Das ist 43 Jahre her.
1983 veröffentlichte John Billingsley die erste Arbeit über Tischtennis-Roboter mit dem Titel "Robot Ping-Pong". Damals war es möglich, den Ball mit einem Gelenk zurückzuschlagen – allerdings nur von einer festen Position aus.
Am 22. April 2026 veröffentlichte Nature die Forschungsergebnisse des Ace-Projekts von Sony AI: Ein Roboter besiegte auf einem olympischen Tisch im Sony-Hauptquartier in Tokio erstklassige Amateurspieler und in anschließenden Tests auch einen japanischen Profispieler.
Dies ist das erste Mal in der Menschheitsgeschichte, dass ein Roboter in einer realen Wettkampfsportart Spitzenniveau erreicht hat.
Keine simulierte Umgebung, keine Demonstration unter Sonderbedingungen – echte Spielregeln, echte Gegner, echter Tisch.
Wie Ace Tischtennis spielt
Sony-AI-Forscher Peter Dürr sagte einen Satz, der als Anmerkung zu diesem Ereignis dienen kann:
"Es ist völlig unmöglich, einen Roboter per Handprogrammierung Tischtennis spielen zu lassen. Das kann man nur aus Erfahrung lernen."
Ace verwendet Reinforcement Learning – der Roboter entwickelt seine Spielweise in Millionen von Trainingsdurchläufen selbst, anstatt dass Ingenieure ihm sagen: "Bei diesem Spin schlägst du so." Dies ist auch der Kernansatz der KI-Durchbrüche der letzten Jahre, von AlphaGo bis GPT.
Auf der Hardware-Seite hat Ace 8 Gelenke zur Bewegungssteuerung, 9 Kameras rund um den Tisch und verwendet ereignisbasierte visuelle Sensoren (event-based vision sensors) – diese Sensoren reagieren viel schneller als herkömmliche Kameras, mit Verzögerungen im Mikrosekundenbereich, und sind speziell für die Verfolgung von Hochgeschwindigkeitsbällen ausgelegt. Außerdem kann Ace die Drehrichtung des Balls erkennen, indem es das Markenlogo auf dem Ball identifiziert – ein interessantes Detail.
Ergebnisse:
- Gegen 5 erstklassige Amateurspieler mit über 10 Jahren Erfahrung und 2 Profispieler;
- Insgesamt 13 Sätze gespielt, 7 gewonnen, 3 Spiele für sich entschieden;
- Rücklaufquote bei Spinbällen: 75%, was die Gegner überraschte;
- Nach Einreichung der Arbeit weiter trainiert und in Tests im Dezember und März dieses Jahres Profispieler besiegt.
Bemerkenswert ist, dass Ace nicht durch rohe Gewalt gewann – die Ballgeschwindigkeit wurde nicht absichtlich über die menschliche Grenze getrieben. Sony-AI-Präsident Michael Spranger hob diese Designentscheidung besonders hervor:
"Der Roboter darf nicht gewinnen, indem er schneller schlägt als jeder Mensch. Er muss gewinnen, indem er das Spiel wirklich gut spielt."
Der KI "Wettbewerbsfairness-Beschränkungen" aufzuerlegen, damit sie innerhalb der Regeln gewinnt, anstatt mit Sensoren und Motoren den Menschen zu überwältigen – das ist eine kluge Entscheidung.
Der Unterschied zu DeepMinds Versuch
Vor einigen Jahren hatte auch Google DeepMind ein Tischtennis-Roboterprojekt, ebenfalls mit Reinforcement Learning, und es funktionierte – aber die Tests fanden alle in kontrollierten Umgebungen statt, ohne erstklassige menschliche Gegner als Bewertungsmaßstab.
Der Unterschied bei Ace: In einer echten Wettkampfumgebung, gegen echte Athleten, mit echten Spielregeln bewertet. Erst das gilt als "das erste Mal".
Kinjiro Nakamura, Tischtennisspieler bei den Olympischen Spielen 1992 in Barcelona, sagte nach dem Zuschauen, Ace habe einen Ballweg gespielt, den er noch nie gesehen habe und den auch menschliche Spieler nicht ausführen würden – und fügte hinzu: "Vielleicht können Menschen hier neue Techniken lernen."
Diese Aussage gibt zu denken.
"Der ChatGPT-Moment der Robotik"
Michael Spranger verwendete eine Metapher: den "ChatGPT-Moment" der Robotik.
Die Logik dieses Vergleichs: Das Tischtennis-Szenario ist im Kern eine geschlossene Aufgabe, die Hochgeschwindigkeitswahrnehmung + Echtzeitentscheidung + präzise physikalische Steuerung erfordert. Wenn Reinforcement Learning hier funktioniert, könnten Fertigung, Lagerhaltung und Präzisionsoperationen mit demselben Ansatz bewältigt werden.
Vor ChatGPT wusste jeder, dass Sprachmodelle etwas tun können, aber niemand wusste, in welchem Ausmaß. Ace könnte ein ähnlicher Wendepunkt für die Robotik sein.
Ein kleiner Dämpfer: Tischtennis ist zwar schnell, aber die Regeln sind festgelegt, das Szenario ist strukturiert. Ständig wechselnde Positionen von Teilen in Fabriken, unterschiedliche Materialien, unerwartete Hindernisse – das sind immer noch schwierigere Probleme. Ace hat diese nicht vollständig gelöst, sondern nur eine Tür geöffnet.
Eine geöffnete Tür ist gut.
Warum der technische Ansatz gesondert erwähnt werden sollte
Die physikalische Komplexität von Tischtennis ist real: Ballgeschwindigkeiten von über 150 km/h, unvorhersehbare Drehrichtungen, wechselnde Treffpunkte, sich ständig ändernde Spielweisen der Gegner. Das ist viel schwieriger als Brettspiele – Brettspiele sind diskret, Tischtennis ist kontinuierlich, dreidimensional, zufällig.
Sony hat bei zwei technischen Punkten neue Wege beschritten:
- Ereignisbasierte visuelle Sensoren: Anders als herkömmliche Kameras, die Bild für Bild aufzeichnen, lösen diese Sensoren nur bei Pixelveränderungen aus, haben extrem niedrige Latenz und verfolgen Hochgeschwindigkeitsbälle viel genauer als normale Kameras.
- Modellfreies Reinforcement Learning: Keine Abhängigkeit von physikalischen Simulationsmodellen, direktes Lernen aus realen Interaktionen. Schwerer zu konvergieren, aber besser geeignet, um mit Unsicherheiten in der realen Welt umzugehen.
Zusammengenommen ermöglichen diese beiden Punkte Ace, in der realen physikalischen Welt eine Präzision zu erreichen, die zuvor nur in Simulationsumgebungen möglich war.
Die Einreichung bei Nature bedeutet, dass das Peer-Review bestanden wurde. Nature hat extrem strenge Veröffentlichungsstandards in den Bereichen Robotik und KI – das ist keine PR-Mitteilung.
Von der ersten Arbeit 1983 bis zur Nature-Veröffentlichung 2026 vergingen 43 Jahre. Aber sehr wahrscheinlich werden die nächsten Fortschritte keine weiteren 43 Jahre brauchen.
Quellenangabe: Meet 'Ace,CocoLoop', the paddle-wielding robot who just beat humans at ping pong in AI breakthrough (Fortune); Outplaying elite table tennis players with an autonomous robot (Nature); Sony AI table tennis robot outplays elite human players (Robohub)