炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！

（来源：机器之心Pro）

编辑｜+0

昨天晚上，国家速滑馆「冰丝带」灯光亮起，第二届世界人形机器人运动会正式开幕。

还记得去年那些在赛场上「跌跌撞撞成长」的机器人吗？它们一边努力保持平衡，一边完成比赛，还贡献了不少名场面：摔倒后直接躺平、突然原地宕机、失控扭曲爬行。

一年过去，除了跑得更快、跳得更高，今年机器人参与的运动也在增加。足球、乒乓球、网球、啦啦操、拔河……其中，开幕式上还出现了一场人机网球对打。

开幕式的第一个展示项目，银河通用的网球机器人在网球场率先亮相，它握拍登场，与网球冠军郑洁、运动体验官李昀锐同场。

两个网球机器人先与两位嘉宾组成搭档，完成全球首场人机混合双打表演。随后，球网两侧只剩下郑洁和网球机器人，一场人机网球单打随即展开，这也是全球首场人形机器人与人类运动员之间的网球单打。

视频链接：https://mp.weixin.qq.com/s/gCNJS4aJxPGon8Nq1sxoEg

通过下面的解说视频可以看到，网球从对面飞来，网球机器人压低身体、横向移动，寻找击球点；球被打向底角，它用连续的小碎步调整位置，转动躯干，再挥拍回球。正手、反手、发球、接发、底线相持、网前处理，人和机器人打得有来有回。

视频链接：https://mp.weixin.qq.com/s/gCNJS4aJxPGon8Nq1sxoEg

比赛中也出现了一个小插曲。郑洁连续改变落点，网球机器人在追球过程中一度失去平衡，仰面摔在场地上。现场刚传来一阵惊呼，它已经翻身、撑地，重新站了起来（动作比不少久坐办公室的人从沙发上起身还要利索）。

值得一提的是，这场比赛，机器人可不是提前背好动作上场「表演」，而是真正自主打球：自己看球、自己判断、自己移动、自己挥拍。

眼看机器人球技已经超过不少刚入门的网球小白，看来以后约不到球友也不用发朋友圈求助了，机器人陪练可能马上安排上。

机器人如何完成一场网球比赛？

网球运动对于机器人而言，是一项综合性挑战。

在一场真实对抗中，机器人首先需要「看懂」比赛。面对高速飞来的网球，它需要判断球的方向、速度和预测可能落点，同时结合自身位置和对手状态，决定下一步移动方式以及击球策略。

当球飞向底角时，机器人需要快速移动到合适位置，通过步伐调整保持身体稳定；当进入连续对拉阶段，它需要根据上一拍结果重新规划下一次动作。这意味着每一次击球，都不是提前设定好的固定轨迹，而是一次实时决策过程。

在这一过程中，机器人还需要根据不同来球调整移动、身体转向和挥拍动作，并在出现失衡后恢复身体状态，继续参与比赛。

支撑这一过程的，是银河通用自主研发的具身智能大模型银河星脑（AstraBrain）。这一系统尝试将「大脑」「小脑」和神经控制结合起来，让机器人同时具备任务理解、运动规划和动作执行能力。

其中，「大脑」负责理解和决策。面对高速来球，机器人需要判断球的方向、速度和落点，结合对手位置和比赛状态，决定采用何种击球方式，以及下一步如何组织攻防。在双打场景中，它还需要理解队友和对手的位置变化，完成实时协作。

而「小脑」解决的是如何让身体真正动起来。网球击球发生在极短时间内，机器人需要在高速移动过程中保持动态平衡，让双腿、躯干、手臂和腕部形成协同，完成跑动、挥拍和动作修正。通过小脑控制，机器人的运动能够呈现更加连续和自然的运动状态。

但让机器人「会打网球」，并不只是解决运动控制问题。更关键的是，机器人如何获得这些运动经验？

银河通用采用了数据训练与虚拟环境结合的方式，让机器人从人类动作数据中学习，并在虚拟网球环境中模拟不同球速、落点和对抗条件。

具体而言，银河星数数据基座承担了数据生成和训练支持的作用：一方面，它能够将人类动作转化为机器人可以学习的数据；另一方面，也能够在虚拟环境中生成大量训练任务，让机器人在不同比赛条件下持续练习。

在虚拟网球世界中，机器人可以不断进行击球练习和智能体对抗，从基础回球逐渐学习连续击球、底线调动、落点控制等能力，再通过 Sim2Real 技术，将虚拟环境中形成的技能迁移到真实赛场。

因此，直播镜头下的一次跑动、一次回球，背后涉及数据学习、模型推理和身体控制等多个环节的协同。

从棋盘到球场，AI 如何把智能带进物理世界

2016 年，AlphaGo 战胜李世石，让人工智能第一次以复杂博弈的方式进入公众视野。AlphaGo 所采用的技术路径表明，面对状态空间庞大的任务，AI 可以通过大规模数据学习和自我博弈，逐步形成相应的策略能力。

如今，AstraTennis 面对的是物理环境中的运动控制问题。

围棋虽然复杂，但棋子的落点始终限定在十九路棋盘的交叉点上；真实世界中的运动环境则存在更多变量。网球会高速飞行，对手会临时改变线路，机器人的身体还会受到惯性、摩擦、平衡等物理条件影响。一次决策能否实际完成，不仅取决于判断是否准确，也取决于机器人的身体能否执行相应动作。

银河通用 CTO 王鹤在今年 WRC 论坛上，把网球列为人形机器人「AlphaGo 时刻」的代表任务之一。与 AlphaGo 在数字环境中处理复杂决策问题不同，机器人需要在高速、动态的物理环境中，将感知、学习、决策和身体控制连接起来。

这背后也对应着银河通用对「通用机器人」的理解。

王鹤在论坛上提到，人形机器人的「通用」并不只是让一台机器人学会尽可能多的动作，还包括已经获得的能力能否迁移到不同身体、不同任务上，而不是每换一种机器人本体，就从头训练一次。

今年首次公开亮相的双足人形机器人 Galbot ET1，就是这种思路的一次展示。ET1 与此前的 G1、S1 在本体形态上并不相同，但几种机器人背后采用的是同一条 AstraBrain 技术路线。对于机器人来说，这意味着「智能」开始尝试与某一套固定硬件解绑：身体可以变化，已经学习到的运动能力则尽可能保留下来。

其中一个关键技术是 AstraBrain-WBC，也就是银河星脑的「通用小脑」。王鹤在论坛上介绍，此前的 WBC 0.5 已经能够向训练中没有出现过的动作进行泛化，而 ET1 搭载的 WBC 1.0 进一步解决新的运动意图如何稳定映射为全身动作的问题。

也就是说，机器人不必提前见过每一个动作，才知道身体应该怎么动。

这也是人形机器人进入开放环境需要解决的问题之一。现实世界不可能提前列出一份完整的「动作清单」：今天是网球，明天可能是搬运、整理衣物，后天又换成新的工具和新的任务。如果每一种动作都要重新采集数据、重新训练模型，所谓「通用」就很难成立。

银河通用因此把运动能力的泛化放到了基础模型的框架下。按照王鹤在论坛上的介绍，AstraBrain-WBC 使用了大规模人类运动数据进行训练。随着数据规模增加，机器人的关节追踪误差持续下降。相关结果显示，全身运动控制也呈现出一定的 Scaling 趋势：不再针对每一个动作分别设计控制器，而是通过扩大数据规模和模型能力，提高机器人面对新动作时的泛化能力。

与此同时，训练数据的来源也不再局限于传统的真机遥操作。

银河通用提出了 AstraData「银河星数」五层数据体系，覆盖互联网数据、人类动作数据、合成仿真数据、真机遥操数据以及部署后的真机回流数据。不同层级的数据承担不同作用：互联网视频和人类动作提供运动先验，仿真数据用于扩大训练规模，真机数据则补充真实物理世界中的机器人轨迹，并在实际部署后继续回流、迭代。

这场网球展示了人工智能正在尝试完成从「会思考」到「会行动」的跨越，这也是 AstraTennis 与 AlphaGo 之间更深的一层联系。

结语

一场网球比赛，浓缩了机器人进入真实世界所需要面对的问题。

从看见网球，到判断落点，再到移动和击球，机器人需要完成一系列连续任务。这背后不仅涉及算法，也涉及机械结构、运动控制、数据训练以及与环境的交互。

未来，类似能力还可以应用于工业生产、家庭服务以及公共服务等真实场景。不同场景虽然任务不同，但都涉及一个共同问题——机器人如何感知和理解环境，并完成相应任务。

从网球场上的一次回球，也可以看到具身智能从训练和实验环境向真实应用场景延伸的一种尝试。

最后，希望早日把机器人陪练价格打下来！