科學前沿 擊敗精英卻輸給假動作!AI離挑戰中國乒乓天團還差多遠?

透视镜
20粉絲
6 次觀看·2026年9月25日
AI 生成·可能包含錯誤
視頻概述
AI 生成索尼AI研發的ACE系統在乒乓球對抗中以3比2戰勝精英球員,突破了感知延遲與旋轉識別的技術瓶頸。該研究標誌著具身智能在極端物理環境下的控制能力取得重大進展,其核心技術將推動工業協作、醫療護理及自動駕駛等領域的發展。
機械臂已經學會反手接球了 動作極快 還有一個明顯的下壓動作 攻擊性瞬間拉滿 完全不給對手反應時間 這一幕發生在4月的東京
這個回擊角度在人類的勝利構造中幾乎是不可能實現的 但AI通過精確的計算和意念執行完成的很自然
4月22號 頂級科學期刊自然雜誌已經將這研究放在了最新一期的封面上
索尼AI研發的ACE系統在完全符合國際拼聯正式比賽規則的情況下 以3比2的戰績戰勝了人類的精英球員
這裏提到的精英球員指的是受過長期的職業訓練 具備參加地區或全國性賽事水平的球員
乒乓球一直是巨神智能領域最難攻克的一個制高點
索尼AI的首席科學家曾將乒乓球機械人技術比作一級方程式的測試場 因爲它對系統的要求簡直到了變態的地步
你需要在十毫秒之內完成從看球到想好怎麼打 再到驅動機械臂揮拍的全鏈路臂環
還要對那個肉眼根本看不清的每秒上百轉的旋轉
進行實時建模 今天我們就順着這個測試結果簡單回顧一下這40多年來乒乓球機器人的演進
看看AI目前的天花板到底在哪 以及它有沒有能力挑戰中國的乒乓天團
在聊這個科學史之前 我們先來看一看爲什麼一個乒乓球會對AI造成這麼大的物理壓力
首先是感知延遲 職業球員機球的出速度通常在每秒20米以上
球從對面飛到你面前總共只有不到500毫秒的時間
在這半秒鐘裏 機器人必須完成圖像捕捉 降噪 三維座標定位 軌跡預測和旋轉判斷
最後還要驅動沉重的機械臂精準移動
如果你這套系統全鏈路的總延遲超過了20毫秒 那麼機器人看到的球的位置和你揮拍時球的真實位置就會產生巨大的物理偏差
在乒乓球桌上 差之毫釐可能連球都摸不到 而ACE能夠做到10.02毫秒的延遲
這意味着它在物理世界的時間尺度裏已經跑贏了絕大多數的傳感器和人類的神經反射
第二個壓力點是所謂的馬格努斯效應
乒乓球是所有球類運動中自旋最劇烈的 一秒大約能達到150轉 那麼每分鐘就是9000轉
9000轉這什麼概念 保持接球要集體三的發動機紅線轉速才9000轉每分鐘 足球和檯球根本不能與其相提並論
根據這個流體力學裏的馬格努斯效應 旋轉會帶動周圍空氣產生一個壓力差 直接扭曲球的飛行軌跡
最要命的是這種旋轉是肉眼看不見的
乒乓球太小太光滑 旋轉太快 而且你也沒有那麼多的時間去仔細看
人類選手之所以能打球很大程度上是因爲我們能通過對方影拍的聲音
手臂肌肉的緊繃程度以及球拍膠皮的色澤來感覺這個旋轉 但AI最初只能靠看 要在時速100公里的高速運動中
看清一個小球表面內細微的logo特徵的變化來反推旋轉的方向
這難度不亞於你在高速公路上看清車輪鼓上有幾顆螺絲 第三個是模擬真實度的問題
大家發現沒有 計算機模擬的場景都太過於完美了 物理引擎很難完美模擬現實中球桌的細微磨損
膠皮的彈性衰減或者是室內氣流的影響 在職業級的對抗中 幾毫米的誤差就會導致回球直接下網不出界
所以乒乓球機器人的進化本質上就是人類在不斷的壓縮感知延遲並提高物理建模進度的過程
下面我們來看看乒乓球機器人的發展 最早的研究可以追溯到1983年 當時英國的約翰比林斯利教授發起了首屆機器人乒乓球比賽
受限於當時的計算機性能 比賽的規則被大幅度簡化 球檯只有0.5米寬 球網高度還增加了25釐米
這麼做是因爲當時的傳感器無法處理正式比賽的球速
當時最知名的參與者是貝爾實驗的羅素安德森
他使用了PUMA260機械臂 雖然這個東西在當時代表了頂尖水平
但是在應對旋轉和不規則球路時 基本上是無能爲力 只能說勉強湊巧接觸這個球 前提還得是你配合它
這種系統極度脆弱 只要實驗室裏有人走動產生了一點點風 或者窗外的一道陽光照進來 改變了陰影對比度
算法就會瞬間的當機 機械臂就會像發瘋了一樣亂撞 一不小心能把人拍出去
這一時期的主要貢獻是確立了乒乓球作爲機器人這一學科基準的地位
隨後 東芝和蘇里士聯邦理工學院相繼開發了多自由度的關節機器人
儘管這些機器人在現在看來非常的簡陋 但他們驗證了通過視覺閉環控制高速機械臂在理論上是可行的
到了2000年左右 隨着半導體技術的爆發 硬件水平總算上來了
但是大家發現啊 死算物理公式還是行不通 因爲現實世界太亂了 變量太多了
這時候巨神智能領域的一代宗師達姆斯塔特工業大學的楊彼特斯教授提出了一個天才的想法
既然我們算不準物理模型 那咱們能不能直接去抄人類選手的作業呢 動作其實可以分爲這麼幾個階段
第一個階段是等候 判斷對方引拍動作 第二個是準備階段 預測虛擬的擊球點 第三個是擊球階段
這是最關鍵的毫秒級攔截動作 職業選手通常在80毫秒內完成發力
最後是結束階段 動作打完收回 並恢復平衡爲下一次擊球做準備
他們開始使用更柔順的仿生臂 雖然機器人能回擊一些長球 但對旋轉球的識別依然是行業難題
大部分時間只能靠概率去判斷對方的旋轉方向 看你拍頭朝下 他就猜你是下旋 看你拍頭朝上 他就猜你是上旋
這種猜法在職業選手面前基本上就是送粉體
很多觀衆可能在技術展會上見過歐姆龍的乒乓球教練機器人
這是目前歷史上生命週期最長的乒乓球機器人項目
從2013年至今 他已經經歷了九次核心地帶 第一代到第三代 解決了基礎的視覺定位和三維空間軌跡迴歸
確立了三組高清攝像頭的佈局 第四代增加了一個專門的拋球機器人
實現了臀部發球 此時他已經能夠接住80公里每小時的重扣
第六代引入了情感AI 能通過攝像頭監測人類球員的心率和表情
從而調整回球難度 第九代是技術上的大爆發 他繼承了大語言模型和視覺解釋器
他不再只是一個運動員 他能對球員的動作缺陷進行毫米級的谷歌分析 並給出語音糾錯建議
他雖然在競技線上不如後來的ACE 但他通過乒乓球練就的傳感器同步技術
已經大量應用在工業精密裝備線上 這款乒乓球教練機器人主要是陪你練 而不是打贏你
2024年 谷歌DeepMind非常激進的展示了他們在乒乓球領域的進展
改進的訓練方法 簡單來講就是先在仿真器裏做訓練 然後再去現實世界裏對練 收集數據
然後是再模擬再訓練 這種訓練方法能夠讓機器人戰勝超過一半的業餘中級選手
雙方能進行長達300回合的急速對攻 視覺效果上是比較不錯的 不過一旦遇到真正的專業選手 DeepMind的勝率基本上還是零
職業選手很快就發現他的相機系統在處理急速旋轉的球時 感知精度會因爲動態模糊而斷崖式下跌
說白了 他的眼睛還跟不上職業級的對抗強度
尤其是在高頻旋轉面前 他基本上就是一個正眼瞎 而最新的索尼ACE解決的最核心的問題就是旋轉感知和延遲的問題
ACE配備了三個索尼IMX636試劍相機
這種相機不像傳統相機那樣按針拍照片 而是隻記錄像素點的亮度變化 在每分鐘9000轉的高速旋轉下
傳統相機會產生殘影 而試劍相機能以微秒級的精度捕捉到球表面logo的運動特徵
這讓ACE的端到端實驗壓縮到了10.2毫秒 其次 他的機械臂使用了輕量化的鋁銘抗合金
機械臂在承受極高的加速度時不會發生物理形變 最後是海量的自隊訓練 自己和自己打
ACE在模擬中進行了超過3000個小時的自我對打 演化出了一些人類生理結構很難實現的攔截軌跡
那麼當前的乒乓球機器人侷限性在哪裏呢 在2026年的這項實驗中
ACE戰勝了精英球員 但在面對日本T聯賽的頂級職業選手時 戰績依然是兩負
通過覆盤可以發現 AI乒乓球機器人目前有兩個明顯的弱點
第一是對不轉球的理解 職業選手發現 如果做一個非常兇猛的引拍動作
但最後出球時完全不發力 回出一個平球 ACE的算法就會產生嚴重的誤判 特別容易被忽悠
第二點是摸不透人類的心 頂級球員的假動作是帶有誘導意圖的
目前的AI只能基於物理軌跡進行實時反應
它預判不了對方的預判 既然在戰術層面上還無法壓制日本職業選手 那麼在面對技術更深更厚的中國國家隊
AI目前還處於明顯的下風
在今年4月 國產機器人主機動力0CX2也曾嘗試與鄧亞平進行對攻測試
雖然機器人在全身控制和移動速度上已經達到了很高的水平 但面對頂級選手的邊線能力和戰術組合
機器人依然是沒有成分
ACE的成功雖然還沒有到統治乒乓球的地步 但它是巨神智能的一個里程碑 打敗最強天團只是時間的問題
不過打球不是目的啊 它只是訓練機器的一種方法
它驗證了一套能適應極端物理不確定性的通用控制架構
這種好滅絕的反應和控制能力未來可以用在更柔性的養老護理機器人 高速工業協作機器人 甚至是更安全的自動駕駛避障算法上
前不久 易裝半程馬拉松的閃電機器人跑出了50分26秒 也標誌着巨神智能正在全面接管高動態的物理人物
1997年 IBM的深藍在棋盤上擊敗了傳奇棋王卡斯帕羅夫
2016年 而發購掃平維奇界 近兩年大語言模型爆發 有了過去幾十年的技術沉澱 巨神智能也迎來了菜的GPT時刻
人形機器人開始從一次次跌倒中爬起來 越跑越快
隨着傳感器技術的發展 未來的機器人不僅有眼睛有耳朵 還會有觸覺味覺嗅覺等感官
大量的高精尖的技術匯聚在一起 將徹底重塑我們與機器與現實世界的交互方式
