人机网球赛中国先交卷！AI扛住物理世界压力，从围棋桌走上网球场

中国机器人的AstraTennis时刻，来了。

8月22日，第二届世界人形机器人运动会开幕，中央广播电视总台面向全球直播。

当镜头扫过赛场，全场的呼吸仿佛都停滞了。

球网两侧，一边是人类网球名将，另一边，是一台人形机器人。

这一刻，标志着中国技术创新迎来足以载入史册的具身智能奇点。

全球第一场真正意义上的人机网球对战，正式开打！

一上来，就是精彩的人机混合网球双打。

令人意外的是，银河星仔的表现非常精彩：它步法矫健，根据需要迅速前后移动，打得十分流畅。

而且，星仔和人类搭档非常默契地形成了一前一后的站位，全力应战对面的对手。

接下来，由网球名将郑洁和银河通用机器人，开展了全世界第一次人机对战的网球单打比赛。

无论是正拍还是反拍，机器人都和人类打得有来有回。

然后，郑洁决定上点难度，打出一个月亮球。

结果，在被对手左右调动的过程中，机器人不小心摔了个四脚到底。

出乎意料的是，下一秒，它居然立刻调整姿势站了起来。

而面对郑洁的切削和旋转，机器人的判断居然也很不错。

终于，郑洁知道不能放水了，开始左右前后分点调动，机器人出人意料地完成一个精彩的跨步，赢得现场喝彩。

比赛结束，机器人的表现让所有人欢呼。

整场比赛里，屈膝、抛球、转体这些动作全都由人形机器人自己完成。

而且，发球时速达到一百多公里，留给它的反应时间只有零点几秒，它却几乎没有掉链子。

这台机器人，正是来自银河通用。

十年前，AlphaGo赢了李世石。十年后国产机器人与网坛顶尖运动员同台竞技。

如果说AlphaGo证明AI能征服数字世界，那么今天，银河通用的国产机器人证明：AI能扛住物理世界的极限压力测试。

它第一次从代码里站了起来，在真实的对抗中奔跑、挥拍、博弈，甚至摔倒后自己爬起，继续战斗。

如此精彩的具身智能AstraTennis时刻，被全球同时见证！

为什么这场网球赛，能引起全球科技圈的巨大地震？

因为网球，是对具身智能极致的压力测试。

由于反应时间只有零点几秒，这项运动，同时将机器人的感知、决策、全身运动控制和实时博弈能力逼到了物理极限。

而且，打网球比下围棋对AI来说难得多。

毕竟，AlphaGo面对的是19路网格上361个确定的交叉点，对手落子后，它有几十秒甚至几分钟来推演下一步。

那是数字世界的博弈，解空间虽大，但边界清晰，规则恒定。整个世界是静态的、离散的，AI对此一览无余。

虽然这道题的解空间比宇宙原子数还多，但对AI而言这也不过是道难度更大的「数学题」。

但网球场不一样。

球以每小时一百多公里的速度过来，落点受旋转、风、场地摩擦影响，每一拍的物理参数都不重复。

机器人必须在几百毫秒内完成感知、预测、决策、全身协调，同时保持自己不摔倒。对手是打活人，会骗机器人，还会变节奏。

这，就是莫拉维克悖论的现场版。

1988年，卡内基—梅隆大学移动机器人实验室主任汉斯·莫拉维克就指出过：「让计算机在智力测验或下跳棋时表现出成人水平的表现相对容易，但要赋予它们一岁儿童在感知和行动方面的技能则困难甚至不可能。」

三十多年过去，前半句早已兑现，但后半句却很难实现。

所以，这次网球赛真正的意义，要远远大于「机器人会不会打球」。

它问的是：这一次，AI究竟能不能从数字世界走出来，把感知、决策、运动控制和实时博弈在真实物理环境里闭环跑通？

AI不能止步于思考，而是要完成从认知决策到全身执行的完整闭环。

这一次，中国企业率先交卷了！

赛场上，银河通用机器人的表现，实在令人惊艳。

发球、正手、反手、底线调动、网前截击这些单项能力，在比赛里全部出现了，而且全都是超常发挥。

而双打，考验就更大了。

机器人和人类队友同场，要实时判断谁去接这个球、谁补位，动态调整打法和。

所以，它要理解的不只是球，还有队友下一步想干什么。

高速攻防里，还出现了极限救球的场面。摔倒之后，机器人自己站起来，继续打。

很多人第一反应是：这些单项动作，之前机器人不是做到了吗？

投篮、踢球、跑百米，过去两年人形机器人的视频里似乎什么都有。

但其中最大的差别在于，网球是两个玩家在对抗。

跑步的环境是确定的，网球的每一拍都是对手临时出的新题。跑步可以一个动作练一万遍，网球没有两个完全一样的来球。

能在对抗中站住，才是真正的智能。

背后支撑这一切的，是银河通用自研的具身智能大模型「银河星脑」AstraBrain。

它最大的亮点之一，就在于架构选择。

过去行业里的主流做法是分层：一个「大脑」模型负责理解任务、做高层决策，一个「小脑」模块负责实时运动控制，两者之间用接口传递指令。

这种架构的弊端也很直接：大脑想得再清楚，传到小脑已经慢了半拍；小脑动作再标准，不知道大脑为什么要它这么动。

更隐蔽的问题是信息断层。

大脑下指令的时候，不知道此刻自己的重心压在哪条腿上、右臂还有多少发力余量；小脑执行动作的时候，不知道这一拍是想调动对手还是想直接得分。

两边各自最优，合起来却是一个「想得到做不到」或者「做得到想不到」的系统。

在打网球这种任务上，稍微慢半拍，结果就是输球。

银河星脑的做法是把大脑层（任务理解与战术决策）、小脑层（高动态全身运动控制）和神经控制集成在同一个模型里。

按银河通用的说法，这是全球首个模型能同时负责「想清楚」和「做出来」，中间不再有信息损耗。

从网球这个任务倒推，这可能是唯一的解法。战术决策离不开对自己身体极限的实时感知，运动控制也离不开对战术意图的理解，两者本来就不该分家。

架构之外的另一个问题是：这个模型怎么练出来的？

机器人领域的一个传统难题就是——没有数据。

真机采一小时动作数据要一小时，还要人盯着，还会摔坏硬件。

这也是为什么过去几年具身智能的进展总是慢于大家的预期。

这背后，离不开银河通用核心技术平台「银河星坊」 的支撑。

接下来，分两个步骤。

第一步，是从「不完美人类数据」里学。

人类打网球的动作数据可以采，动作捕捉、视频、穿戴传感器都行。

但人类的动作本身不标准，业余选手的确很业余，有多余动作。而职业选手的动作最大化个人运动素质，别人做不来，而且每个人的身高臂展关节角度都跟机器人对不上。

传统模仿学习要求示范数据干净、对齐、高质量，这种要求在人类数据上几乎不可能满足。

银河星坊数据平台要做的，就是从这堆带噪声、不对齐、良莠不齐的示范里提炼出有用的先验：

什么时候该启动，挥拍的大致节奏，身体重心怎么转移，真正学会其中的运动规律。

这一步的价值在于冷启动。

机器人不用从随机乱动开始摸索，它一上来就大概知道「打网球长什么样」。

第二部，就是进虚拟网球世界。

在仿真环境里，多个智能体互相对打。不是一个机器人对着发球机练，而是若干个策略各自演化、互为对手。

一方学会了压边线，另一方就被迫学会横向大范围移动；一方学会了放小球，另一方就被迫学会快速上网。

在这海量的虚拟博弈中，奇迹发生了——「技能涌现」。

工程师没有教过它怎么滑步救球，但在无数次没接到球的失败后，模型自己「领悟」了极限伸展的姿态。

工程师没有写下倒地后起身的硬代码，但在虚拟世界摔了千万次后，模型自己「学会」了如何调动全身电机重新站立。

技能无需手工设计出，在对抗压力下AI学会自学。

最后，当这些在虚拟世界中练就神功的「灵魂」，被无损迁移到物理世界的真实机器人躯体中时，一个网球大师，就此诞生！

放在整个机器学习的谱系里，这条路走在两个极端中间。

纯模仿学习的天花板是示范者的水平，人类教练教不出超过自己的学生，而且人类示范里根本没有「摔倒后怎么爬起来继续打」这种数据。

纯强化学习从零开始探索，在网球这种动作空间巨大、奖励稀疏的任务上，搜索成本高到不现实，而且容易学出一些人类完全看不懂的怪异动作，能赢球，但不像打球。

先用人类先验打底，再用自主进化拔高。

这本身不算新，AlphaGo当年也是先学人类棋谱，再自我对弈。新的地方在于，十年前这套方法在棋盘上跑通，十年后它第一次在需要身体的任务上跑通。

某种意义上，这正是AstraTennis与AlphaGo之间最迷人的技术呼应。

AlphaGo的时代，智能在棋盘上思考；而这一次，智能开始进入物理世界。

这绝不仅是一场网球赛。这个AstraTennis时刻证明：在碳基与硅基共生的新纪元里，中国力量，开始创造更多奇迹。