それから43年が経った。
1983年、ジョン・ビリングスリーが卓球ロボットに関する最初の論文「Robot Ping-Pong」を発表した。当時できたことは、固定位置から1つの関節でボールを打ち返すことだけだった。
2026年4月22日、NatureはソニーAIのAceプロジェクトの研究成果を発表した。東京のソニー本社にあるオリンピック仕様の卓球台で、このロボットがエリートアマチュア選手に勝利し、その後の追加テストでは日本のプロリーグ選手にも勝利した。
これは人類史上初めて、ロボットが実際の競技スポーツでエリートレベルのパフォーマンスを達成した瞬間である。
シミュレーションでも、特定条件下でのデモでもない。実際の試合形式、実際の対戦相手、実際の卓球台での成果だ。
Aceはどうやって卓球をプレイするのか
ソニーAIの研究員ピーター・デュア氏は、この成果を一言で要約している。
「ロボットに卓球をさせるプログラムを手書きする方法はまったくありません。経験から学ぶしかないのです」
Aceは強化学習を採用している。エンジニアが「この回転にはこう打て」と指示するのではなく、ロボット自身が数百万回のトレーニングを通じて打法を発見する。これはAlphaGoからGPTに至るまで、近年のAIブレークスルーの核となる考え方だ。
ハードウェア面では、Aceは動作に8つの関節を持ち、卓球台周辺に9台のカメラを配置。イベント駆動型ビジョンセンサーを使用しており、従来のカメラよりもはるかに高速で、レイテンシはマイクロ秒単位。高速で移動するボールの追跡に特化している。さらに、Aceはボールのブランドロゴを認識して回転方向を判断できるという、興味深い工夫も施されている。
戦績：
- 10年以上の経験を持つエリートアマチュア選手5名とプロリーグ選手2名と対戦；
- 全13ゲーム中7ゲームを勝利し、3試合で勝利；
- 回転球の返球率は75%に達し、対戦相手を驚かせた；
- 論文投稿後もトレーニングを継続し、12月と今年3月のテストではプロ選手に勝利。
特筆すべきは、Aceが圧倒的なパワーで勝利したわけではないことだ。ボールスピードを人間の限界を超えて意図的に上げることはしなかった。ソニーAI社長のマイケル・スプランガー氏は、この設計判断について次のように述べている。
「ロボットはどんな人間よりも速く打って勝つのではありません。ゲームをうまくプレイすることで勝たなければならないのです」
AIに「競技上の公平性の制約」を設け、センサーやモーターで人間を圧倒するのではなく、ルールの枠内で勝たせる。この判断は賢明だ。
DeepMindの取り組みとの違い
数年前、Google DeepMindも卓球ロボットプロジェクトに取り組み、強化学習を使用して動作を実現した。しかし、テストは管理された環境で行われ、エリートレベルの人間の対戦相手による評価基準はなかった。
Aceの違いは、実際の競技環境で、実際のアスリートと対戦し、実際の試合ルールで評価されたことだ。これこそが「初めて」と言える理由である。
1992年バルセロナオリンピックの卓球選手、中村欣二郎氏はAceのプレイを見て、自分が見たこともなく、人間の選手なら実行しないであろう球筋をAceが打ったと語り、こう付け加えた。「おそらく人間はここから新しい技術を学べるでしょう」
意味深長な言葉だ。
「ロボット分野のChatGPT的瞬間」
マイケル・スプランガー氏は比喩を用いた。ロボット分野における「ChatGPT的瞬間」だ。
その論理はこうだ。卓球というシナリオは、本質的に高速な知覚、リアルタイムの意思決定、精密な物理的制御を必要とする閉ループタスクである。強化学習がここで成功するなら、製造業、倉庫業務、精密作業も同じアプローチで攻略できる可能性がある。
ChatGPT以前、誰もが言語モデルに可能性を感じていたが、ここまでのレベルに達するとは予想していなかった。Aceはロボット分野において、同様の転換点となるかもしれない。
ただし、冷静な見方も必要だ。卓球は速いが、ルールは固定されており、環境は構造化されている。工場内で絶えず位置が変わる部品、異なる素材の物体、予期せぬ障害物などは、より難しい問題である。Aceはこれらを完全に解決したわけではなく、単に扉を開いたにすぎない。
扉が開いたこと自体は良いことだ。
技術的アプローチに注目すべき理由
卓球の物理的な複雑さは本物だ。ボールスピードは時速150kmを超えることもあり、回転方向は予測不能、着地点は一定せず、対戦相手のプレイスタイルは常に変化する。これはボードゲームよりもはるかに難しい。ボードゲームは離散的だが、卓球は連続的で、三次元的で、確率的である。
ソニーは2つの技術的ポイントで新境地を開いた。
- イベント駆動型ビジョンセンサー：従来のカメラが一定間隔でフレームをキャプチャするのに対し、これらのセンサーはピクセルに変化があった場合にのみ記録をトリガーする。レイテンシが極めて低く、高速なボールの追跡精度がはるかに高い。
- モデルフリー強化学習：物理シミュレーションモデルに依存せず、実際のインタラクションから直接学習する。収束は難しいが、現実世界の不確実性に対する汎化性能に優れている。
この2つを組み合わせることで、Aceはこれまでシミュレーション環境でしか実現できなかった精度を、現実の物理世界で達成している。
論文がNatureに投稿されたということは、査読を通過したことを意味する。NatureのロボティクスとAIに関する掲載基準は非常に厳格であり、これは広報資料ではない。
1983年の最初の論文から2026年のNatureまで、43年を要した。しかし、次のブレークスルーにはおそらくさらに43年はかからないだろう。
出典：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）