Nature封面：人类职业选手“线下首败”，这个AI乒乓球机器人打出16个Ace球

首页

业界动态

热心网友

转载

2026-04-23

从数字棋手到物理球手：AI在真实世界的里程碑式突破

回顾人工智能的“竞技史”，仿佛一场跨越数十年的升级打怪：1997年，深蓝在国际象棋棋盘上击败卡斯帕罗夫；2016年，AlphaGo在围棋领域征服李世石；再到2024年，Gran Turismo Sophy在虚拟赛道上超越职业车手。AI在数字世界里，一次次刷新着“超人”般的表现记录。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

然而，一个更根本的难题始终横亘在前：如何将这种数字世界的卓越能力，无缝迁移到充满不确定性、连续变化的真实物理世界？这，就是所谓的“物理AI”挑战，也是整个AI与机器人领域尚未完全攻克的堡垒。

乒乓球，堪称检验这一挑战的绝佳试金石。想想看：小球飞行速度极快，旋转复杂莫测，轨迹瞬息万变。选手必须在毫秒之间，完成“看球-思考-挥拍”的完整闭环。正因如此，以往的乒乓球机器人研究，大多停留在“合作对打”的演示阶段。在正式比赛规则下，它们从未达到业余以上水平，更别提挑战人类精英了。

如今，局面被改写了。

Sony AI团队及其合作者带来了一个标志性突破。就在近期，首个能在竞技体育中击败人类精英选手的物理AI机器人——Ace，登上了权威期刊《自然》（Nature）的封面。

论文链接：https://www.nature.com/articles/s41586-026-10338-5

根据论文描述，Ace是在完全真实的场景下完成挑战的：遵循国际乒联（ITTF）规则，站在真实的球台旁，使用真实的球拍和乒乓球。它的对手是3位人类精英选手，结果Ace取得了胜利。更令人惊讶的是，在面对2位日本职业联赛（T.League）现役选手时，Ace在7局比赛中也成功拿下了1局。

还有一个后续进展值得一书：在这篇《自然》论文提交后的一场新比赛中，Ace的能力再度精进，成功击败了一名职业选手。

Ace的制胜法宝是什么？或许和多数人想象的不同，它并非依靠超越人类的“暴力”击球速度。其核心优势在于两点：一是制造多种旋转的能力，二是稳定回球的一致性。这恰恰揭示了高水平乒乓球的精髓——控制与变化，而不仅仅是力量。

“这项突破的意义，早已超越了乒乓球这项运动本身。”Sony AI首席科学家Peter Stone评价道，“它代表了AI研究的一个标志性时刻，首次证明了AI能够在复杂、快速、要求精准与速度的现实环境中，有效完成感知、推理与行动的完整链条。一旦AI能在这些条件下达到人类专家水平，一整类过去无法实现的现实世界应用大门将被开启。”

在同期发表的新闻与观点文章中，巴西航空技术学院的Carlos H. C. Ribeiro与坎皮纳斯州立大学的Esther Colombini写道：尽管随着自主系统持续进步，Ace未来某天也可能被超越。但毋庸置疑，与深蓝一样，Ace是一个重要的里程碑，它展现了能够与物理环境进行高质量、高竞争力交互的下一代智能体的巨大潜力。

Ace是怎样练成的？

打造一个能达到人类职业水准的乒乓球机器人，绝非易事。它需要实时精准地感知环境、快速做出决策，并以毫秒级的精度执行动作。任何一个环节的延迟或误差，都可能导致回球失误。

针对这些严苛要求，研究团队为Ace精心设计了三大核心模块：“高速感知系统”、“基于强化学习的控制系统”以及“高动态响应的机械臂硬件”。三者协同，才铸就了球台旁的这位AI球手。

图｜Ace系统。其中，感知系统通过普通摄像头定位球的位置，并借助3套注视控制系统估算球的旋转速率；这些信息被基于AI的控制系统利用，指导比赛中的发球与回球；控制系统的决策则由1个配备8个独立控制关节的机械臂完成。

1.感知：破解旋转密码

乒乓球的旋转，是高水平对决中制造威胁的灵魂所在，也一直是机器人感知的难点。Ace的感知系统，在这个关键点上取得了有效进展。

具体来说，球的3D位置由布置在球台周围的9台主动像素传感器相机测量，实现全场覆盖。而更关键的旋转信息，则由3套独立的“注视控制系统”负责。每套系统包含一台事件相机和一对反射镜，能主动跟踪球体，让事件相机始终“盯”着球，从而实时捕捉其旋转特征。

旋转角速度的估算最终由卷积神经网络完成。位置与旋转信息合并后，便形成了下游控制系统决策的“眼睛”。

图｜Ace系统设置

2.控制：学会“思考”与“出手”

Ace的控制策略，核心是“模型无关”的强化学习。这意味着，它不需要事先被灌输“球在空中如何飞行”、“球拍如何触球”这些复杂的物理公式，而是通过在仿真环境中进行海量的对打练习，直接从数据中学习动作策略。

训练采用“决策-评分”架构：决策模块负责给出动作，评分模块则评估该动作带来的长期收益，两者不断交替优化。通过这个过程，Ace不仅学会了稳定回球，更能主动为回球赋予特定的旋转，例如极具攻击性的上旋。

发球环节则被单独处理。根据规则，发球需要抛球后击打。Ace的抛球动作源自对人类示范的学习，并针对机器人特性进行了适配，确保符合最新规则。其发球策略库则通过遗传算法筛选：在与人类陪练的合作训练中，任何一种发球方式，只要在20次尝试中成功率超过95%，就会被纳入Ace的“武器库”。比赛时，Ace会根据策略的不相似性或历史胜率，从库中智能选择发球方式。

3.硬件：为速度与精度而生的机械臂

再聪明的“大脑”，也需要强大的“肢体”来执行。Ace的机械臂拥有8个自由度，包括2个直线关节和6个旋转关节，足以灵活控制球拍的位置、朝向及击球速度。

为了匹配职业级运动需求，其末端执行器最高速度被设定为20米/秒，工作空间覆盖3.6×3.6平方米，确保能完成快速移动与大范围救球。机械臂的连杆通过拓扑优化减轻重量，并采用高强度轻质材料Scalmalloy进行3D打印，从而在高速运动中兼具稳定性和低惯性。

末端执行器配备了改装球拍，胶皮和底板均选用专业型号，同时集成了一个小型托杯，用于持球发球。为了极致性能，Ace采用了低延迟控制架构，所有执行器以1毫秒周期同步运行，并与视觉系统时钟同步。即便在最高速度下，位置跟踪延迟也能被控制在5毫秒以内。

真实表现：征服精英，挑战职业

2025年4月，真正的考验到来。在完全遵循ITTF规则的奥运标准场地内，使用最新比赛用球，并由持牌裁判执裁，Ace迎来了与5位精英选手和2位职业选手的正式对决。

所有人类选手均拥有10年以上高强度训练经验，且从未与Ace交手过。Ace自身也未针对任何特定选手进行过训练，确保比赛的公平性。

结果如何？如下图所示，Ace在与5位精英选手的“三局两胜”制比赛中，取得了3胜2负的战绩（总比分赢7局输6局）。而在与2位职业选手的“五局三胜”制比赛中，虽然均告失利，但在7局比赛中顽强地赢下了1局。

图｜评估结果

数据分析揭示了更多细节：Ace击球产生的球速和旋转强度，均已落入专业比赛区间，证明它具备了主动进攻的能力。其从球落台到挥拍击球的反应时间，也处于高水平竞技范围，体现了快速的感知-执行闭环。

进一步测试表明，Ace能回击各种旋转来球。即使在高达450 rad/s的旋转条件下，其回球率仍能稳定保持在75%以上，这项处理旋转的能力，已超过了此前竞技乒乓球机器人的公开记录。

面对精英选手时，Ace通过发球直接得分（即“Ace球”）高达16次，而精英选手仅从Ace身上拿到8次此类得分。这凸显了其发球策略的威力。

一个尤为有趣的场景出现在球擦网之后——这种在仿真训练中几乎不会出现的意外。数据显示，Ace在球撞网后仅49毫秒就开始调整关节速度和球拍轨迹，并成功将这种“异常球”回击过去。这初步表明，Ace的低延迟感知-控制链路，具备了一定的对未预见情况的泛化能力。

不足与未来方向

当然，必须承认，Ace系统仍存在局限与不足。

正如Ribeiro和Colombini在评论文章中指出的，Ace通过多个外部视角同时观察场地的方式，与人类选手的单一主观视角存在本质差异。因此，它距离真正意义上的“拟人化乒乓球选手”还有一段路要走。

研究团队也坦言，Ace的策略是在仿真中训练并零样本迁移到真实世界的。其中最大的挑战之一，在于对人类对手行为的建模。在高维物理空间中，人类行为难以精确建模，这意味着“赢球”这个最终目标无法直接作为训练信号，训练中只能使用替代目标函数。

未来的改进方向已然清晰。一方面，可以引入乒乓球机器人研究中关于人类对手建模的成果，帮助系统更好地理解战术与策略层面。另一方面，结合在线学习机制，让Ace能在与真实世界的持续交互中不断迭代、自我提升。

尽管如此，正如Sony AI苏黎世负责人兼Ace项目负责人Peter Dürr所言，这项突破无疑凸显了物理AI智能体执行实时交互任务的巨大潜力。它标志着我们朝着打造能够广泛应用于高速、精准、实时人机交互场景的机器人，迈出了坚实而重要的一步。

来源:https://36kr.com/p/3778142659204353

免责声明：游乐网为非赢利性网站，所展示的游戏/软件/文章内容均来自于互联网或第三方用户上传分享，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系youleyoucom@outlook.com。

上一篇：吉利银河官宣银河之光第2代原型车2026北京车展全球首发下一篇：智界V9首发应用电磁热控压铸技术究竟是啥：一文读懂