索尼AI乒乓球机器人Ace登上《自然》：按正式规则击败精英选手，但两负职业选手
据2026年4月22日发表在《自然》杂志的论文，索尼AI的自主乒乓球系统Ace在2025年4月的比赛中对精英选手五战三胜，对两名日本T联赛职业选手全部落败。系统结合索尼半导体解决方案公司的事件视觉传感器、八自由度机械臂和在仿真中训练的强化学习策略，球体定位平均延迟为10.2毫秒。
索尼旗下研究机构索尼AI在《自然》杂志发表论文，称其研发的Ace是首个能与精英人类乒乓球选手抗衡的真实世界自主系统。论文于2026年4月22日刊登在该刊第652卷。按照正式比赛规则，Ace对精英选手的5场比赛赢下3场，对职业选手的2场比赛全部输掉。
具体数据如下。对手中的5名精英选手为3名女性和2名男性，均接受过10年以上系统训练，每周练习约20小时，Ace在13局中赢下7局。面对日本职业联赛T联赛的Minami Ando和Kakeru Sone，Ace在7局中赢下1局。论文称，所有比赛均在2025年4月进行，每位对手都是第一次与机器人交手。
发球是Ace的强项。面对精英组，它使用15种发球，凭发球直接得分16分，对手合计8分；面对职业选手，它使用13种发球拿到4分，对手为7分。索尼AI项目主页涵盖了2025年4月和12月与12名选手的比赛，并称Ace首次战胜了职业选手，但这一结果未纳入经同行评审的论文。
系统由三部分组成。感知层由9台同步常规相机以200赫兹频率对球进行三维三角定位，另有3套带事件视觉传感器的注视控制装置追踪球上印刷的标志以估算旋转，球体定位平均延迟为10.2毫秒。索尼AI介绍，事件传感器为与法国公司Prophesee联合开发的IMX636，常规相机采用索尼Pregius系列IMX273传感器。
机械臂为定制的八自由度结构，包括2个用于横向移动的移动关节和6个转动关节，结构件采用Scalmalloy材料并经拓扑优化，执行器以1毫秒周期同步，球拍胶皮为蝴蝶Dignics 05。论文显示，Ace能稳定回击速度最高14米每秒的来球，在旋转最高450弧度每秒时回球成功率保持在75%以上，最大线速度为16.4米每秒。
控制部分采用深度强化学习。团队用软演员评论家（SAC）算法完全在仿真中训练策略，采用非对称结构，策略接收带噪声的输入，评论家获得真实值。仿真器建模了随速度变化的马格努斯效应、球台反弹差异，并用神经网络修正球与球拍的接触。策略以31.25赫兹选择动作，再转换为避碰轨迹以1千赫兹执行，发球库则由遗传算法生成。
论文作者超过50人，第一作者为Peter Dürr，最后作者为Michael Spranger，主要单位为东京的索尼AI。索尼AI称传感器由索尼半导体解决方案公司提供，日本乒乓球器材品牌Victas作为运动合作伙伴协助招募选手和提供数据支持。
对中国产业而言，Ace提示了高速反应能力的来源。工业机器人通常沿预设轨迹高速重复作业，宇树、优必选等整机企业的人形机器人也仍以较慢的操作为主，而Ace展示了学习型控制在几十毫秒内应对不可预测输入的能力。对国内图像传感器和机器人感知企业而言，事件视觉与学习控制的结合是一个值得投入的方向。
论文结果本身也显示了局限。Ace在论文所载比赛中输给了两名职业选手，整套系统是围绕一张球台布置12台相机的固定装置，论文没有披露算力、训练时长和成本。对于无法像乒乓球和球台那样精确建模的任务，这套方法能否奏效尚未验证。
- 精英选手
- 5
- 5
- 3
- 13
- 7
- 16
- 8
- 职业选手（T联赛）
- 2
- 2
- 0
- 7
- 1
- 4
- 7
全部数据来自《自然》论文（DOI 10.1038/s41586-026-10338-5）披露值。每位对手与Ace各赛一场，因此场数等于人数。索尼AI项目主页提及的2025年12月比赛结果未计入。
截至 2026年10月1日
ROBOTNESS 分析
Ace的意义与其说是体育里程碑，不如说证明了事件视觉与仿真强化学习的组合能够弥合让机器人远离高速接触作业的延迟差距。
证据在技术栈中。10.2毫秒的感知回路、在1千赫兹轨迹层之上以31.25赫兹运行的策略、面对人类对手最高14米每秒的回球，都是在正式规则比赛中测得，而非摆拍演示。传感器、学习研究和系统集成同属一个集团，这样的公司并不多。
最有力的反驳是乒乓球是一个封闭世界。球的物理特性可以精确建模，工作空间固定，相机可以围绕球台布置。工厂和仓储场景存在柔性物体、杂乱和遮挡，同等仿真精度要难得多。
乐观情景。事件视觉传感器成为高速反应型机器人的标配，索尼半导体以Ace作为该市场的参考设计，训练方法延伸到高速分拣、接物和人机递交等任务。
悲观情景。Ace像以往的游戏AI一样停留在研究展示阶段。事件视觉需要全新的软件栈，客户继续采购常规相机，索尼也未以此为基础建立机器人业务。
值得关注的信号：
- 索尼半导体解决方案公司在截至2027年3月的财年内是否推出面向机器人厂商的事件视觉产品或参考套件。
- 项目主页提及的2025年12月比赛及战胜职业选手的结果是否以同行评审形式发表。
- 索尼AI是否在CoRL 2026或ICRA 2027发表将同一感知与控制架构用于体育以外操作任务的后续论文。
- 《自然》，2026年4月22日，第652卷第8111期，第886至891页
- 索尼AI（东京）
- 5场3胜，13局7胜
- 2场全负，7局1胜（T联赛Minami Ando、Kakeru Sone）
- 2025年4月，按正式比赛规则
- 平均10.2毫秒
- 9台200赫兹常规相机加3套事件视觉装置
- 8自由度（2个移动关节、6个转动关节），执行器1毫秒同步
- 仿真中训练的SAC强化学习
- 14米每秒内稳定回球；450弧度每秒旋转内回球率超75%
为何重要
多数机器人学习成果以慢速、预设任务的成功率评估，而Ace是以对抗中的胜负来评估的，对手全力求胜，几毫秒就能决定得失。这是学习型控制能够应对快速对抗性物理交互的最清晰公开案例之一，而这正是与人协同工作的机器人必须具备的能力。
对索尼的业务布局同样重要。图像传感器、AI研究和系统集成同在一个集团，论文记录了这些要素如何在真实系统中协同，这既是索尼AI的成果，也是索尼半导体解决方案公司的能力展示。
竞争对手分析
论文自称首创，目前尚无其他机构发表过机器人按正式规则战胜精英乒乓球选手的同行评审结果，因此竞争主要发生在底层技术上。与索尼联合开发IMX636的Prophesee是知名的独立事件视觉公司。在机器人控制领域，谷歌DeepMind、Physical Intelligence和Skild AI都在构建通用模型，但在公开结果中尚未展示类似的反应速度。
国内方面，宇树、优必选、智元等整机厂主攻通用平台，埃斯顿、新松等工业机器人厂商以高速重复轨迹见长。Ace所展示的是对不可预测输入的实时反应，这是学习控制与低延迟感知交汇之处，也是国内企业可以重点追赶的方向。
估值背景
索尼未披露索尼AI或Ace项目的投入，无法将成果与具体估值挂钩。作为市场对机器人智能定价的参照，按各公司公告，Skild AI于2026年1月融资14亿美元，估值140亿美元；Figure AI于2025年9月融资10亿美元，投后估值390亿美元。
对索尼而言，更直接的关联在传感器业务。一个有说服力的机器人应用案例，有助于扩大事件视觉产品线的需求基础。
供应链影响
Ace使用两类索尼传感器，即与Prophesee联合开发的事件传感器IMX636和Pregius系列IMX273。机械臂为定制硬件，采用拓扑优化的Scalmalloy部件和1毫秒同步执行器，球拍胶皮来自蝴蝶，选手招募合作方为Victas。
这一架构预示传感器厂商正向机器人集成靠拢。事件视觉需要专用处理软件，传感器厂商因此有动力提供完整感知模组而非单颗芯片。对国内图像传感器和机器人感知企业而言，模组化和软硬协同是值得借鉴的路径。
后续看点
索尼半导体若发布面向机器人厂商的产品，将显示商业化意图。其次是项目主页提及的2025年12月比赛能否以同行评审形式发表。第三是索尼AI是否将该架构用于操作、物流或人机递交任务。
时间节点包括2026年秋季的CoRL、2027年5月索尼年度业绩发布以及ICRA 2027。
分析师观点
核心判断：Ace是迄今最有力的公开证据，表明低延迟事件视觉加仿真强化学习能让机器人在与人的快速物理交互中具备竞争力。置信度：中等。
成果经过同行评审，在正式规则比赛中测得，延迟和速度数据精确，这些支持上述判断。但环境建模异常精确，装置固定且体量大，论文所载比赛中仍两负职业选手，因此置信度不宜定高。
值得追问的问题
Ace的表现在多大程度上依赖乒乓球的精确物理模型？换成无法同样精确仿真的物体会怎样？论文未披露的算力和训练时长是多少？
索尼是否会以传感器模组或感知参考设计的形式将部分技术商业化？2025年12月战胜职业选手的结果能否得到与2025年4月比赛同等标准的记录？