Sony 的乒乓機器人登 Nature 封面：20 毫秒反應時間打贏三個 elite 玩家，輸給職業選手
Sony AI 的 Ace 機器人登 Nature 2026-04-22 封面：20.2ms 延遲、9 台 IMX273 APS + 3 台 IMX636 EVS、8-DOF 輕量化手臂、1kHz 控制迴圈。對 elite 業餘選手 5 戰 3 勝,但原論文時點還贏不了職業選手。這不是 AGI，是 fast physical AI 的 proof-of-concept。
目錄+
一則推文，一個 Nature 封面
2026-04-22，pfung（@philfung）在 X 上貼了一段 Sony 機器人跟人類打乒乓的影片，配一行字：「Sony 的機器人 5 戰贏 3 個 elite 玩家，但輸給 2 位職業選手。機器人延遲約 20ms，人類 elite 玩家約 230ms。」底下掛了 Nature 論文連結與 GitHub。
這天，這台機器人的名字叫 Ace，登上 Nature 2026-04-22 封面，論文刊於 Nature 652, 886–891 (2026)，作者群來自 Sony AI Zurich，lead 是 Peter Dürr。這不是一篇單純「機器人做得到某件事」的論文——1983 年第一場機器人乒乓比賽辦到現在已經 40 多年，這中間機器人始終無法在物理運動層級挑戰高階人類，直到 Ace 出現。
硬體堆疊：感測陣列才是主角
大家會把焦點放在「機器手臂怎麼揮」，但 Ace 的真正祕密在感測端：
- 9 台 Sony IMX273 APS（active pixel sensor）攝影機，負責在 3D 空間定位乒乓球，頻率 200Hz、3.0mm 誤差、10.2ms 感測延遲
- 3 台 GCS（gaze control system）+ Sony IMX636 EVS（event-based vision sensor）專職量測球的自轉，最高可到 700Hz。EVS 的特性是只對亮度變化觸發事件，非常適合高速旋轉這種稀疏訊號
- 8-DOF 機器手臂，輕量化合金客製，能夠在短時間內完成大幅度擺動
- 1kHz 控制 policy 迴圈
整條 pipeline 從球離開對手球拍、進入視覺系統、到手臂開始動作，端對端延遲 20.2 毫秒。對比人類 elite 選手約 230 毫秒，差了一個數量級。但要注意：這 20.2ms 不是一台桌面 webcam 能湊出來的，它是在 9 APS + 3 EVS + 定製高速硬體上才達成的數字。
反應延遲比較（ms，Nature 2026）
資料來源：Sony AI 論文實測（Nature 652, 886–891）。
RL 架構：asymmetric actor-critic + zero-shot sim-to-real
訓練方法上，Ace 採用 asymmetric actor-critic（又叫 privileged-critic）架構：訓練時 critic 可以看到完整物理狀態（球的真實位置、速度、旋轉、對手拍面狀態），但 actor 只能看到機器人實際感測得到的資訊。這樣訓練出來的 policy 部署到實機時才不會「只會在 sim 裡打」。
整個 policy 全部在 simulation 中訓練，然後 zero-shot transfer 到實體機器人。這代表沒有在真實世界做 reward shaping、沒有現場微調，純模擬到實機直接上場。這件事本身就很反直覺——乒乓球這種涉及空氣阻力、球拍海綿形變、旋轉擾動的運動，居然能完全靠模擬訓到可以打贏人。
Ace 能處理球的自轉達 450 rad/s，整體回擊率超過 75%。
戰績拆解：elite 不等於 pro
很多人只看到「5 戰贏 3」就以為機器人已經打爆人類。真相更細：
- vs elite 玩家（平均一週練 20 小時的高階業餘）：5 戰 3 勝、serve ace 比分 16-8、Ace 使用 15 種不同發球
- vs pro 玩家（職業選手）：Nature 原論文時點對上的 2 位職業選手 Ace 全輸、serve ace 比分 4-7、用了 13 種發球
Nature 論文裡 Ace 並沒有贏過任何一位職業選手。論文提交 peer review 之後，Sony 在 2025 年底到 2026 年初又做了追加實驗，對 4 位高階選手贏了其中 3 位、包含一位職業選手，但這段是在論文資料之外的補充。
比賽採 ITTF 規則，現場由日本乒協持牌裁判執法。
AI 里程碑脈絡裡的位置
這篇論文的意義要放進一條更長的線來看：
- 1998 Deep Blue：國際象棋擊敗 Kasparov，數位離散空間
- 2016 AlphaGo：圍棋擊敗 Lee Sedol，數位離散空間、搜尋空間更大
- 2022 GT Sophy（Sony 前作，也上 Nature）：Gran Turismo 賽車遊戲達到人類頂尖水準，數位連續控制
- 2026 Ace：真實世界、物理連續運動、對人類專家級
前三個都在數位世界裡面，環境本身是確定的、可重播的、沒有物理摩擦的。Ace 是第一次 AI 系統在真實世界的物理運動競技項目上，達到人類專家等級。這是「physical AI」敘事從影片 demo 變成同行評審 Nature 封面的分水嶺。
降溫：不要過度解讀
興奮歸興奮，幾件事必須講清楚，不然會失真：
第一，20.2ms 是感測器堆出來的。 9 台 APS + 3 台 EVS + 專用控制硬體的成本和體積，絕對不是放家裡打球那種。把這簡化成「機器人比人快 10 倍」，會讓人以為這個速度可以直接搬到家用、服務型機器人上——不能。
第二，打贏 elite ≠ 打贏 pro。 原論文時點 Ace 對職業選手戰績是 0 勝 2 負。後續追加實驗雖然贏了一位職業選手，但不在 peer-reviewed 資料裡，嚴格說不能當作「職業級」的定論。
第三，單一任務、不泛化。 Ace 只會打乒乓。它的感測陣列是為乒乓球的尺寸、速度、自轉範圍客製化的；換到羽毛球、網球、桌遊，整套感測與 policy 都得重做。這跟語言模型那種「一個模型做 100 件事」完全是兩回事。
第四，這不是通往家用機器人的路。 它是「fast + precise physical AI」的 proof-of-concept——證明在給定足夠感測頻寬與模擬訓練的前提下，sim-to-real 可以 zero-shot 到專家級任務。這件事有用、有份量，但離「家裡擺一台幫你煮飯」還很遠。
結語
Ace 值得登 Nature 封面，不是因為它贏了幾局乒乓，而是因為它把 sim-to-real、event-based vision、asymmetric actor-critic 這幾個零散的 research 拼圖，組合成第一個在真實運動項目達到人類專家等級的系統。
它不是 AGI 到家的時刻。它是「physical AI」作為一個研究方向，終於有一張能放在 Deep Blue 和 AlphaGo 旁邊的封面。下一個問題是：當感測硬體便宜 10 倍、policy 可以從一個運動泛化到另一個運動時，這條曲線會到哪裡？