宇树G1进博会打乒乓球：348拍刷新纪录，智无际纯视觉方案曝光
第九届中国国际进口博览会上，一张乒乓球桌吸引了不少观众驻足。球台两端，没有专业运动员，而是两台宇树G1人形机器人。发球、挥拍、回球、调整站位，白色乒乓球在球台两侧来回穿梭，机器人一边判断来球方向，一边调整身体姿态，努力将每一次回击衔接起来。据现场媒体报道，宇树科技展台的两台G1人形机器人，最长一局完成了348拍的连续对
第九届中国国际进口博览会上，一张乒乓球桌让不少观众停下脚步。球台两边站着的不是专业选手，而是两台宇树G1人形机器人。发球、挥拍、回球、调整站位，白色乒乓球在两侧来回穿梭，机器人一边判断来球方向，一边调整身体姿态，尽量把每一次回击衔接上。据现场媒体报道，宇树科技展台的这两台G1最长一局连续对打了348拍，刷新该项目公开可查的世界纪录。
据机器人大讲堂了解，这次现场体验由杭州智无际（EndlessAI）具身智能有限公司和宇树科技共同完成。智无际是宇树科技“宇创计划”的首批生态企业，主攻人形机器人全身作业智能的研发与产业化，从乒乓球、网球、篮球等竞技体育场景入手，寻找人形机器人的AlphaGo时刻。
在此之前，智无际完成的人机对打挑战达到1186拍，同样创下世界纪录。
在智无际看来，乒乓球并不是单纯拿来展示的机器人技能，更像一场浓缩的具身智能考试。机器人与机器人之间的自主竞技是一种形式，机器人与人类之间的实时交互是另一种。两种对抗形式不同，都把昔日只会做动作展示的人形机器人推向了更复杂的动态交互。
球台不大，可机器人要解决的问题几乎覆盖了从感知、决策到全身控制的整条链路。当机器人开始真正理解一颗旋转的乒乓球，尝试在体育竞技这种真实物理环境里读懂对手、预判变化，再通过身体完成连续行动，具身智能也就有了一个既有趣好玩、又能被反复检验和持续进化的真实场景。
这正是智无际一直在找的机器人“AlphaGo时刻”——重点不在机器人某一次打赢人类，而在于它能在连续对抗中自己学会调整、自己完成进化，把每一次击球都变成下一次更强的起点。
01.
乒乓球桌上的世界纪录，考验的不只是挥拍
为什么选乒乓球？只看动作，机器人打乒乓球好像并不复杂：看见球、抬起手臂、挥动球拍。可真正站上球台就会发现，这项运动对机器人的要求远不止一个简单的机械动作。
乒乓球是高度动态的运动，球的速度、旋转、落点和反弹轨迹一直在变。上旋、下旋、侧旋会改变球的飞行路线和落台后的运动规律。同一个落点，碰上不同旋转，机器人得换击球时机、换拍面角度、换身体动作。
这就意味着，机器人不能靠提前编排好的动作脚本。它必须在球飞行过程中持续获取视觉信息，判断球的位置、速度和运动趋势，预测落点，再快速算出击球策略。之后还要把决策变成身体行动，完成移动、调整重心、挥拍击球，同时为下一板做准备。整个过程是一个不断循环的动态反馈系统。
从技术链路看，机器人至少得跨过四道关。
第一道是动态感知。机器人不光要看见球，还得从连续的视觉信息里提取球的运动状态。尤其是面对高速来球，单帧图像很难提供足够信息，系统需要结合连续观测去理解球的运动趋势。
第二道是预测与决策。机器人要判断球会落在哪里、何时进入击球区域，以及该用什么样的方式回击。真正难的地方在于，预测不能脱离动作规划，决策必须把机器人自身的运动状态和能力边界算进去。
第三道是全身协调。击球不是手臂单独干的活。机器人要通过腿部移动调整站位，借助躯干和腰部协调发力，同时控制上肢完成挥拍。只要身体重心偏了，击球精度和下一板动作的稳定性都可能受影响。
第四道是连续执行。打回一个球，任务并没有结束。每一次击球之后，新的球又会过来，机器人必须迅速恢复姿态、重新判断环境，进入下一轮动作。
所以连续对打的意义，不只是回合数量变多。一两次击球，靠相对简单的动作控制就能实现；连续数十次、数百次乃至超千次对打，则要求机器人在不断变化的物理环境里，维持感知、决策和执行之间的稳定协同。回合越多，系统暴露的问题也越充分。
这也是乒乓球等体育竞技赛事能成为具身智能领域极具挑战性的测试场景的原因。对智无际来说，这种挑战恰恰是其技术路线需要的验证。
02.
从看见到理解，机器人的全身能力成关键
智无际挑竞技体育作为技术突破口，并非偶然。眼下具身智能行业里，不少团队把研发重点放在双臂操作上，希望机器人能完成抓取、搬运、放置等任务。但真实世界中的工作，并不总是发生在机器人站着不动的状态下。
人干活时，经常要一边移动、一边观察、一边调整动作，机器人也一样。如果它只能在固定位置完成抓取，没法根据环境变化调整站位、姿态和动作，那作业能力仍然有明显边界。
智无际从乒乓球切入，其实是在解决一个更底层的问题：怎么让机器人在动态环境中协调身体的多个部分，完成连续自主作业。
机器人大讲堂获悉，智无际早先用动捕方案做的乒乓球机器人，已能连续对打千余次。Pingbot 纯视觉版就是在此基础上推出的：它不再需要专用动捕系统，改由自研高速视觉系统判断来球的运动状态，能识别不同旋转并作出响应，稳定连续对打可达数十次。
从动捕到纯视觉，变的不只是设备配置。传统动捕方案能给机器人提供较为精确的运动信息，但需要额外部署设备、做场地配置和系统标定，对应用环境有一定要求。纯视觉方案则把感知能力更多交还给机器人自身，让系统通过视觉信息理解真实环境中的运动变化。
这么做之后，机器人不必再靠外部设备告诉它球在哪儿，而是自己去获取信息、判断状态，再把判断变成动作。
撑起这套流程的，是智无际自研的全身作业基础模型，以及“大脑感知决策—小脑实时动作生成—底层高精控制”的三级协同架构。
拆开看，三套系统分工明确，又咬得很紧。大脑这一侧管的是理解环境、判断来球状态、规划回击策略，要回答“眼下发生了什么、该往哪儿打、用什么方式打”。放到乒乓球场景里，大脑得从连续的视觉信息中抓出球的旋转、速度和落点趋势，再结合对手站位与自身能力边界，生成回击意图。
小脑这一侧管的是结合当前运动状态实时生成动作，要回答“身体现在是什么姿态、重心落在哪、手脚怎么配合才能把大脑的意图落成动作”。大脑的策略由小脑翻译成关节层面的运动指令，动作生成与调整要在毫秒级时间内完成。
底层控制管的是把动作变成机器人真实的运动，要回答“每个电机出多大力、关节转到什么角度、力矩怎么分配”。高动态击球过程中，身体要稳得住，小脑下发的动作指令也要精准执行。
三层一起转，才串起从视觉输入到身体执行的完整闭环：大脑管“打哪里”，小脑管“怎么动”，底层管“动得准”。少了哪一层，机器人都没法在高速对抗中连着完成移动、姿态调整和挥拍击球。这也说明，光堆动作库或者只做视觉识别，都很难撑住连续数百回合的自主对打——真正难的地方，是三个系统在真实物理环境里持续对齐、持续纠错。三个层级必须紧密协同，机器人才能在高速对抗中完成移动、姿态调整和挥拍击球。
更关键的一层，是智无际想建一套能让技能持续提升的技术体系。其自研的全身作业能力进化系统把全身运控、技能组合与进化、场景大脑分成不同层级，打通数据采集、仿真训练、真机部署、验证反馈和技能进化这一整条流程。
也就是说，机器人在球台上每一次动作是成是败，都能变成下一轮能力优化的依据。从一个动作做成，到一项技能掌握，再到随环境变化不断调整策略，变的其实是机器人的学习方式。
真正的具身智能，不是让机器人把更多动作背下来，而是动作失效的时候，它仍然知道下一步该怎么走。
03.
竞技体育能不能跑通商业闭环？
以往行业聊人形机器人怎么商业化，最先想到的通常是工厂、仓储、物流和家庭服务。
竞技体育很少被摆到同样重要的位置上。业界不少人觉得，机器人打球是好看，可离实际生产还差得远。跟工业生产比，体育场景似乎拿不出足够明确的生产力价值。
不过，这种看法可能低估了竞技体育自身的市场空间。
先说体育场景的直接消费需求。乒乓球在中国群众基础很广，学校、社区、体育场馆、商业综合体、专业训练机构都有运动需求。传统陪练靠人工，陪练人员的水平、时间和数量都会卡住服务供给。
机器人陪练是另一种解法。回球难度可以按水平分档设置，不同速度、旋转和落点的来球都能模拟，初学者能拿来练基础，有一定水平的爱好者也能获得更高频次的练习。
放到学校和青少年培训机构，机器人可以当标准化教学辅助工具；放到商业场馆，它是带互动体验属性的运动设备；放到文旅和商业综合体，人机对打本身就有观赏性和参与感。
再往深走，竞技体育还能延伸到专业训练。机器人能按训练目标反复喂出特定落点、旋转和节奏的来球，让运动员针对薄弱环节做强化。比起完全靠人工陪练，这种可重复、可调节的方式有它的差异化价值。
当然，机器人眼下还替代不了专业运动员和高水平陪练，它的商业价值也不该建在这个前提上。更现实的走法，是从大众运动、标准化训练、互动娱乐和教育科研这些需求切进去，再慢慢扩大应用范围。
这也说明，竞技体育不是非得等技术成熟了才能进的场景，它本身就能形成产品、服务和消费的商业闭环。
还有一层价值容易被忽略：体育场景能给具身智能提供持续训练和验证的环境。
乒乓球的任务目标很清楚，击球成没成、球过没过网、回合接没接上，都能直观看到并量化。球速、旋转、落点和击球节奏又一直在变，机器人面对的任务挑战也就不断更新。目标明确、变化又动态，这种场景很适合搭起技能训练、能力评估和迭代反馈的体系。
换句话说，机器人在球台上既是在提供一项运动服务，也是在训练自己、优化自己。
04.
从一张球台起步
竞技体育有望带来直接的商业收入，但对机器人产业更深一层的价值，是技术能力的迁移。
乒乓球和工业生产，乍看隔得很远，可底层能力上相通的地方不少。拿工业分拣来说，传送带上的物体一直在动，机器人得认出它在哪里、往哪走，算准什么时候到位，再及时调整抓取动作——这跟打乒乓球时要判断来球、预测轨迹，技术要求很像。动态装配也一样：零件在哪、自己是什么姿态，机器人要协调手臂、躯干和底盘一起完成操作，和球类运动里的移动、重心调整、挥拍动作一样，考验的都是全身协调控制。
商业服务里，机器人得在人群中穿行，读懂周围环境的变化，跟着人的动作及时调整，这又和竞技体育中的实时感知、动态交互对上了。当然，这不代表一套乒乓球算法能直接搬进工厂。任务目标、精度要求、环境约束、安全标准，不同场景差别明显，还得针对具体任务做适配。
但底层能力是可以复用的。动态视觉感知、运动轨迹预测、实时决策、全身协调、连续任务执行，这些本事不属于哪一项运动，它们是机器人走进复杂物理世界所需的通用能力。
智无际持续布局乒乓球、网球、篮球等不同运动场景，原因也在这里：不同运动练的能力各有侧重。乒乓球看重高速感知、快速响应和精细击球；网球把移动范围、正反手切换和更大空间内的运动规划推到更高要求；篮球则牵涉目标追踪、空间判断、身体协调和连续动作执行。机器人在多个高动态任务里反复训练，攒下的不是某一种运动的固定动作，而是能跨任务迁移的全身作业能力。
在2026年世界物理AI大会暨宇树合作伙伴生态大会上，智无际带去了自研球类运动机器人矩阵，同时成为宇树科技宇创计划首批生态共建伙伴。这说明两家在全身作业智能方向上的技术探索和生态协同，正快速铺开。
产业分工上，人形机器人本体提供运动和执行的基础，算法模型决定机器人怎么理解环境、组织技能、完成任务，场景则给能力训练和商业验证提供真实反馈。三方协同起来，机器人才有机会从单一动作展示走向自主作业。
05.
结语与未来
回到进博会那张乒乓球桌，机器人又多打了多少个回合，其实未必是最该看的。当它能自己看球、判断旋转、调整站位、完成击球，并且在下一回合到来时继续反应，它已经开始具备在动态物理环境里持续行动的能力。
乒乓球桌不是人形机器人的终点，而是一块试验田：看得见技术进步，检验得了全身能力，也接得住真实需求。竞技体育同样不该只是产业化之前的过渡性展示——它既能成为机器人直接服务消费者的商业场景，也能成为全身作业智能持续进化的训练场。
从一颗高速旋转的乒乓球出发，智无际想弄清楚的是：机器人怎样真正理解物理世界，并在一次次真实交互中提升自己。这条路指向的，是智无际反复提到的机器人“AlphaGo时刻”——在真实对抗中持续学习、自主进化、不断突破能力边界，而不是停在一次高光动作或一场表演里。
让机器人更高、更快、更强——更智能。这或许才是人形机器人竞技体育背后，更值得期待的产业价值。
