Cela fait 43 ans.
En 1983, John Billingsley publiait le premier article sur les robots de tennis de table, intitulé "Robot Ping-Pong". À l'époque, le mieux que l'on pouvait faire était d'utiliser une articulation pour renvoyer la balle, et encore, depuis une position fixe.
Le 22 avril 2026, Nature a publié les résultats de la recherche du projet Ace de Sony AI – un robot, sur une table de niveau olympique au siège de Sony à Tokyo, a battu des joueurs amateurs d'élite, puis, lors de tests supplémentaires, a également battu un joueur de la ligue professionnelle japonaise.
C'est la première fois dans l'histoire de l'humanité qu'un robot atteint un niveau d'élite dans un sport de compétition réel.
Pas un environnement simulé, pas une démonstration dans des conditions spéciales – un format de compétition réel, un adversaire réel, une table réelle.
Comment Ace joue au tennis de table
Le chercheur de Sony AI, Peter Dürr, a dit une phrase qui peut servir de note à cet événement :
"Il est absolument impossible de programmer manuellement un robot pour jouer au tennis de table. On ne peut apprendre que par l'expérience."
Ace utilise l'apprentissage par renforcement – le robot découvre sa propre façon de jouer à travers des millions d'entraînements, au lieu que des ingénieurs lui disent "quand tu rencontres ce type d'effet, frappe comme ça". C'est aussi l'idée centrale des percées récentes en IA, d'AlphaGo à GPT.
Côté matériel, Ace possède 8 articulations contrôlant les mouvements, 9 caméras réparties autour de la table, et utilise des capteurs de vision basés sur les événements (event-based vision sensors) – ces capteurs réagissent beaucoup plus vite que les caméras classiques, avec une latence de l'ordre de la microseconde, conçus spécifiquement pour suivre des balles à haute vitesse. De plus, Ace peut identifier la direction de l'effet de la balle en reconnaissant le logo de la marque sur celle-ci – un détail intéressant.
Résultats :
- Contre 5 joueurs amateurs d'élite avec plus de 10 ans d'expérience et 2 joueurs professionnels ;
- A joué 13 manches au total, en a gagné 7, remportant 3 matchs ;
- Taux de retour des balles avec effet : 75%, ce qui a surpris les adversaires ;
- Après la soumission de l'article, a continué à s'entraîner et, lors de tests en décembre et mars de cette année, a battu des joueurs professionnels.
Il est à noter qu'Ace n'a pas gagné par la force brute – la vitesse de la balle n'a pas délibérément dépassé les limites humaines. Le président de Sony AI, Michael Spranger, a particulièrement souligné cette décision de conception :
"Le robot ne peut pas gagner en frappant plus vite que n'importe quel humain. Il doit gagner en jouant vraiment bien le jeu."
Imposer des "contraintes d'équité compétitive" à l'IA, pour qu'elle gagne dans le cadre des règles, plutôt que d'utiliser des capteurs et des moteurs pour dominer les humains – c'est une décision intelligente.
La différence avec la tentative de DeepMind
Il y a quelques années, Google DeepMind avait également mené un projet de robot de tennis de table, utilisant aussi l'apprentissage par renforcement, et cela fonctionnait – mais les tests se déroulaient tous dans des environnements contrôlés, sans adversaires humains d'élite comme référence d'évaluation.
La différence d'Ace : dans un lieu de compétition réel, contre des athlètes réels, évalué avec un format de compétition réel. C'est seulement cela qui compte comme "la première fois".
Kinjiro Nakamura, joueur de tennis de table aux Jeux Olympiques de Barcelone en 1992, a déclaré après avoir regardé Ace jouer que celui-ci avait exécuté une trajectoire de balle qu'il n'avait jamais vue et que les joueurs humains n'exécuteraient pas non plus – et il a ajouté : "Peut-être que les humains peuvent apprendre de nouvelles techniques de cela."
Cette déclaration donne à réfléchir.
"Le moment ChatGPT de la robotique"
Michael Spranger a utilisé une métaphore : le "moment ChatGPT" de la robotique.
La logique de cette analogie est : le scénario du tennis de table est essentiellement une tâche en boucle fermée qui nécessite une perception à haute vitesse + une prise de décision en temps réel + un contrôle physique précis. Si l'apprentissage par renforcement fonctionne ici, la fabrication, l'entreposage et les opérations de précision pourraient être conquis avec la même approche.
Avant ChatGPT, tout le monde savait que les modèles de langage pouvaient faire des choses, mais personne ne savait jusqu'à quel point. Ace pourrait être un point de basculement similaire pour la robotique.
Un petit bémol : bien que le tennis de table soit rapide, les règles sont fixes et le scénario est structuré. Les positions de pièces qui changent constamment dans les usines, des matériaux différents, des obstacles imprévus – ce sont toujours des problèmes plus difficiles. Ace n'a pas résolu tout cela complètement, il a seulement ouvert une porte.
Une porte ouverte, c'est déjà bien.
Pourquoi la voie technique mérite d'être mentionnée séparément
La complexité physique du tennis de table est réelle : des vitesses de balle supérieures à 150 km/h, une direction d'effet imprévisible, une position de réception variable, un style de jeu de l'adversaire qui change constamment. C'est bien plus difficile que les jeux de plateau – les jeux de plateau sont discrets, le tennis de table est continu, tridimensionnel, aléatoire.
Sony a ouvert de nouvelles voies sur deux points techniques :
- Capteurs de vision basés sur les événements : Contrairement aux caméras classiques qui capturent image par image, ces capteurs ne se déclenchent que lorsqu'un pixel change, avec une latence extrêmement faible, suivant les balles à haute vitesse avec beaucoup plus de précision que les caméras classiques.
- Apprentissage par renforcement sans modèle : Ne dépend pas de modèles de simulation physique, apprend directement de l'interaction réelle. Plus difficile à converger, mais meilleur pour généraliser aux incertitudes du monde réel.
Ensemble, ces deux points permettent à Ace d'atteindre dans le monde physique réel une précision qui n'était auparavant possible que dans des environnements simulés.
La soumission de l'article à Nature signifie qu'il a passé l'examen par les pairs. Nature a des normes de publication extrêmement strictes en robotique et en IA – ce n'est pas un document de relations publiques.
Du premier article en 1983 à la publication dans Nature en 2026, il a fallu 43 ans. Mais il est très probable que les progrès suivants ne nécessiteront pas 43 ans de plus.
Source de référence : 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)