KAI打完一局乒乓球，人形机器人进入连续博弈阶段

超维动力人形机器人 KAI 近日亮相 2026 世界机器人大会，并与香港大学 MMLAB 的高动态人形机器人乒乓球系统 SMASH 2.0 完成了一场完整自主对局。

这场比赛按照 11 分制进行。两台机器人自主完成发球、接发球、逐分计分、发球轮换，并最终决出胜负。它的意义不在于机器人又学会了一个更容易传播的视频动作，而在于机器人第一次在真实环境中，把视觉感知、球路预测、全身运动、球拍控制和比赛规则串成了一个持续运行的闭环。

具身智能是让机器人在真实物理环境中感知、决策并执行动作的人工智能系统。 过去，人形机器人的展示往往以单次动作成功为主：走几步、抓起一个物体、完成一次挥拍，动作结束后系统也就停止了。但完整乒乓球对局要求机器人在连续几十个甚至更多的决策周期中不断观察结果、修正动作，并根据对手的回球重新选择策略。

这意味着，KAI 面对的已经不是“能不能击中球”的问题，而是“能不能理解正在进行一场比赛”。

从挥拍演示到完整比赛

乒乓球是一个被压缩到几平方米空间里的具身智能压力测试。球体尺寸小、飞行速度快、轨迹变化明显，机器人必须在有限时间内完成多项任务：识别来球位置，估计球速和旋转，预测落点，移动双脚调整站位，控制躯干和手臂，最后把球拍送到正确的击球点。

自主乒乓球对局是指机器人在没有人工逐球遥控的情况下，独立完成比赛流程和动作决策。 这一定义的关键不只是“机器人能够打回去”，还包括发球、接发球、回合衔接、规则执行和分数管理。只完成预先录制好的挥拍动作，或者由人类操作者实时指定落点，都不能等同于完整自主对局。

从公开信息看，KAI 与 SMASH 2.0 的演示至少覆盖了以下环节：

• 按照 11 分制进行比赛；
• 自主发球，并完成发球轮换；
• 根据来球完成接发球和回合击球；
• 在真实球台和真实乒乓球环境中持续运行；
• 自主进行逐分计分，并决出最终胜负。

这几个环节被放在一起，才构成真正有工程含义的“完整对局”。单次击球更像实验室里的单元测试，而一局比赛更接近系统集成测试：任何一个模块在中途失效，整个回合都会被打断。

为什么乒乓球比抓取更难

人形机器人抓取箱子，通常可以在相对稳定的环境里完成视觉定位、路径规划和执行。乒乓球则把环境不确定性、动作延迟和身体协调同时推到了高位。

第一，球的状态变化快。机器人不仅要看到球在哪里，还要推断球以什么速度、什么旋转方向飞来。乒乓球落台后会发生反弹，球拍击球后又会产生新的速度和旋转。一次视觉误差可能不会立刻表现为“看错了”，而会在几十毫秒后变成完全错误的击球位置。

第二，击球点不是固定的。机器人不能只让手臂伸向目标坐标，还要通过双足移动、髋部和腰部调整，把身体送到适合挥拍的位置。若站位偏了几厘米，手臂即使完成了正确轨迹，球拍角度和击球时机仍可能失效。

第三，动作之间不能相互独立。挥拍会改变身体重心，跨步会影响上肢稳定，手腕动作又会改变球拍的瞬时姿态。全身协同控制是让机器人同时协调双腿、躯干、手臂、手腕和手部多个自由度的控制方法。 对人类而言，这些动作几乎是下意识完成的；对机器人而言，它们需要由感知、规划和底层控制共同处理。

北京大学相关团队此前披露的人形机器人自主发球技术，也把这类问题概括为“感知—决策—运动”的统一闭环：机器人需要同时处理球体接触、手指释放、手臂挥摆、手腕姿态和身体重心。KAI 此次完成完整比赛，则把类似的全身协同要求从一次发球扩展到了连续对抗。

KAI的关键价值，不只是“像人”

超维动力的路线并不是只做一台会打球的人形机器人。该公司同时布局人形机器人 KAIBot、灵巧手 KAI Hand、数据采集设备 KAI Halo、世界模型和 AI 基础设施，试图把人类经验采集、模型训练、机器人执行和真机反馈连接起来。

世界模型是用于预测环境状态变化、动作结果以及物体之间关系的模型。 在乒乓球场景里，世界模型可以理解为机器人对“球接下来会飞到哪里、击球后会产生什么结果、当前站位是否足够”的内部预测机制。它不只是识别一帧图像，而是要在时间维度上理解运动过程。

灵巧手是具备多自由度手指和精细接触控制能力的机器人末端执行器。 在乒乓球比赛中，灵巧手的价值不一定体现在复杂抓取本身，而在于稳定控制球拍、调整手腕和处理接触过程。对机器人来说，球拍与球的碰撞时间极短，末端姿态稍有偏差，回球方向就会完全不同。

超维动力联合创始人、香港大学教授罗平此前提出过一个重要判断：机器人可能是具身大模型的“用户”。这个说法改变了人们理解机器人公司的方式。语言模型通过云端服务人类用户，而具身模型则需要通过机器人进入现实世界，接收感知信息，生成行动方案，再从执行结果中获得新的物理经验。

在这条路线中，KAI Bot 的角色并不只是最终销售的硬件产品。它更像是一台参考本体，负责采集数据、验证算法，并把模型输出放到真实环境里接受检验。机器人每次失败，理论上都可以为下一轮数据整理、模型训练和控制策略优化提供反馈。

高自由度带来能力，也带来成本

KAI 的设计思路强调较高的拟人化和全身协作能力。接近成年人的身高和臂展，可以让机器人直接使用现有的桌面、货架、门把手和工具；颈部自由度可以复现人类操作时的视角变化，肩部结构有助于扩大手臂前伸范围，腰部则可以支持前倾和更深位置的操作。

但自由度越多，控制难度并不会线性增加，而可能快速上升。公开资料提到，KAI 的控制空间涉及 115 个自由度。自由度是机器人能够独立改变的关节或运动变量数量。 115 个自由度意味着机器人可以表现出更丰富的动作，但也意味着标定、碰撞约束、动力学建模、实时控制和故障处理都更加复杂。

因此，超维动力采用了逐步解锁关节的工程思路：算法早期先锁定部分新增自由度，让基础任务运行起来，再逐步开放颈部、肩部和腰部能力。这个策略类似于先让系统在较小的控制空间里学会稳定走路，再逐步引入更多身体变量，而不是一开始就同时控制全部关节。

高自由度本身并不等于高性能。一个动作更像人类，不代表它一定比简化结构更快、更省电或更稳定。真正需要验证的是：新增关节是否提高了任务成功率，是否减少了人类数据迁移过程中的信息损失，是否能够在更多任务中复用，而不是只在展示项目里产生更复杂的动作。

“自主”含金量要看系统边界

这场比赛值得关注，但也不能把一次公开演示直接等同于通用人形机器人已经具备稳定运动智能。

首先，乒乓球场地是一个高度结构化环境。球台尺寸固定，地面平整，目标物体数量少，任务边界清晰。与家庭和工厂相比，这里的视觉干扰、障碍物和任务目标都更少。机器人能在球台前完成一局比赛，说明它解决了一个高动态控制问题，但不能直接证明它可以处理开放环境中的家务或工业任务。

其次，完整对局的表现指标仍然有限。公开报道确认了比赛流程和自主性，但目前没有披露每次击球成功率、平均反应延迟、连续回合数、能耗、硬件成本，也没有给出与真人、传统机械臂或其他人形机器人在统一条件下的对照数据。

第三，比赛策略的自主程度还需要更细的技术说明。自主计分和自主发球属于比赛闭环的重要部分，但机器人是否能够根据对手站位和回球习惯动态调整落点、旋转和攻防节奏，决定了它究竟是在执行一套稳定策略，还是已经具备有限的实时博弈能力。

可以用下面的维度理解当前这项成果：

| 能力层级 | 典型表现 | 技术含义 | | --- | --- | --- | | 单动作执行 | 完成一次挥拍或发球 | 证明动作控制链路可运行 | | 连续回合 | 多次观察来球并完成回球 | 需要处理实时感知和动作修正 | | 完整对局 | 发球、接发球、计分、轮换并决出胜负 | 形成比赛级任务闭环 | | 动态博弈 | 根据对手状态调整落点和策略 | 接近更高阶的实时决策 | | 开放环境迁移 | 将能力迁移到家庭、工业等场景 | 检验通用具身智能价值 |

KAI 此次最明确地跨过了“完整对局”这一层。它距离动态博弈和开放环境迁移还有多远，需要后续公布更多实验数据才能判断。

与行业其他路线相比，KAI在押注什么

当前人形机器人行业大致存在三种路线。

第一种路线强调本体运动能力，重点是行走、跑跳、平衡和抗扰动。它们通常先解决机器人如何稳定移动，再向上叠加操作能力。第二种路线强调灵巧操作，通过高自由度机械手和机械臂完成抓取、装配、工具使用等任务。第三种路线则试图从数据和模型出发，把视觉、语言、动作和反馈统一起来，让机器人能够跨任务学习。

KAI 更接近第三种路线，但它没有把本体当作一个可以被忽略的执行端。超维动力选择同时做机器人、灵巧手、数据采集设备和模型基础设施，核心判断是：如果模型团队不直接面对真机失败，就很难知道数据缺什么；如果硬件团队不理解模型需要什么，也很难设计适合学习和控制的本体。

这种全栈路线的好处是反馈链条短。传感器布置、关节结构、数据格式、训练策略和控制接口可以一起迭代，乒乓球这样的高动态任务也能暴露软硬件之间的真实问题。代价则是研发投入大、产品线复杂，且每一层都需要达到足够成熟，系统才会出现整体收益。

超维动力真正想证明的，不是 KAI 能否成为一台会打乒乓球的机器人，而是同一套具身模型能否服务不同尺寸、不同构型的机器人。也就是说，KAI 可能只是第一个“用户”，未来还需要证明能力可以以更低成本迁移到其他本体。

这场比赛真正检验的是数据闭环

人形机器人今天最稀缺的资源不是概念，也不是单个演示动作，而是可持续获得、可验证、能迁移的数据。

人类示范数据包含大量隐含信息：观察视角如何变化，身体重心何时移动，手腕和手指如何协调，动作失败后怎样修正。如果只记录机械臂末端轨迹，往往会丢掉全身协作和接触反馈。高拟人本体的价值，正是在一定程度上保留这些信息，使人类经验更容易转化为机器人动作。

乒乓球对局则提供了一个清晰的数据回路：机器人看到了什么，做了什么动作，球如何运动，结果是否得分，失败原因是什么。相比“抓取成功”这类单次任务，比赛天然提供连续的结果信号。每一个回合都有明确反馈，每一分都可以用于分析决策、控制和策略。

但数据闭环能否带来规模化能力，还要看三个结果：第一，失败数据是否能够有效转化为训练样本；第二，训练出的策略是否能在不同球台、光照、球速和对手条件下稳定运行；第三，乒乓球中学到的全身协调能力，是否能够迁移到端物、开门、收纳和工具操作等任务。

如果这三点成立，乒乓球就不只是一次具有传播效果的机器人表演，而会成为具身模型训练和评估的一种标准化场景。

结语：从“会做动作”到“理解任务”

KAI 完成自主乒乓球完整对局，最值得记录的不是“机器人打赢了谁”，而是人形机器人开始以完整任务为单位接受检验。

过去的机器人演示常常围绕一个动作展开：把球打出去、把物体拿起来、走到指定位置。现在，评价标准正在发生变化。机器人需要在连续时间里观察环境、预测结果、执行动作、承担失败，并根据新信息做出下一步决定。

这仍然不是通用人形机器人已经成熟的证明。它更像是一个清晰的工程节点：感知、规划、控制和本体不再各自展示，而是共同完成了一项具有规则、反馈和胜负结果的真实任务。

对开发者和深度用户来说，接下来更值得关注的不是下一段更惊艳的视频，而是超维动力是否会公布连续回合成功率、反应延迟、训练数据规模、真机与仿真比例、跨场景迁移结果，以及 KAI 的能力能否进入其他机器人本体。

真正决定这条路线价值的，将不是一局比赛本身，而是这局比赛产生的数据，能否让下一台机器人更快学会下一项任务。

参考来源

• 人形机器人开始打国球了！两台机器人完整打完11分制比赛：介绍 KAI 与 SMASH 2.0 完成 11 分制自主乒乓球完整对局的公开信息。
• 超维动力KAI全栈具身智能硬核登场：相关公开资料汇总，涉及超维动力的全栈具身智能布局与产品路线。

本文发布于 2026 年 8 月 19 日，部分技术细节依据公开报道和演示资料整理。对于尚未公布的成功率、延迟、成本和训练数据规模，本文不作推测。