這件事過了43年。
1983年，John Billingsley發表了第一篇乒乓球機器人論文，名為"Robot Ping-Pong"。那時候能做到的，是用一個關節把球打回去，還得靠固定位置。
2026年4月22日，Nature發表了Sony AI的Ace項目研究成果——一台機器人在東京Sony總部的奧運級別球檯上，打贏了業餘菁英選手，隨後在追加測試中也打贏了日本職業聯賽選手。
這是人類歷史上第一次，機器人在一項真實的競技性體育運動裡達到菁英級水準。
不是模擬環境，不是特定條件下的演示，是真實賽制、真實對手、真實球檯。
Ace是怎麼打乒乓球的
Sony AI研究員Peter Dürr說了一句話，可以當這件事的註腳：
「根本沒有辦法靠手寫程式讓機器人打乒乓球。只能從經驗裡學。」
Ace用的是強化學習——讓機器人在數百萬次訓練中自己摸索出打法，而不是工程師告訴它「遇到這種旋轉這麼打」。這也是近年來AI突破的核心思路，從AlphaGo到GPT都靠這套。
硬體層面，Ace有8個關節控制動作，9個攝影機分布在球檯周圍，用的是事件驅動視覺感測器（event-based vision sensors）——這類感測器比普通攝影機反應快得多，延遲低至微秒級，專門用來追蹤高速運動的球。另外，Ace還能透過辨識球上的品牌Logo來判斷旋轉方向，這個細節挺有意思。
成績單：
- 對陣5名有10年以上經驗的業餘菁英選手，以及2名職業聯賽選手；
- 共打了13局，贏了7局，拿到3場比賽的勝利；
- 旋轉球的回球率達到75%，這讓對手們都表示意外；
- 論文提交後繼續訓練，在12月及今年3月的測試裡贏了專業選手。
值得注意的是，Ace沒有靠暴力制勝——球速沒有刻意超越人類極限。Sony AI總裁Michael Spranger特意提到這個設計決策：
「機器人不能靠打得比任何人都快來贏，它必須靠真正打好這個遊戲來贏。」
給AI設置「競技公平性約束」，讓它在規則框架內贏，而不是用感測器和馬達碾壓人類——這個判斷挺聰明。
跟DeepMind那次有什麼不一樣
幾年前，Google DeepMind也做過乒乓球機器人專案，也用了強化學習，也跑通了——但測試都在受控環境，沒有真正意義上的菁英人類對手作為評測基準。
Ace的不同在於：在真實競技場合，對陣真正的運動員，用真實賽制評判。這才算是「第一次」。
1992年巴塞隆納奧運會乒乓球選手Kinjiro Nakamura看了Ace打球之後說，Ace打出一個他從未見過、人類選手也不會執行的球路——然後補了一句：「也許人類能從這裡學到新技術。」
這話耐人尋味。
「機器人的ChatGPT時刻」
Michael Spranger用了一個比喻：機器人領域的「ChatGPT時刻」。
這個類比的邏輯是：乒乓球這個場景，本質上是一個需要高速感知+即時決策+精準物理控制的閉環任務。如果強化學習能在這裡跑通，那製造業、倉儲、精密操作，可能都能用同樣的思路攻下來。
ChatGPT之前，大家都知道語言模型能做事，但不知道能做到那個程度。Ace可能是機器人領域類似的轉折點。
稍微潑點冷水：乒乓球雖然快，但規則是固定的，場景是結構化的。工廠裡隨時變化的零件位置、不同材質的物體、非預期的障礙，這些還是更難的問題。Ace沒有完全解決這些，只是打開了一扇門。
門打開了就是好事。
為什麼技術路徑值得單獨說
乒乓球的物理複雜性是真實的：球速可達每小時150公里以上，旋轉方向不固定，接球位置不固定，對手打法隨時變化。這比棋盤遊戲難得多——棋盤遊戲是離散的，乒乓球是連續的、三維的、隨機的。
Sony在兩個技術點上走出了新路：
- 事件驅動視覺感測器：不同於普通攝影機的逐幀捕捉，這類感測器只在像素發生變化時觸發記錄，延遲極低，追高速球比普通攝影機準得多。
- 無模型強化學習：不依賴物理模擬模型，直接從真實互動中學。更難收斂，但更能泛化到現實中的不確定性。
這兩點放在一起，讓Ace能在真實物理世界裡做到之前只有模擬環境才能實現的精準度。
論文投稿給Nature，意味著同儕審查通過了。Nature在機器人和AI領域的發表標準極嚴，這不是公關稿。
從1983年的第一篇論文到2026年的Nature，用了43年。但很可能，接下來的進展不需要再等43年了。
參考來源：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）