах, помогая ему определять, как следует корректировать движения, не полагаясь полностью на случайное исследование. Только это изменение сократило необходимое количество шагов обучения примерно в 64 раза.

Наконец, способность к масштабированию. Когда объем обучающих данных о движениях увеличился с 1 часа до 264 часов, ошибка прогнозирования модели мира оставалась относительно стабильной. Это означает, что даже если роботу нужно осваивать все больше движений, вычислительные затраты на обучение не обязательно должны расти пропорционально.

Совокупность трех улучшений эффективности позволила SuperMimic сократить время работы GPU более чем в 1000 раз.

Однако Nomura также подчеркивает, что условия обучения SuperMimic и SONIC не полностью идентичны. Первый использовал примерно в 2,3 раза меньше данных о движениях и более новые модели GPU, поэтому нельзя полностью приписывать всю разницу в вычислительных затратах только улучшению алгоритма. Авторы статьи считают, что эти факторы все же недостаточны для объяснения столь огромной разницы в вычислительной эффективности.

Кроме того, SuperMimic не означает, что человекоподобные роботы уже обладают универсальным интеллектом.

В настоящее время исследование в основном охватывает движения тела на ровной поверхности и не затрагивает сложный рельеф или манипулирование объектами. Модель мира полностью обучена на данных симулятора, а не на данных физического взаимодействия из реального мира.

Движения в крупномасштабном бенчмарке также относятся к обучающим движениям, поэтому нулевое количество неудач в тестовом наборе не означает, что робот уже способен справляться со всеми неизвестными движениями и сложными условиями.

Nomura определяет это как прогресс на уровне «мозжечка» робота, то есть прорыв в способности управлять движениями тела и равновесием, а не «большого мозга», отвечающего за понимание сложных задач, планирование и рассуждение, и не «рук», отвечающих за точные манипуляции.

Другими словами, SuperMimic значительно снижает вычислительные затраты на обучение робота движениям, но не решает всех технических проблем, необходимых для автономного выполнения роботом реальной работы.

Nomura: настоящее преимущество Unitree, возможно, больше не в алгоритмах движения

По сравнению с самим техническим прорывом SuperMimic, Nomura больше интересует его влияние на конкурентную структуру робототехнической отрасли.

В прошлом алгоритмы управления движением были важным конкурентным барьером для производителей человекоподобных роботов. Способность заставить робота стабильно ходить, прыгать, бегать и даже выполнять сложные акробатические трюки часто требовала длительных исследований алгоритмов, крупномасштабных вычислительных ресурсов и многократной инженерной отладки.

Но SuperMimic показывает, что этот барьер, возможно, снижается. Если обучение управлению движением, которое раньше требовало огромных кластеров GPU, теперь можно выполнить на одном GPU, то у все большего числа компаний появляется возможность получить высокопроизводительные системы управления движением.

Согласно отраслевому исследованию Nomura, в Китае уже около 300 компаний способны реализовать ту или иную ключевую функцию управления движением. В отчете говорится, что преимущество Unitree в аппаратном обеспечении и управлении движением, составлявшее один-два года, возможно, сокращается, а такие технологические достижения, как SuperMimic, еще больше снизят порог разработки алгоритмов движения.

Однако Nomura не считает, что Unitree потеряет конкурентное преимущество. Напротив, по мере того как программное обеспечение для управления движением становится все более доступным, накопленный Unitree опыт в производстве аппаратного обеспечения может стать еще более важным.

Проблема в том, что алгоритм, позволяющий одному роботу выполнять сложные движения, не означает, что он сможет стабильно работать на тысячах роботов. Человекоподобные роботы обычно имеют более двадцати суставов, каждый из которых включает исполнительные механизмы, трансмиссию, датчики и точную кинематическую калибровку. Даже если два робота имеют совершенно одинаковую конструкцию, в реальном производственном процессе могут существовать незначительные различия.

Например, нулевые точки суставов, допуски на размеры и характеристики трансмиссии у разных устройств могут отличаться. Когда эти погрешности распределены по более чем двадцати суставам, движение всего робота может отклоняться от заданного.

Nomura отмечает, что модель робота, использованная SuperMimic в симуляции, имеет отклонение калибровки суставов всего ±0,01 радиана. Такое требование к согласованности аппаратных параметров подчеркивает проблемы, с которыми сталкиваются роботы при переходе от лаборатории к масштабному производству. Предположим, компания разработала отличный контроллер, позволяющий роботу делать сальто, но из-за аппаратных различий между серийно выпускаемыми роботами этот контроллер может стабильно работать лишь на нескольких устройствах. Тогда компании все равно придется тратить много времени на покалибровку, отладку и даже повторное обучение каждого экземпляра.

В такой ситуации, даже если стоимость обучения самого алгоритма значительно снизится, затраты на развертывание и обслуживание, вызванные несогласованностью аппаратного обеспечения, могут оставаться высокими. Nomura считает, что ключом к решению этой проблемы является долгосрочный накопленный опыт в проектировании аппаратного обеспечения, управлении цепочкой поставок, контроле качества и масштабном производстве. Эти возможности трудно получить за короткое время, просто купив GPU или воспроизведя одну статью. Это также важная причина, по которой Nomura считает, что Unitree по-прежнему обладает конкурентным преимуществом по сравнению с некоторыми компаниями, разрабатывающими модели роботов с собственным аппаратным обеспечением.

По мере того как стоимость обучения программного обеспечения для движения продолжает снижаться, конкуренция в робототехнической отрасли может постепенно смещаться от алгоритмических возможностей к точности аппаратного обеспечения, согласованности продукции, контролю затрат и масштабным поставкам.

Исполнительные механизмы составляют до 75% стоимости: кто выиграет?

Важность согласованности аппаратного обеспечения также означает, что распределение стоимости в цепочке робототехнической отрасли может измениться.

Nomura оценивает, что исполнительные механизмы составляют от 50% до 75% стоимости компонентов человекоподобного робота и являются важной частью общей стоимости аппаратного обеспечения. Исполнительные механизмы преобразуют команды управления в фактические движения суставов, и их точность, скорость отклика, стабильность и согласованность производства напрямую влияют на способность робота выполнять сложные движения.

По мере того как алгоритмы управления движением становятся все более доступными, различия в программных возможностях между производителями готовых роботов могут сократиться, а преимущества в качестве производства и стоимости основных аппаратных компонентов, таких как исполнительные механизмы, могут стать более заметными.

Это означает, что производители компонентов, обладающие возможностями высокоточного производства исполнительных механизмов, стабильной цепочкой поставок и строгой системой контроля качества, могут стать важными бенефициарами развития робототехнической отрасли.

Для производителей готовых роботов ключом к будущей конкуренции также может стать не способность одного робота выполнять то или иное сложное движение, а способность поддерживать стабильную производительность крупных партий продукции при контроле затрат.

Таким образом, Nomura считает, что в будущем робототехнические компании и ключевые поставщики, обладающие высоким уровнем контроля согласованности аппаратного обеспечения, могут иметь больше преимуществ, чем компании, полагающиеся исключительно на программное обеспечение для управления движением.

Для Unitree это суждение имеет важное значение. По мере снижения стоимости разработки алгоритмов движения лидирующие позиции Unitree, ранее основанные на возможностях управления движением, могут столкнуться с растущей конкуренцией. Однако ее накопленный опыт в проектировании аппаратного обеспечения, контроле затрат и масштабном производстве также может стать конкурентным барьером, который на следующем этапе будет еще труднее воспроизвести.

Следует отметить, что SuperMimic доказал возможность значительного повышения вычислительной эффективности обучения для конкретных задач управления движениями всего тела, но это не означает, что программное обеспечение для движения роботов немедленно станет полностью стандартизированным. Развертывание в реальных условиях, системная интеграция, управление безопасностью и надежность продукции по-прежнему требуют постоянных инженерных вложений.

Поэтому суждение Nomura ближе к экстраполяции будущего направления конкуренции, а не к утверждению, что программное обеспечение для управления движением уже потеряло коммерческую ценность.

Акции выросли более чем на 60% за 7 дней: что Unitree нужно доказать дальше?

Возвращаясь к рынку капитала, недавняя динамика акций Unitree показывает, что инвесторы переоценивают технологический прогресс и перспективы коммерциализации отрасли человекоподобных роботов.

21 октября Unitree представила человекоподобного робота H2-X, продемонстрировав более сложные динамические двигательные способности. 22 октября Ван Синсин на Всемирной конференции по физическому искусственному интеллекту выразил позитивные ожидания относительно прорывов в технологиях физического ИИ.

Затем 23 октября акции Unitree выросли на 20% до дневного лимита, а 26 октября в начале торгов продолжили рост более чем на 9%. К закрытию утренней сессии общая рыночная капитализация достигла 272,6 млрд юаней.

Однако важно отметить, что прогресс в технологиях управления движением роботов не обязательно означает одновременное повышение прибыльности производителей готовых роботов. Повышение эффективности, выявленное SuperMimic, может позволить большему числу компаний войти в сферу управления движением с меньшими затратами, что усилит конкуренцию на рынке. Только компании, способные превратить технологические преимущества в характеристики продукции, преимущества по затратам и возможности масштабных поставок, смогут в дальнейшем создать устойчивые коммерческие барьеры.

Для Unitree, чьи акции в последнее время быстро растут, такое различие особенно важно.

Вечером 20 октября Unitree опубликовала объявление об аномальных колебаниях цен на акции. Компания сообщила, что на эту дату ее скользящий коэффициент цена/прибыль достиг 388,25 раза, что значительно выше среднего показателя в 39,51 раза для отрасли производства оборудования общего назначения.

Компания также предупредила, что отрасль человекоподобных роботов все еще находится на ранней стадии коммерциализации, и существуют неопределенности в отношении зрелости технологий, спроса со стороны downstream-сектора и возможностей сопутствующей цепочки поставок. Если прогресс крупномасштабной коммерциализации отрасли не оправдает ожиданий, будущий рост выручки и финансовые результаты могут пострадать.

Поэтому с инвестиционной точки зрения технологические изменения, которые представляет SuperMimic, ставят по крайней мере два вопроса, требующих постоянного наблюдения.

Во-первых, смогут ли ведущие компании сохранять дифференцированное преимущество по мере снижения стоимости обучения технологиям управления движением человекоподобных роботов?

Во-вторых, когда все больше компаний овладеют сложными двигательными способностями, какие производители смогут, опираясь на согласованность аппаратного обеспечения, цепочку поставок и опыт массового производства, превратить технологические возможности в стабильную коммерческую отдачу?

Ответ Nomura склоняется в пользу последнего.

Когда обучение роботов ходьбе, прыжкам и даже сальто становится все дешевле, по-настоящему трудно воспроизводимым может оказаться не тот или иной алгоритм управления движением, а производственная система, позволяющая стабильно встраивать эти способности в тысячи роботов.

Для Unitree это, возможно, и есть то конкурентное преимущество, за которым стоит внимательнее всего следить на следующем этапе, и тот ключевой вопрос, который рынку придется постоянно проверять при текущей высокой оценке.