機器人首秀網球場，銀河通用突破具身智能「AstraTennis時刻」

銀河通用用一場真實對抗證明：大腦、小腦與數據閉環正在融合。作者丨鄧哲敏 編輯丨董子博 8 月 22 日，北京國家速滑館“冰絲帶”，第二屆世界人形機器人運動會開幕，中央廣播電視總檯把鏡頭切向一片真實的網球場。一臺人形機器人站在場內，對面來球時速超過 50 公里，它幾毫秒內判斷落點、移動腳步、扭轉身體、揮拍——球擦著網帶划過去，落在界內。發球、正手、反手、底線調動、網前截擊，一路打下來，沒有掉鏈子。熱身賽雙打環節，它和人類隊友配合，會補位、會換戰術。高速攻防裡，它上演了一次極限救球，然後重重摔倒，又自己撐著地面站起來，接著打。完成全球首次全自主網球對打的人形機器人，來自銀河通用。

十年前，AlphaGo 證明了 AI 會想；而如今，銀河通用要證明的，是 AI 會做。從會想到會做，人類等了整整十年。這正是我們（）願意把它看成一個標誌性時刻的原因：它刷新了一個單項指標，更把人形機器人第一次推到了思考與行動同時在線的真實賽場上。銀河通用給這個時刻起了個名字：AstraTennis 時刻。01大腦想怎麼打，小腦負責打得漂亮今天賽場上銀河通用人形機器人打網球的表現，一點都不像過去印象裡的機器人。它的擊球是擬人的，腳步先到位，身體帶動手臂，上下半身協同發力，揮拍流暢，落點精準。更難得的是通用——它可不只會一種打法。發球、正手、反手，各種擊球方式它都掌握。

底線調動、網前截擊、控制球路和落點，這些擊球策略也拿得出手。單打、雙打都能上場，還會根據賽制調整策略。和人配合的時候，它有戰術意識，能根據現場情況臨時做決策。高速對抗中摔倒了，也能快速爬起來接著打。判斷運動員能力如何，不僅看本人發揮，還得看對面站的是誰。銀河通用人形機器人對面站的，是曾經贏得大滿貫的網球名將鄭潔。面對這樣的高手，它在完成動作的同時，還需要琢磨這一分怎麼贏。怎樣才能讓機器人做到邊打邊想呢？銀河通用的答案，是一個叫銀河星腦（AstraBrain）的具身大模型。

它最大的特點，是把人形機器人需要的幾件事，焊在了同一個模型裡：大腦，負責理解和決策——判斷來球落點、決定怎麼打、組織戰術、判斷雙打時怎麼和隊友配合；小腦，負責運動控制——高速跑動中的全身平衡、高爆發的揮拍、擬人的動作；腦橋，負責把大腦的決策翻譯成小腦的動作指令。過去，這三件事往往拆成不同的模塊，各管一攤，接口的地方就容易掉鏈子。銀河星腦把它們做成一個整體，這也是“全球首個大腦-小腦-神經控制一體化的全身全手端到端大模型”這個說法的底氣。

回到球場上看，這種一體化的價值就顯出來了：一個球過來，大腦在毫秒級判斷“這是深球還是淺球、該進攻還是防守”，小腦同時已經在執行“向左滑步、下蹲、引拍”；球拍觸球的一瞬間，大腦還要更新判斷——“剛才這球落點不夠刁，下一拍要壓線”。這種邊想邊打的實時閉環，只有一體的架構才接得起來。熟悉AI科技評論（公眾號）的朋友可能想起來了，今年 6 月 CVPR 2026 期間，我們寫過銀河通用的 AstraBrain-WBC 0.5，那篇文章講的是小腦如何在實驗室裡把零樣本泛化做到 92.58%、把推理延遲壓到 1.5 毫秒以下。這次的 AstraTennis，是同一套體系在真實對抗裡的首次亮相。

小腦再強，也只是半臺機器。大腦和小腦能不能在真實對抗裡協同起來，才是具身智能真正的成人禮。02在不完美的人類數據裡學習銀河通用創始人兼 CTO 王鶴認為：打網球是人形機器人的“終極考場”。誰能在網球上交出答卷，誰就證明自己同時解決了“小腦”和“大腦”的問題。賽場上要想展現出好的運動控制和實時決策，場下少不了大量練習。人類可以反覆練，可以看職業球員的視頻模仿，機器人要學動作，傳統方法靠遙操作。但是，在網球這種高速對抗裡，人自己都反應不過來，遙操作採集的數據根本用不上；要用動作捕捉系統完整記錄一場真實比賽，又昂貴到幾乎不可能實現。

老路走不通，銀河通用換了一條路：AstraBrain Latent，全球首個面向網球對抗的人形機器人全身實時智能規控算法。名字取得有講究，latent 是“潛在、隱含”的意思。這個算法要做的，正是從一堆看似不完美、不完整的人類動作數據裡，把怎麼打球的潛在規律挖出來。這裡有個反常識的思路，值得展開說。做機器人的都知道，動作數據越專業越好，最好是專業遙操員的完整動作，一幀一幀都標準。銀河通用的團隊偏偏反著來：他們跳過“完美數據”，直接採集普通人正手擊球、反手擊球、側向滑步、交叉步這些零散的基礎動作片段，再靠算法把這些片段組合、修正、泛化，拼出一套完整的網球技能。

理由很簡單，完美數據太貴、太難拿；而這些不完美的數據裡，其實已經藏著人體運動最核心的先驗——重心怎麼轉移、手臂怎麼揮、腳步怎麼蹬地。剩下的，交給算法。這個思路的價值不止在網球。它意味著，機器人學習運動技能的門檻可以大幅降低。不需要等頂尖運動員配合採集，不需要昂貴的動作捕捉設備，從湊合的數據裡也能提煉出真本事。為了讓機器人在高速對抗裡動作不走樣，團隊還引入了一個叫“隱空間動作屏障”的機制——在隱空間裡劃一道邊界，讓機器人的動作始終落在“像人”的風格範圍內，同時根據來球實時調整站位和揮拍軌跡。訓練時再主動加進隨機擾動，機器人就慢慢學會了自我糾錯。到了這一步，它打的是“活球”，會臨場應變。

03在虛擬世界裡，和千萬個自己對練網球這麼難，光靠喂數據還不夠。銀河通用手裡還有一張牌：它自己造了一個虛擬網球世界。這個世界的底座，是銀河通用自研的百億級具身智能數據集銀河星坊。訓練的路線分兩步：先在虛擬環境裡做海量預演，讓機器人和不同水平的虛擬對手持續博弈、對練、反思；練到位了，再到真機上做少量校準。最關鍵的一步，是“多智能體博弈”。傳統的路子是讓機器人模仿人，一個動作一個動作地學；銀河通用讓機器人自己跟自己打——兩個甚至更多智能體在仿真裡互相對抗，你打我一拍，我琢磨怎麼接回來，再改進。練著練著，一些訓練時沒專門教過的能力，會自己“長”出來。這正是大模型時代最被看重的東西——技能湧現。

數據喂到一定量級，量變引起質變，機器人學會了舉一反三。更關鍵的是，虛擬世界裡練出來的這些技能，能遷移到真實球場。這也是 AstraTennis 時刻能出現在全球直播裡、沒有停留在實驗室視頻裡的根本原因。到這裡，一條完整的技術鏈路就清楚了：銀河星腦負責想和動，AstraBrain Latent 負責從殘缺數據裡提煉技能，銀河星坊負責提供訓練場景和對手。三樣東西合在一起，才有了球場上那臺會打網球的機器人。04結語： 摔倒了、站起來、往前走整場比賽裡，讓我們印象最深的畫面，是它摔倒的那一下。高速攻防中，銀河通用人形機器人沒接住那個極限球，重重摔在地上。

然後，沒有工作人員衝上來扶，也沒有人喊停，它自己快速站起來，準備接下一球。這個細節，比任何參數都更震撼。它說明這不是一場只存在於實驗室裡的表演。機器人的運動控制，已經強到能在真實世界的意外裡自我恢復。再往大里看，銀河通用走通的這條路——大腦決策、小腦執行、數據湧現，三者一體——給整個具身智能行業提供了一個可複用的範式。過去，人形機器人每學會一個新動作，往往要重新採數據、重新訓練。而一個通用的運控基座，意味著舞蹈、巡檢、救援、家務可以共用同一套“身體操作系統”，邊際成本隨規模遞減。眼下，這套能力已經在別處跑了起來。

智慧藥房裡，機器人從上萬種商品中挑出目標、交給騎手；工業產線上，Galbot S1 雙臂能扛起 50 公斤的物料。網球，只是它最新點亮的一塊拼圖。從數字世界到物理世界，從落子到揮拍，AI 走了整整十年，才從屏幕裡站出來，真正踏上人類生活的地板。上車，帶你看遍全球 AI 頂會精華可獨家暢覽：專家演講PPT大會報告全文熱門論文解讀學術新星訪談掃描上方二維碼或點擊「閱讀原文」關注專區。