第九届中国国际进口博览会上，一张乒乓球桌吸引了不少观众驻足。
球台两端，没有专业运动员，而是两台宇树G1人形机器人。发球、挥拍、回球、调整站位，白色乒乓球在球台两侧来回穿梭，机器人一边判断来球方向，一边调整身体姿态，努力将每一次回击衔接起来。据现场媒体报道，宇树科技展台的两台G1人形机器人，最长一局完成了348拍的连续对打，刷新该项目公开可查的世界纪录。
据机器人大讲堂了解，本次现场体验由杭州智无际（EndlessAI）具身智能有限公司携手宇树科技共同完成，该公司是宇树科技“宇创计划”的首批生态企业，专注人形机器人全身作业智能的研发与产业化，从乒乓球、网球、篮球等竞技体育场景出发，探索人形机器人的AlphaGo时刻。
此前，智无际完成的人机对打挑战，更是高达1186拍，同样创下世界纪录。
在智无际看来，乒乓球不是一项单纯用于展示的机器人技能。它更像一场浓缩的具身智能考试。一个是机器人与机器人之间的自主竞技，一个是机器人与人类之间的实时交互。两种不同的对抗形式，将人形机器人从单纯的动作展示，推向了更复杂的动态交互。
球台很小，但机器人需要解决的问题，几乎覆盖了从感知、决策到全身控制的完整链路。当机器人开始真正理解一颗旋转的乒乓球，开始尝试在体育竞技这种真实物理环境中理解对手、预测变化，并通过身体完成连续行动，具身智能也就有了一个有趣好玩，又可以被反复检验、持续进化的真实场景。
这正是智无际一直在探索的机器人“AlphaGo时刻”——不是机器人某一次打赢人类，而是它能在连续对抗中自己学会调整、自己完成进化，把每一次击球都变成下一次变得更强的起点。
01.
乒乓球桌上的世界纪录，考验的不只是挥拍
为什么是乒乓球？如果只看动作，机器人打乒乓球似乎并不复杂。无非是看见球、抬起手臂、挥动球拍。但真正站上球台就会发现，乒乓球对机器人的要求，远远超过一个简单的机械动作。
乒乓球是一项高度动态的运动。球的速度、旋转、落点和反弹轨迹都在不断变化。上旋、下旋、侧旋会改变球的飞行和落台后的运动规律。同样一个落点，面对不同旋转，机器人需要采用不同的击球时机、拍面角度和身体动作。
这意味着，机器人不能依赖提前编排好的动作脚本。它必须在球飞行的过程中，持续获取视觉信息，判断球的位置、速度和运动趋势，预测落点，再迅速计算击球策略。随后，还要把决策转化为身体行动，完成移动、调整重心、挥拍击球，并为下一次来球做好准备。整个过程是一个持续循环的动态反馈系统。
从技术链路看，机器人至少需要跨过四道关。
第一道是动态感知。机器人不仅要看见球，还要从连续视觉信息中提取球的运动状态。尤其面对高速来球，单帧图像很难提供足够的信息，系统需要结合连续观测理解球的运动趋势。
第二道是预测与决策。机器人需要判断球将落在哪里、何时到达击球区域，以及应该采用什么样的回击方式。真正困难的地方在于，预测不能脱离动作规划，决策必须考虑机器人自身的运动状态和能力边界。
第三道是全身协调。击球并不是手臂单独完成的工作。机器人需要通过腿部移动调整站位，利用躯干和腰部协调发力，同时控制上肢完成挥拍。只要身体重心发生偏移，击球精度和下一次动作的稳定性就可能受到影响。
第四道是连续执行。机器人打回一个球，并不意味着任务结束。每一次击球之后，新的球又会到来，机器人必须迅速恢复姿态、重新判断环境，并进入下一轮动作。
因此，连续对打的意义，并不只是回合数量增加。一两次击球，可以通过相对简单的动作控制实现；连续数十次、数百次乃至超千次对打，则要求机器人在不断变化的物理环境中，维持感知、决策和执行之间的稳定协同。回合越多，系统暴露的问题也越充分。
这也是为什么，乒乓球等体育竞技赛事能够成为具身智能领域一个极具挑战性的测试场景。对于智无际而言，这种挑战恰恰是其技术路线所需要的验证。
02.
从看见到理解，机器人的全身能力成关键
智无际选择竞技体育作为技术突破口，并不是偶然。当前具身智能行业不少团队将研发重点放在双臂操作上，希望机器人能够完成抓取、搬运、放置等任务。但真实世界中的工作，并不总是发生在机器人站立不动的状态下。
人类在工作时，经常需要一边移动、一边观察、一边调整动作。机器人同样如此。如果机器人只能在固定位置完成抓取，却无法根据环境变化调整站位、姿态和动作，那么它的作业能力仍然存在明显边界。
智无际选择从乒乓球切入，实际上是在解决一个更底层的问题：如何让机器人在动态环境中，协调身体的多个部分，完成连续自主作业。
据机器人大讲堂了解，此前，智无际基于动捕方案的乒乓球机器人已经实现连续千余次对打。在此基础上，其进一步推出Pingbot纯视觉版，不再依赖专用动捕系统，而是通过自研高速视觉系统感知来球运动状态，实现对不同旋转来球的识别和响应，完成数十次稳定连续对打。
从动捕到纯视觉，变化的不只是设备配置。传统动捕方案可以向机器人提供较为精确的运动信息，但需要额外部署设备、进行场地配置和系统标定，对应用环境存在一定要求。纯视觉方案则将感知能力更多地交还给机器人自身，让系统通过视觉信息理解真实环境中的运动变化。
这一步的价值在于，机器人不再只是依赖外部设备告诉它球在哪里，而是开始自主获取信息、判断状态，并将判断结果转化为行动。
支撑这一过程的，是智无际自主研发的全身作业基础模型，以及“大脑感知决策—小脑实时动作生成—底层高精控制”的三级协同架构。
具体来看，这三个系统各司其职、紧密咬合。大脑侧负责理解环境、判断来球状态并规划回击策略。它要回答的是“现在发生了什么、我该打向哪里、用什么方式打”。在乒乓球场景中，大脑需要从连续视觉信息中提取球的旋转、速度和落点趋势，结合对手站位和自身能力边界，生成回击意图。
小脑侧负责结合当前运动状态实时生成动作。它要回答的是“我的身体现在是什么姿态、重心在哪、手脚该怎么配合才能把大脑的意图变成动作”。小脑把大脑的策略翻译成关节层面的运动指令，并在毫秒级时间内完成动作生成与调整。
底层控制则负责将动作转化为机器人的实际运动。它要回答的是“每个电机该出多大力、关节该转到什么角度、力矩如何分配”。底层控制需要在高动态击球过程中保持身体稳定，同时精准执行小脑下发的动作指令。
三个层级协同工作，形成从视觉输入到身体执行的完整闭环。大脑管“打哪里”，小脑管“怎么动”，底层管“动得准”。缺了任何一层，机器人都无法在高速对抗中完成移动、姿态调整与挥拍击球的连续闭环。这也解释了为什么单纯堆叠动作库或只做视觉识别，都很难撑起连续数百回合的自主对打，因为真正难的是三个系统在真实物理环境中持续对齐、持续纠错。三个层级需要紧密协同，才能让机器人在高速对抗中完成移动、姿态调整和挥拍击球。
更重要的是，智无际希望建立一套能够持续提升技能的技术体系。其自主研发的全身作业能力进化系统，将全身运控、技能组合与进化、场景大脑划分为不同层级，贯通数据采集、仿真训练、真机部署、验证反馈和技能进化的完整流程。
这意味着，机器人在球台上每一次动作的成功与失败，都可以成为下一轮能力优化的依据。从完成一个动作，到掌握一项技能，再到根据环境变化不断调整策略，背后是机器人学习方式的变化。
真正的具身智能，并非让机器人死记硬背更多动作，真正需要的是让它在动作失效时，仍然知道下一步该怎么做。
03.
竞技体育的商业闭环存在吗？
过去，行业谈到人形机器人的商业化，往往首先想到工厂、仓储、物流和家庭服务。
竞技体育却很少被放在同等重要的位置。业界不少人认为，机器人打球虽然好看，但距离实际生产还有距离。与工业生产相比，体育场景似乎缺乏足够明确的生产力价值。
但这可能低估了竞技体育本身的市场空间。
首先，体育场景拥有直接的商业消费需求。以乒乓球为例，它在中国拥有广泛的群众基础，学校、社区、体育场馆、商业综合体和专业训练机构，都有相应的运动需求。传统乒乓球陪练主要依赖人工，陪练人员的水平、时间和数量都会影响服务供给。
机器人陪练则提供了另一种可能。它可以按照不同水平设置回球难度，模拟不同速度、旋转和落点的来球，为初学者提供基础训练，也可以为有一定水平的运动爱好者提供更高频次的练习。
对于学校和青少年培训机构，机器人可以成为标准化教学辅助工具；对于商业场馆，它可以成为具有互动体验属性的运动设备；对于文旅和商业综合体，人机对打本身就具备较强的观赏性和参与感。
更进一步，竞技体育还可以向专业训练延伸。机器人可以根据训练目标，重复提供特定落点、旋转和节奏的来球，让运动员针对薄弱环节进行强化训练。相较于完全依赖人工陪练，这种可重复、可调节的训练方式具有一定的差异化价值。
当然，机器人目前并不能直接替代专业运动员和高水平陪练。它的商业价值也不应该建立在这一前提上。更现实的路径，是先从大众运动、标准化训练、互动娱乐和教育科研等需求切入，逐步扩大应用范围。
这也说明，竞技体育并不是一个必须等待技术成熟后才能进入的场景。它本身就可以形成产品、服务和消费的商业闭环。
更重要的是，体育场景还有另一层容易被忽视的价值，那就是它能够为具身智能提供持续训练和验证的环境。
乒乓球的任务目标明确，击球是否成功、球是否过网、回合是否持续，都可以被直观观察和量化。球速、旋转、落点和击球节奏又能够不断变化，使机器人面对持续更新的任务挑战。这种兼具明确目标与动态变化的场景，非常适合建立技能训练、能力评估和迭代反馈体系。
换句话说，机器人在球台上不仅是在提供一项运动服务，也是在训练自身，优化自身。
04.
从一张球台出发
竞技体育不仅仅有望能够带来直接的商业收入，它对机器人产业更深层的价值，是技术能力的迁移。
乒乓球与工业生产看似相距甚远，但两者在底层能力上存在不少共通之处。例如在工业分拣中，传送带上的物体不断移动，机器人需要识别物体的位置和运动状态，预测其到达时间，并及时调整抓取动作。这与乒乓球场景中的来球感知和轨迹预测，有着相似的技术要求。
在动态装配中，机器人需要根据零件位置和自身姿态，协调手臂、躯干与底盘完成操作。这与球类运动中的移动、重心调整和挥拍动作，同样涉及全身协调控制。
在商业服务中，机器人需要在人群中移动，理解周围环境的变化，并根据人的行为及时调整动作。这又与竞技体育中的实时感知和动态交互形成了能力上的关联。
当然，这并不意味着一套乒乓球算法可以直接拿到工厂使用。不同场景在任务目标、精度要求、环境约束和安全标准上都有明显区别，需要针对具体任务进行适配。
但底层能力可以复用。类似动态视觉感知、运动轨迹预测、实时决策、全身协调、连续任务执行，这些能力并不属于某一项体育运动，它们是人形机器人走向复杂物理世界所需要的通用能力。
这也是智无际持续布局乒乓球、网球和篮球等不同运动场景的原因。不同运动对应着不同的能力侧重。乒乓球强调高速感知、快速响应和精细击球；网球进一步考验移动范围、正反手切换和更大空间内的运动规划；篮球则涉及目标追踪、空间判断、身体协调和连续动作执行。当机器人在多个高动态任务中反复训练，逐步积累的就不再是某一项运动的固定动作，而是能够跨任务迁移的全身作业能力。
在2026年世界物理AI大会暨宇树合作伙伴生态大会上，智无际就曾携自研球类运动机器人矩阵亮相，并成为宇树科技公布的宇创计划中的首批生态共建伙伴，体现出智无际与宇树在全身作业智能方向上的技术探索与生态协同正在快速展开。
从产业分工看，人形机器人本体提供运动和执行基础，算法模型决定机器人如何理解环境、组织技能并完成任务，场景则为能力训练和商业验证提供真实反馈。三者之间形成协同，才有机会推动机器人从单一动作展示走向自主作业。
05.
结语与未来
回到进博会的那张乒乓球桌，真正值得关注的或许不是机器人又多打了多少个回合，当机器人能够自主看球、判断旋转、调整站位、完成击球，并在下一回合到来时继续作出反应，它已经开始具备在动态物理环境中持续行动的能力。
乒乓球桌不是人形机器人的终点，而是一块能够看见技术进步、检验全身能力、承接真实需求的试验田。竞技体育也不应该只是人形机器人产业化之前的过渡性展示。它既可以成为机器人直接服务消费者的商业场景，也可以成为全身作业智能持续进化的训练场。
从一颗高速旋转的乒乓球开始，智无际希望探索的，是机器人如何真正理解物理世界，并在一次次真实交互中不断提升自己的能力。这条路指向的，正是智无际反复提到的机器人“AlphaGo时刻”：让机器人在真实对抗中持续学习、自主进化、不断突破能力边界，而不是停留在一次高光动作或一场表演里。
让机器人更高、更快、更强——更智能。
这或许才是人形机器人竞技体育背后，更值得期待的产业价值。
