A Unitree Robotics está se tornando uma das empresas de tecnologia mais acompanhadas recentemente pelo mercado de ações A da China.

Em 26 de outubro, as ações da Unitree Robotics (688836.SH) continuaram em forte alta. Durante o pregão da manhã, chegaram a subir mais de 9%, atingindo o pico de 682 yuans por ação. Até o fechamento do pregão da manhã, as ações eram cotadas a 674,01 yuans, e o valor de mercado da empresa alcançava 272,6 bilhões de yuans. Antes disso, em 23 de outubro, as ações da Unitree Robotics haviam acabado de atingir o limite de alta de 20%. Desde 16 de outubro, acumularam uma valorização superior a 60% em sete pregões.

Por trás do entusiasmo do mercado está a crescente expectativa de avanços na tecnologia de robôs humanoides. Em 21 de outubro, a Unitree Robotics apresentou o robô humanoide H2-X, demonstrando movimentos complexos, como saltos de plataformas elevadas e cambalhotas para a frente. No dia seguinte, o fundador da Unitree, Wang Xingxing, afirmou na Conferência Mundial de IA Física que, com a contínua evolução dos grandes modelos, a IA física já dá sinais de que poderá alcançar avanços decisivos.

Em meio à alta contínua das ações da Unitree, a Nomura Securities publicou, em 25 de outubro, seu mais recente relatório global sobre robótica, apresentando uma conclusão aparentemente contraintuitiva: à medida que os algoritmos de controle de movimento dos robôs ficam mais fáceis de treinar, os fatores que realmente podem determinar a concorrência no setor talvez deixem de ser os softwares de movimento e passem a ser a consistência do hardware e a capacidade de fabricação em escala.

Essa conclusão vem de uma pesquisa recente sobre o SuperMimic, publicada pela Universidade da Califórnia em Berkeley. A tecnologia reduziu em mais de 1.000 vezes o volume de computação necessário para treinar controladores de movimento de corpo inteiro para robôs humanoides. Uma tarefa que antes exigia 128 GPUs funcionando continuamente por uma semana agora pode ser concluída com apenas três horas de treinamento em uma GPU H100, com resultados melhores no benchmark.

A equipe de pesquisa também implantou esse controlador no robô humanoide G1, da Unitree, e conseguiu realizar movimentos complexos, incluindo rolamentos laterais e mortais.

Isso significa que as capacidades de movimento dos robôs, que antes exigiam grandes investimentos em poder computacional, estão ficando cada vez mais baratas.

No entanto, a Nomura considera que isso não significa necessariamente que as empresas líderes de robótica perderão sua vantagem competitiva. Pelo contrário: quando mais empresas conseguirem treinar bons algoritmos de controle de movimento, outra capacidade poderá se tornar mais escassa: fabricar em massa robôs humanoides de desempenho estável e parâmetros de hardware altamente consistentes, a um custo suficientemente baixo.

Segundo uma pesquisa setorial da Nomura, cerca de 300 empresas na China já conseguem fornecer uma função essencial de controle de movimento. A vantagem de um a dois anos que a Unitree tinha sobre o setor em hardware e controle de movimento pode estar diminuindo. Ainda assim, a experiência acumulada em custos de hardware, cadeia de suprimentos e produção em escala continua sendo uma barreira competitiva difícil de reproduzir rapidamente.

Para a Unitree, cujas ações têm subido continuamente nos últimos tempos, o relatório da Nomura oferece uma perspectiva de investimento que merece atenção: na próxima etapa da concorrência no setor de robótica, o diferencial talvez já não seja quem consegue fazer o robô executar os movimentos mais complexos, mas quem consegue reproduzi-los de forma confiável em milhares de produtos de baixo custo.

Uma GPU substitui um cluster: custo de treinamento de robôs cai mil vezes

Em 20 de outubro, uma equipe de pesquisa da Universidade da Califórnia em Berkeley publicou o artigo (SuperMimic: Scaling Humanoid Whole-Body Control with One Differentiable World Model). O artigo foi aceito pela CoRL 2026, conferência sobre aprendizado de robôs, e tem entre seus autores os renomados pesquisadores de robótica Pieter Abbeel e Koushil Sreenath.

A pesquisa se concentra em um dos principais desafios da robótica humanoide: como ensinar os robôs a dominar muitos movimentos corporais diferentes sem que o custo do treinamento aumente drasticamente à medida que cresce o número de movimentos.

O treinamento tradicional do controle de movimento de robôs humanoides costuma depender do aprendizado por reforço. Primeiro, os pesquisadores criam um modelo do robô em um simulador físico. Depois, fazem o robô experimentar repetidamente diferentes movimentos até que, por tentativa e erro, ele aprenda a andar, correr, dançar e dar mortais.

Embora esse método seja eficaz, ele consome muitos recursos computacionais. À medida que aumenta o número de movimentos usados no treinamento, o simulador precisa realizar mais cálculos e, com isso, o custo do treinamento também cresce.

O sistema de controle de movimento SONIC, por exemplo, usou 128 GPUs por cerca de sete dias durante o treinamento, consumindo aproximadamente 21.000 horas de GPU no total.

O SuperMimic mudou a forma de treinar os robôs.

Os pesquisadores deixaram de fazer com que o robô dependesse totalmente de um simulador físico para aprender por tentativa e erro. Em vez disso, primeiro treinam um modelo que descreve as leis do movimento físico do próprio robô e, depois, fazem o controlador de movimento aprender dentro desse modelo.

Esse modelo consegue prever como o corpo do robô se moverá após diferentes ações e, por isso, pode substituir grande parte das simulações físicas tradicionais.

Os resultados experimentais mostram que, após três horas de treinamento em uma única GPU H100, o SuperMimic já superava o modelo publicado do SONIC no desempenho de rastreamento de movimentos. Em um benchmark com 129.514 movimentos, o SuperMimic falhou em apenas 25, enquanto o SONIC falhou em 179. Após mais 9,8 horas de treinamento usando duas GPUs, o SuperMimic não apresentou nenhuma falha nesse conjunto de testes.

Isso significa que, em comparação com os processos de treinamento anteriores, que exigiam dezenas de milhares de horas de GPU, o novo método consegue obter resultados competitivos em controle de movimento com apenas algumas dezenas de horas de GPU.

Na avaliação de Nomura, esta é uma das evidências mais claras até hoje de que o treinamento do controle de movimento de corpo inteiro de robôs humanoides está ficando mais barato. Mais importante, a tecnologia já saiu do ambiente de simulação e chegou aos robôs reais.

A equipe de pesquisa implantou o controlador treinado no robô humanoide G1, da Unitree, e conseguiu executar movimentos complexos, como rolamentos laterais e mortais de 360 graus. Isso mostra que as estratégias de controle de movimento treinadas em simulação pelo novo método podem ser executadas em hardware real, pelo menos para o conjunto de movimentos demonstrado nos experimentos.

Para o setor de robótica, esse ganho de eficiência pode mudar as barreiras de entrada para o desenvolvimento de tecnologias de controle de movimento. Tarefas de treinamento que antes só podiam ser realizadas por empresas com muitos recursos de GPU e equipes especializadas em algoritmos poderão, no futuro, ser executadas por equipes menores.

Por que a eficiência do treinamento pode aumentar mil vezes?

O principal avanço do SuperMimic não foi aumentar os dados de treinamento, mas mudar a forma como o robô aprende os movimentos.

Nomura ressalta que, como os robôs humanoides usam a mesma estrutura corporal para executar diferentes movimentos, não é necessário reaprender todas as leis físicas do zero para cada movimento.

A equipe de pesquisa aproveitou essa característica para criar um modelo do corpo do robô que pode ser compartilhado por muitos movimentos. Seja andando, dançando ou dando cambalhotas, o controlador pode aprender dentro desse modelo a ajustar as articulações, reduzindo a dependência da simulação física tradicional. Segundo o artigo, o ganho de eficiência do SuperMimic se deve principalmente a três fatores.

O primeiro é a velocidade de execução. Em um tamanho de lote típico, o modelo de mundo aprendido é mais de 10 vezes mais rápido que um simulador físico tradicional; no maior tamanho de lote testado, o ganho de velocidade chega a 62 vezes.

O segundo é o método de treinamento. O aprendizado por reforço tradicional depende de muita tentativa e erro aleatórios: o robô precisa experimentar repetidamente diferentes movimentos e ajustar a estratégia de controle com base no feedback.

O modelo de mundo usado pelo SuperMimic é diferenciável e pode fornecer informações de gradiente mais diretas ao controlador, ajudando-o a determinar como ajustar os movimentos sem depender totalmente da exploração aleatória. Só essa mudança reduziu em cerca de 64 vezes o número de etapas de treinamento necessárias.

O último fator é a capacidade de escalar. Quando os dados de movimentos usados no treinamento aumentaram de 1 para 264 horas, o erro de previsão do modelo de mundo permaneceu relativamente estável. Isso significa que, mesmo à medida que aumenta o número de movimentos que o robô precisa dominar, o volume de computação do treinamento não precisa crescer na mesma proporção.

A combinação dessas três melhorias de eficiência reduziu em mais de 1.000 vezes as horas de GPU necessárias para o SuperMimic.

No entanto, Nomura também ressalta que as condições de treinamento do SuperMimic e do SONIC não foram exatamente iguais. O primeiro usou cerca de 2,3 vezes menos dados de movimentos e também GPUs de uma geração mais recente, portanto, não se pode atribuir toda a diferença de capacidade computacional simplesmente às melhorias do algoritmo. Os autores do artigo consideram que esses fatores ainda não são suficientes para explicar uma diferença tão grande na eficiência computacional.

Além disso, o SuperMimic não significa que os robôs humanoides já tenham inteligência geral.

Até o momento, a pesquisa se concentra em movimentos corporais em terrenos planos e não abrange terrenos complexos nem a manipulação de objetos. O modelo de mundo foi treinado inteiramente com dados de simuladores, e não com dados de interação física no mundo real.

Os movimentos do benchmark em larga escala também fazem parte dos movimentos usados no treinamento. Portanto, a ausência de falhas no conjunto de testes não significa que o robô já seja capaz de lidar com todos os movimentos desconhecidos e ambientes complexos.

A Nomura define isso como um avanço no nível do «cerebelo» do robô — as capacidades de controle responsáveis pelos movimentos do corpo e pelo equilíbrio —, e não no «cérebro», responsável pela compreensão, pelo planejamento e pelo raciocínio em tarefas complexas, nem nas «mãos», responsáveis pela manipulação precisa.

Em outras palavras, o SuperMimic reduz significativamente o custo computacional para ensinar um robô a se movimentar, mas não resolve todos os problemas técnicos necessários para que ele execute tarefas reais de forma autônoma.

Nomura: a verdadeira vantagem da Unitree talvez já não esteja nos algoritmos de movimento

Mais do que o próprio avanço técnico do SuperMimic, a Nomura está interessada no impacto que ele pode ter na concorrência do setor de robótica.

Até agora, os algoritmos de controle de movimento eram uma importante barreira competitiva para os fabricantes de robôs humanoides. Fazer um robô andar, saltar, correr com estabilidade ou até realizar acrobacias difíceis costuma exigir anos de pesquisa em algoritmos, grandes recursos computacionais e repetidos ajustes de engenharia.

Mas o SuperMimic indica que essa barreira pode estar diminuindo. Se um treinamento de controle de movimento que antes exigia um enorme conjunto de GPUs pode agora ser realizado com uma única GPU, mais empresas terão a oportunidade de obter sistemas de controle de movimento de alto desempenho.

Segundo uma pesquisa setorial da Nomura, cerca de 300 empresas na China já conseguem fornecer uma função essencial de controle de movimento. O relatório considera que a vantagem de um a dois anos da Unitree em hardware e controle de movimento pode estar diminuindo, e que avanços tecnológicos como o SuperMimic reduzirão ainda mais as barreiras ao desenvolvimento de algoritmos de movimento.

No entanto, a Nomura não acredita que a Unitree vá perder sua vantagem competitiva. Pelo contrário: à medida que o software de controle de movimento se torna mais acessível, a experiência acumulada pela Unitree na fabricação de hardware pode se tornar ainda mais importante.

O problema é que um algoritmo capaz de fazer um robô executar movimentos complexos não necessariamente funcionará de forma estável em mil robôs. Os robôs humanoides costumam ter mais de vinte articulações, e cada uma envolve atuadores, mecanismos de transmissão, sensores e calibração cinemática precisa. Mesmo dois robôs com projetos idênticos podem apresentar pequenas diferenças na fabricação.

Por exemplo, o ponto zero das articulações, as tolerâncias dimensionais e o desempenho da transmissão podem variar entre os equipamentos. Quando esses erros se distribuem por mais de vinte articulações, o desempenho dos movimentos do robô como um todo pode ser afetado.

A Nomura destaca que, no ambiente de simulação, o modelo de robô usado pelo SuperMimic tem um desvio de calibração das articulações de apenas ±0,01 radiano. Essa exigência de consistência dos parâmetros do hardware evidencia os desafios que os robôs enfrentam ao passar do laboratório para a fabricação em escala. Imagine que uma empresa desenvolva um excelente controlador capaz de fazer um robô dar uma cambalhota, mas, devido às diferenças de hardware entre os robôs produzidos em série, ele só funcione de forma estável em algumas unidades. Nesse caso, a empresa ainda precisará investir muito tempo na calibração e nos ajustes de cada unidade, ou até em um novo treinamento.

Nessas condições, mesmo que o custo de treinamento do algoritmo caia bastante, os custos de implantação e manutenção decorrentes da falta de consistência do hardware ainda podem ser altos. Na avaliação da Nomura, a chave para resolver esse problema está na experiência acumulada ao longo do tempo em projeto de hardware, gestão da cadeia de suprimentos, controle de qualidade e fabricação em escala. É muito difícil adquirir essas capacidades rapidamente apenas comprando GPUs ou reproduzindo um artigo. Essa é também uma das principais razões pelas quais a Nomura considera que a Unitree ainda tem vantagem competitiva sobre algumas empresas de robótica que desenvolvem internamente seus próprios modelos de hardware.

Com a queda contínua dos custos de treinamento de software de movimento, a concorrência no setor de robótica pode deixar de se concentrar na capacidade de desenvolver algoritmos e passar gradualmente a priorizar a precisão do hardware, a consistência dos produtos, o controle de custos e a capacidade de produção em escala.

Atuadores representam até 75% dos custos: quem será beneficiado?

A importância da consistência do hardware também significa que a distribuição de valor na cadeia de suprimentos da robótica pode mudar.

A Nomura estima que os atuadores representem cerca de 50% a 75% do custo dos componentes de um robô humanoide, sendo uma parte importante do custo total do hardware. Os atuadores convertem os comandos de controle em movimentos reais das articulações. Sua precisão, velocidade de resposta, estabilidade e consistência de fabricação afetam diretamente a capacidade do robô de executar movimentos complexos.

À medida que os algoritmos de controle de movimento se tornam mais acessíveis, as diferenças entre os fabricantes de robôs completos em termos de capacidade de software podem diminuir, enquanto a qualidade de fabricação e a vantagem de custo de componentes essenciais, como os atuadores, podem ganhar mais destaque.

Isso significa que as empresas fornecedoras de componentes com capacidade para fabricar atuadores de alta precisão, uma cadeia de suprimentos estável e um rigoroso sistema de controle de qualidade podem se tornar importantes beneficiárias do crescimento do setor de robótica.

Para os fabricantes de robôs completos, o fator decisivo da concorrência no futuro talvez já não seja a capacidade de uma única unidade de executar um movimento difícil, mas sim a de manter um desempenho consistente em produtos fabricados em grande escala, sem deixar os custos saírem do controle.

Por isso, a Nomura considera que, no futuro, as empresas de robótica e os principais fornecedores com forte capacidade de controlar a consistência do hardware poderão ter vantagem sobre empresas que dependem apenas de software de controle de movimento.

Essa conclusão é importante para a Unitree. Com a queda contínua dos custos de desenvolvimento de algoritmos de movimento, mais concorrentes podem começar a alcançar a posição de liderança que a Unitree construiu com sua capacidade de controle de movimento. Mas a experiência acumulada em projeto de hardware, controle de custos e fabricação em escala também pode se tornar uma barreira competitiva mais difícil de reproduzir na próxima etapa.

É importante observar que o SuperMimic demonstra que a eficiência computacional do treinamento pode aumentar significativamente em tarefas específicas de controle de movimento de corpo inteiro. Isso não significa que o software de movimento dos robôs será totalmente padronizado de imediato. A implantação em ambientes reais, a integração de sistemas, o controle de segurança e a confiabilidade dos produtos ainda exigirão investimento contínuo em engenharia.

Assim, a avaliação da Nomura se aproxima mais de uma projeção sobre os rumos da concorrência no futuro do que de uma afirmação de que o software de controle de movimento já perdeu seu valor comercial.

Ações sobem mais de 60% em 7 dias: o que a Unitree precisa provar agora?

No mercado de capitais, o desempenho recente das ações da Unitree mostra que os investidores estão reavaliando os avanços tecnológicos e as perspectivas de comercialização do setor de robôs humanoides.

Em 21 de outubro, a Unitree lançou o robô humanoide H2-X, demonstrando capacidades mais complexas de movimento dinâmico. Em 22 de outubro, Wang Xingxing expressou expectativas otimistas quanto aos avanços em IA física durante a Conferência Mundial de IA Física.

Em seguida, as ações da Unitree atingiram o limite diário de alta de 20% em 23 de outubro e continuaram subindo mais de 9% na abertura do mercado em 26 de outubro. No fechamento do pregão da manhã, o valor de mercado total havia chegado a 272,6 bilhões de yuans.

Mas vale observar que os avanços na tecnologia de controle de movimento dos robôs não implicam necessariamente um aumento paralelo na rentabilidade dos fabricantes de robôs completos. O ganho de eficiência revelado pelo SuperMimic pode permitir que mais empresas entrem no segmento de controle de movimento a um custo menor, intensificando a concorrência. Só as empresas capazes de transformar vantagens tecnológicas em desempenho de produto, competitividade de custos e capacidade de entrega em escala poderão construir barreiras comerciais sustentáveis.

Essa distinção é especialmente importante para a Unitree, cujas ações subiram rapidamente nos últimos tempos.

Na noite de 20 de outubro, a Unitree publicou um comunicado sobre oscilações anormais na negociação de suas ações. A empresa informou que, até aquela data, seu índice preço/lucro móvel havia chegado a 388,25 vezes, muito acima da média de 39,51 vezes do setor de fabricação de equipamentos em geral ao qual pertence.

A empresa também alertou que o setor de robôs humanoides ainda está nos estágios iniciais de comercialização e que há incertezas quanto à maturidade tecnológica, à demanda a jusante e à capacidade de suporte da cadeia industrial. Se a adoção comercial em larga escala ficar aquém das expectativas, o crescimento futuro da receita e a materialização dos resultados poderão ser afetados.

Portanto, do ponto de vista do investimento, as mudanças tecnológicas representadas pelo SuperMimic levantam pelo menos duas questões que precisam ser acompanhadas de perto.

Primeiro, à medida que o custo de treinamento do controle de movimento de robôs humanoides diminui, será que as empresas líderes conseguirão manter suas vantagens diferenciadas?

Segundo, à medida que mais empresas dominarem movimentos complexos, quais fabricantes conseguirão transformar essa capacidade tecnológica em retornos comerciais estáveis, graças à consistência do hardware, à cadeia de suprimentos e à experiência em produção em massa?

A resposta da Nomura tende a apontar para a segunda questão.

À medida que fica cada vez mais barato ensinar robôs a andar, saltar e até dar mortais, o que talvez seja realmente difícil de reproduzir já não é um determinado algoritmo de controle de movimento, mas um sistema de fabricação capaz de incorporar essas capacidades de forma confiável em milhares e milhares de robôs.

Para a Unitree, essa pode ser justamente a vantagem competitiva mais importante a observar na próxima etapa, e também a questão central que o mercado precisará acompanhar para validar sua alta avaliação.