摩根大通在周末将宇树科技的评级从低配直接上调至增持，成为本轮物理AI预期升温中最具代表性的机构动作。据其报告，摩根大通此前参观工博会时态度仍偏谨慎，认为机器人硬件虽已成型，但需求主要来自研发、开发者和小批量试点，距离持续的企业采购尚有距离。转折点出现在参加宇树的物理AI活动之后——宇树创始人王兴兴将物理AI突破的预期窗口，从此前最长可能十年，缩短至二至三年，甚至一至二年。
这一时间判断的变化本身就会影响定价逻辑。如果能力突破仍很遥远，当下售出的机器人主要体现为硬件收入；若突破窗口靠近，已进入实验室、开发者手中和应用场景的机器人，就可能成为模型测试、数据采集与持续迭代的基础设施。摩根大通对销量预测的调整也印证了这一思路：2026年人形机器人销量预测基本维持在约1.42万台，而2028年预测则从约4.16万台上调至11.16万台。不过报告也明确，此次上修主要押注后续放量加速，当下订单并未同步跳升，所谓“S型曲线提前”仍需后续数据验证。
与需求侧预期前移相呼应的是，产业界正在寻找更便宜的实现方式。野村在周末的报告中讨论了一种名为SuperMimic的方法，其思路是先学习一个描述机器人自身运动规律的模型，再在该模型内训练控制器，而非在物理仿真器中大量试错。按野村转述，单张H100训练三小时后，其表现超过了此前SONIC已发布的模型检查点，而后者训练消耗约2.1万GPU小时。野村据此提出训练计算量相对此前减少约1000倍，但同时也强调，这一数字不能直接扩大为整台机器人的算力需求下降1000倍——比较的是特定运动控制任务的训练计算量，数据量和GPU类型并不完全一致，且研究主要涉及平地上的身体运动，尚未解决物体操作，也不能直接推到复杂工业任务。
算法效率的提升可能同时带来两种结果：更多公司能够进入这一领域，而能够提供稳定硬件的平台则更有价值。当模型和训练基础设施越来越容易调用，谁能提供有效数据、理解客户现场，谁就更可能推进实际应用。这也解释了为何数据采集成为周末讨论的另一焦点。机器人需要的不只是画面里有什么，还包括抓取物体需要多大力、接触后物体是滑动、变形还是卡住、一次操作失败后如何恢复等信息，这些很难靠普通视频完整表达。第一视角视频、手部轨迹、触觉以及真机运行反馈各有作用，也各有成本。
天风组织的数据采集专家交流中，有专家提到一个经验细节：一天佩戴设备采集八小时，筛选后真正可用的数据可能只有一两个小时。这提醒市场，录制时长与最终能改善多少模型能力是两回事。类似大模型的路径正在机器人领域重现——谁保有的有效数据越多，后续训练的机器人模型可能越智能。此前一场关于Optimus的调研也显示，未来数据采集领域的机器人数量将持续增加以驱动数据飞轮，目的是应对更多元化的应用场景、提升数据采集精细度，并为持续迭代的大模型提供算力与数据支持。不过也有专家对行业当前数据量的判断低于提问者预期，强调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。
综合来看，物理AI的关注点正变得清晰：大模型规划能力的进步可能让真实机器人和应用场景更有价值；运动控制训练成本下降可能让单一动作能力更容易被复制；随后差距将更多体现在硬件一致性、操作能力、数据质量和部署效率上。这些因素将决定能力突破能以多快速度转化为采购。周末市场对物理AI更积极了一些，因为实现路径上确实出现了值得跟踪的变化，但一至二年的突破预期、约1000倍的训练效率提升以及未来的数据需求分别对应不同范围，仍需持续观察。