Isso foi há 43 anos.
Em 1983, John Billingsley publicou o primeiro artigo sobre robôs de tênis de mesa, intitulado "Robot Ping-Pong". Na época, o que se conseguia fazer era usar uma junta para rebater a bola, e ainda assim a partir de uma posição fixa.
Em 22 de abril de 2026, a Nature publicou os resultados da pesquisa do projeto Ace da Sony AI – um robô que, em uma mesa de nível olímpico na sede da Sony em Tóquio, venceu jogadores amadores de elite e, em testes adicionais, também venceu um jogador da liga profissional japonesa.
Esta é a primeira vez na história da humanidade que um robô atinge nível de elite em um esporte competitivo real.
Não é ambiente simulado, não é demonstração em condições especiais – é formato de competição real, adversário real, mesa real.
Como Ace joga tênis de mesa
O pesquisador da Sony AI, Peter Dürr, disse uma frase que pode servir de nota para este evento:
"Não há absolutamente nenhuma maneira de programar manualmente um robô para jogar tênis de mesa. Só se pode aprender com a experiência."
Ace usa aprendizado por reforço – o robô descobre sua própria forma de jogar através de milhões de treinos, em vez de engenheiros dizerem a ele "quando encontrar esse tipo de efeito, bata assim". Esta também é a ideia central dos avanços recentes em IA, de AlphaGo a GPT.
Em termos de hardware, Ace tem 8 juntas controlando movimentos, 9 câmeras distribuídas ao redor da mesa, usando sensores de visão baseados em eventos (event-based vision sensors) – esses sensores reagem muito mais rápido que câmeras comuns, com latência na casa dos microssegundos, projetados especificamente para rastrear bolas em alta velocidade. Além disso, Ace consegue identificar a direção do efeito da bola reconhecendo o logotipo da marca na bola – um detalhe interessante.
Resultados:
- Contra 5 jogadores amadores de elite com mais de 10 anos de experiência e 2 jogadores profissionais;
- Jogou 13 games no total, venceu 7, conquistando 3 partidas;
- Taxa de rebatida de bolas com efeito: 75%, surpreendendo os adversários;
- Após a submissão do artigo, continuou treinando e, em testes em dezembro e março deste ano, venceu jogadores profissionais.
Vale notar que Ace não venceu pela força bruta – a velocidade da bola não ultrapassou deliberadamente os limites humanos. O presidente da Sony AI, Michael Spranger, destacou essa decisão de design:
"O robô não pode vencer batendo mais rápido que qualquer humano. Ele tem que vencer jogando bem o jogo de verdade."
Impor "restrições de justiça competitiva" à IA, para que ela vença dentro das regras, em vez de usar sensores e motores para dominar os humanos – essa é uma decisão inteligente.
A diferença da tentativa do DeepMind
Há alguns anos, o Google DeepMind também fez um projeto de robô de tênis de mesa, também usou aprendizado por reforço, e também funcionou – mas os testes foram todos em ambientes controlados, sem adversários humanos de elite como referência de avaliação.
A diferença do Ace: em um local de competição real, contra atletas reais, avaliado com formato de competição real. Só isso conta como "primeira vez".
Kinjiro Nakamura, jogador de tênis de mesa nas Olimpíadas de Barcelona em 1992, disse após assistir Ace jogar que ele executou uma trajetória de bola que nunca tinha visto e que jogadores humanos também não executariam – e acrescentou: "Talvez os humanos possam aprender novas técnicas com isso."
Essa afirmação dá o que pensar.
"O momento ChatGPT da robótica"
Michael Spranger usou uma metáfora: o "momento ChatGPT" da robótica.
A lógica da analogia é: o cenário do tênis de mesa é essencialmente uma tarefa de ciclo fechado que exige percepção em alta velocidade + tomada de decisão em tempo real + controle físico preciso. Se o aprendizado por reforço funciona aqui, manufatura, armazenagem e operações de precisão podem ser conquistados com a mesma abordagem.
Antes do ChatGPT, todos sabiam que modelos de linguagem podiam fazer coisas, mas ninguém sabia até que ponto. Ace pode ser um ponto de virada semelhante para a robótica.
Um pequeno balde de água fria: embora o tênis de mesa seja rápido, as regras são fixas e o cenário é estruturado. Posições de peças que mudam constantemente em fábricas, materiais diferentes, obstáculos inesperados – esses ainda são problemas mais difíceis. Ace não resolveu tudo isso completamente, apenas abriu uma porta.
Porta aberta já é bom.
Por que o caminho técnico merece destaque
A complexidade física do tênis de mesa é real: velocidades de bola acima de 150 km/h, direção do efeito imprevisível, posição de recepção variável, estilo de jogo do adversário mudando constantemente. Isso é muito mais difícil que jogos de tabuleiro – jogos de tabuleiro são discretos, tênis de mesa é contínuo, tridimensional, aleatório.
A Sony abriu novos caminhos em dois pontos técnicos:
- Sensores de visão baseados em eventos: Diferente de câmeras comuns que capturam quadro a quadro, esses sensores só disparam quando um pixel muda, com latência extremamente baixa, rastreando bolas em alta velocidade com muito mais precisão que câmeras comuns.
- Aprendizado por reforço sem modelo: Não depende de modelos de simulação física, aprende diretamente da interação real. Mais difícil de convergir, mas melhor para generalizar para incertezas do mundo real.
Juntos, esses dois pontos permitem que Ace alcance no mundo físico real uma precisão que antes só era possível em ambientes simulados.
A submissão do artigo à Nature significa que passou pela revisão por pares. A Nature tem padrões de publicação extremamente rigorosos em robótica e IA – isso não é material de relações públicas.
Do primeiro artigo em 1983 à publicação na Nature em 2026, foram 43 anos. Mas é bem provável que os próximos avanços não precisem de mais 43 anos.
Fonte de referência: 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)