8 月 22 日，第二届世界人形机器人运动会开幕式上，银河通用人形机器人在全球直播镜头下完成全自主网球对抗——发球、正手、反手、接发、底线调动、网前截击，整套动作连贯流畅，双打环节与人类队友实时协作，摔倒后自主站起。这是全球首场人与机器人的大型赛事直播，被定义为具身智能的「AstraTennis 时刻」。
过去的机器人演示围绕行走、跳舞和预设动作展开。网球完全不同——每一个来球都有不同的速度、方向和落点，机器人不能提前固定下一步，只能根据现场信息不断调整。
在这场比赛中，银河通用机器人展现的是接近真实运动员的完整能力：
双打环节的表现超出了单纯的动作执行。机器人没有按照固定程序击球，而是与人类队友实时协作，观察来球方位，根据队友位置和对手变化完成战术配合。它理解了双打的基本逻辑：空间分配、攻防转换、队友意图的预判。
一个诚实的注脚：
机器人不存在人类运动员常见的心理波动。无论比分领先还是落后，不会出现焦虑或急躁，始终专注于下一球的处理。这种稳定性在竞技体育中构成了独特的优势——人类选手在关键分上可能出现技术变形，而机器人始终保持一致的决策标准和动作精度。
注：以上能力描述基于第二届世界人形机器人运动会开幕式网球表演赛的公开直播记录，由中央广播电视总台面向全球直播。
支撑赛场表现的是银河通用自主研发的具身智能大模型银河星脑。按照官方介绍，他们将大脑、小脑和神经控制放在同一套模型架构中，分别处理比赛理解、动作规划和身体执行。
感知→规划→执行分属不同系统，模块间切换存在延迟，难以应对高速动态场景。
大脑、小脑、神经控制统一架构，从局势理解到身体执行全流程无断点，毫秒级响应。
三者的分工相对清晰：
大脑负责理解比赛、组织攻防、判断如何与队友协同，解决的是策略层面的问题——思考怎样才能赢下比赛。它处理的信息包括来球方向、速度和落点，对手的位置和习惯，以及双打中队友的站位和意图。
小脑负责把决策转化为毫秒级全身协调的流畅动作。网球击球发生在极短的时间窗口内，机器人需要在高速跑动中完成全身动态平衡，让双腿、躯干、手臂乃至腕部形成高度协同。
神经控制则连接决策与执行，确保信息传递的实时性和准确性。
注：集于一模的架构意味着机器人可以在单一系统内完成从局势理解到身体执行的全流程，不需要在不同系统间切换和适配——这对后续规模化落地至关重要。
比大小脑协同更关键的问题是：机器人从哪里学会这些能力？
传统机器人训练依赖高质量遥操作数据——由人类操作员遥控机器人完成动作，再将数据用于训练。这种方法在工业场景中尚可应用，在网球场景中几乎不可获得：没有人能够长时间以遥操作方式控制人形机器人完成高水平的网球动作。
银河通用选择了一条不同的路。
其核心技术平台银河星坊承担了两项功能：
银河星坊构建了一个高精度虚拟网球世界，在其中设定不同的球速、落点、旋转和对手条件，为机器人提供持续且丰富可控的训练场景。机器人在模仿人类的基础上，通过千万拍试错学习高爆发跑动与连续击球控球。进一步通过多个智能体相互对练博弈，涌现出更高层的策略与技战术。
最终需要攻克的还有从虚拟到真实的鸿沟。虚拟环境是理想化的，没有真实世界的地面摩擦不均、光线变化、风力干扰和设备噪声。银河通用通过技术手段，让机器人在虚拟世界中习得的技能，能够迁移到充满不确定性的真实赛场。
这与 AlphaGo 构成了跨越十年的技术呼应。AlphaGo 在封闭数字棋盘上通过自我博弈提升棋力，面对的是静态且规则明确的棋局。AstraTennis 将博弈智能推入真实物理世界——高速运动且需要瞬间作出反应，智能不再止步于思考。
注：虚拟训练等效时长并非连续时间，而是多智能体并行训练的累计时长。技能迁移的核心在于虚拟环境中的变化足够丰富，使机器人学会应对不确定性。
AstraTennis 时刻对具身智能行业的深层影响，首先体现在训练数据范式的转变。
长期以来，具身智能难以走出实验室的核心瓶颈之一，就是训练数据的获取。传统方法依赖高质量遥操作数据，采集成本高、周期长，场景受限。一家机器人公司如果要让机器人在家庭中完成叠衣服、洗碗、整理书架等任务，需要雇佣大量操作员，花费数月时间采集数据，且每次进入新场景都要重新采集。
银河星坊的核心突破在于证明：从不完美的人类数据中学习，并在虚拟环境中通过多智能体博弈实现技能涌现，这条路是通的。
这意味着训练数据不再依赖完美的真人示范，数据获取的门槛和成本可以被大幅降低。对于整个行业而言，这改变了此前的成本结构和商业化节奏。当数据不再是稀缺资源，具身智能的迭代速度会显著加快，更多场景的应用将变得经济可行。
从全球竞争格局来看，AstraTennis 是全球首次在大型赛事直播中完成人形机器人全自主对抗。当海外同行还在展示行走稳定性和单点技能时，中国团队已经在真实赛场上完成了感知、决策、控制、博弈的完整闭环，且是在全球观众的实时注视下。
当公众和投资者在全球直播中看到机器人与人类运动员完成多拍对打和战术配合，具身智能以可感知的技术现实出现在公众视野中。接下来的就是资本的加速，以及人才和供应链资源向物理 AI 聚集，推动更多场景方愿意开放真实环境供机器人训练。
过去，工厂、医院、酒店等场景方对引入人形机器人持观望态度，一个重要原因是看不到明确的能力边界。AstraTennis 验证的不仅是一家公司的技术能力，更是一种可复用的训练范式——当机器人在网球这种复杂场景中都能通过虚拟训练加技能迁移的方式习得能力，其他场景的应用前景也会变得更加清晰。
注：行业影响分析基于公开报道与产业观察，实际商业化节奏受多重因素影响，包括政策、成本、场景适配度等。
从棋盘到球场，人工智能跨越的不只是场景——当机器人在高速动态、充满不确定性的真实赛场上自主博弈，具身智能的「数据困境」被撕开了一道口子。未来三年，家庭服务与工业协作场景将率先感受到这一范式的冲击。
2016 年，AlphaGo 在棋盘上战胜李世石，人工智能在数字世界的复杂博弈中抵达顶峰。
2026 年，AstraTennis 在网球场上接住了世界名将的回球——数字智能开始向物理智能延伸。
从棋盘到球场，智能不再止步于思考。