Sony AI's bordtennis-robot slår professionelle spillere: Et vendepunkt for fysisk AI

For første gang nogensinde har en autonom robot besejret professionelle bordtennisspillere under officielle regler. Sony AI’s Project Ace blev den 23. april 2026 publiceret på forsiden af Nature, og resultaterne markerer en milepæl inden for robotik og kunstig intelligens, som forskere har jagtet i årtier.

Bordtennis er et af de mest krævende sportsgrene for en robot. Bolden kan bevæge sig med hastigheder op til 19,6 meter i sekundet og rotere med op til 450 omdrejninger i sekundet. Spillere skal reagere på brøkdele af et sekund og konstant tilpasse deres strategi. Det gør sporten til en perfekt testbænk for det, forskerne kalder “fysisk AI” – systemer der ikke bare tænker hurtigt, men også handler præcist i den virkelige verden.

Ni kameraer og 20 millisekunders reaktionstid

Ace-systemet er bygget op omkring en specialdesignet robotarm med otte frihedsgrader, fremstillet i lette legeringer optimeret til gentagne, højhastighedspåvirkninger. Armen er ikke noget standardprodukt fra hylden – den er konstrueret specifikt til at levere den stivhed og præcision, som bordtennis kræver.

Perceptionssystemet består af ni synkroniserede kameraer med Sonys IMX273 billedsensorer, der tracker bolden med 200 Hz og millimeterpræcision. Derudover bruger Ace tre event-baserede visionssensorer (IMX636) til at måle boldens rotation i realtid – en kapacitet der har været en af de største udfordringer i tidligere bordtennisrobotter. De event-baserede sensorer fungerer fundamentalt anderledes end traditionelle kameraer: i stedet for at tage billeder med faste intervaller registrerer de kun ændringer i lysstyrke, hvilket giver en tidsmæssig opløsning der langt overgår konventionel videoteknologi.

Den samlede latenstid fra sensorinput til fysisk handling er 20,2 millisekunder. Til sammenligning reagerer elitespillere på omkring 230 millisekunder. Det giver Ace en reaktionstid der er mere end ti gange hurtigere end de bedste menneskelige spillere – en fordel der viser sig afgørende i højhastighedsdueller.

Tre lag af reinforcement learning

Ace bruger en tre-lags læringsarkitektur baseret på model-fri reinforcement learning (RL). Det nederste lag, “Skill”, styrer de individuelle ledbevægelser. Det midterste lag, “Tactics”, håndterer svar på individuelle slag under en rally. Det øverste lag, “Strategy”, planlægger den overordnede kampstrategi.

Hele systemet er trænet i simulation ved hjælp af en teknik kaldet “privileged critic”. Under træningen får den kritiske del af algoritmen adgang til perfekt information, som ikke ville være tilgængelig i en virkelig kamp. Det hjælper systemet med at lære sensorfusion uden eksplicitte instruktioner. Det bemærkelsesværdige er, at den trænede model kan overføres direkte til den fysiske robot uden yderligere finjustering – et resultat der viser, hvor præcis simuleringen er blevet.

Sony AI’s team, ledet af Peter Dürr (direktør for Sony AI Zürich) og Peter Stone (chefforsker hos Sony AI), opdagede undervejs interessante afvigelser mellem simulation og virkelighed. Blandt andet var deres aerodynamiske modberegninger for optimistiske ved høje hastigheder, hvilket krævede løbende kalibrering mellem de to verdener.

Sejre over professionelle spillere

I de officielle kampe, afholdt under International Table Tennis Federations (ITTF) regler, vandt Ace tre ud af fem kampe mod elitespillere. Robotten servede 16 ureturnérbare serv (“aces”) mod elitespillernes otte tilsammen.

I december 2025 blev Ace testet mod fire nye spillere – to professionelle og to elitespillere. Resultatet: sejr over begge elitespillere og en af de professionelle, mens den tabte til den anden professionelle modstander. I marts 2026 mødte Ace tre nye professionelle spillere og vandt mindst én kamp mod dem alle. Det er første gang en robot har nået ekspertniveau i en udbredt konkurrencesport i den fysiske verden.

Peter Stone udtalte: “Det repræsenterer et skelsættende øjeblik i AI-forskning, der viser at et AI-system kan opfatte, ræsonnere og handle effektivt i komplekse, hurtigt skiftende miljøer i den virkelige verden.”

Hvad betyder det for AI-feltet?

Project Ace er interessant af flere grunde. For det første demonstrerer det, at reinforcement learning kan producere systemer der mestrer opgaver med ekstrem tidspres og fysisk kompleksitet – ikke kun i kontrollerede simuleringer, men i uforudsigelige situationer med menneskelige modstandere. Robotten kunne håndtere sjældne situationer som boldafvisninger på nettet, selvom disse aldrig var eksplicit programmeret.

For det andet viser projektet en vej for hardware-software integration i fysisk AI. Sonys event-baserede sensorer løser et problem, der har plaget robotik i årevis: hvordan man præcist tracker hurtigt bevægende objekter med rotation. Denne teknologi har anvendelser langt ud over bordtennis – fra industriel automation til selvkørende køretøjer.

Det er dog værd at holde ambitionerne i perspektiv. Bordtennis, trods sin kompleksitet, foregår i et relativt afgrænset miljø med klare regler. Overførslen til mere ustrukturerede opgaver som husarbejde eller lagerlogistik kræver endnu flere gennembrud. Men som Peter Dürr påpeger: “Bordtennis er et spil med enorm kompleksitet, der kræver beslutninger på brøkdele af sekunder såvel som hastighed og kraft.” At mestre den kompleksitet er et nødvendigt skridt mod mere generel fysisk intelligens.

Sony AI har endnu ikke annonceret kommercielle planer for teknologien, men de underliggende komponenter – hurtige event-baserede sensorer, robust sim-til-real transfer og hierarkisk RL – er alle teknologier med bred anvendelse. For AI-systemer der skal operere i den fysiske verden, er Project Ace et af de mest overbevisende beviser på, at vi nærmer os et punkt hvor robotter ikke bare kan tænke – men også handle – på niveau med mennesker.