机器人首秀网球场，银河通用突破具身智能「AstraTennis时刻」
银河通用用一场真实对抗证明：大脑、小脑与数据闭环正在融合。
作者丨邓哲敏
编辑丨 董子博
8 月 22 日，北京国家速滑馆“冰丝带”，第二届世界人形机器人运动会开幕，中央广播电视总台把镜头切向一片真实的网球场。
一台人形机器人站在场内，对面来球时速超过 50 公里，它几毫秒内判断落点、移动脚步、扭转身体、挥拍——球擦着网带划过去，落在界内。
发球、正手、反手、底线调动、网前截击，一路打下来，没有掉链子。
热身赛双打环节，它和人类队友配合，会补位、会换战术。高速攻防里，它上演了一次极限救球，然后重重摔倒，又自己撑着地面站起来，接着打。
完成全球首次全自主网球对打的人形机器人，来自银河通用。
十年前，AlphaGo 证明了 AI 会想；而如 今， 银河通用 要证明的，是 AI 会做。从会想到会做，人类等了整整十年。
这正是我们（雷峰网 (公众号：雷峰网) ）愿意把它看成一个标志性时刻的原因：它刷新了一个单项指标，更把人形机器人第一次推到了思考与行动同时在线的真实赛场上。
银河通用给这个时刻起了个名字： AstraTennis 时刻 。
01
大脑想怎么打，
小脑负责打得漂亮
今天赛场 上 银河通用人形机器人 打网球的 表现，一点都不像过去印象里的机器人。它的击球是 拟人 的，脚步先到位，身体带动手臂，上下半身协同发力，挥拍流畅，落点精准。
更难得的是通用——它可不只会一种打法。
发球、正手、反手，各种击球方式它都掌握。底线调动、网前截击、控制球路和落点，这些击球策略也拿得出手。单打、双打都能上场，还会根据赛制调整策略。
和人配合的时候，它有战术意识，能根据现场情况临时做决策。高速对抗中摔倒了，也能快速爬起来接着打。
判断运动员能力如何，不仅看本人发挥，还得看对 面站的是谁。 银河通用人形机器人 对面站的，是曾经赢得大满贯的网球名将郑洁。面对这样的高手，它在 完成动作的同时，还需要琢磨这一分怎么赢。
怎样才能让机器人做到边打边想呢？ 银河通用的答案，是一个叫 银河星脑 （AstraBrain）的具身大模型。它最大的特点，是把人形机器人需要的几件事，焊在了同一个模型里：
大脑，负责理解和决策——判断来球落点、决定怎么打、组织战术、判断双打时怎么和队友配合；
小脑，负责运动控制——高速跑动中的全身平衡、高爆发的挥拍、拟人的动作；
脑桥，负责把大脑的决策翻译成小脑的动作指令。
过去，这三件事往往拆成不同的模块，各管一摊，接口的地方就容易掉链子。银河星脑把它们做成一个整体，这也是“全球首个大脑-小脑-神经控制一体化的全身全手端到端大模型”这个说法的底气。
回到球场上看，这种 一体化 的价值就显出来了：一个球过来，大脑在毫秒级判断“这是深球还是浅球、该进攻还是防守”，小脑同时已经在执行“向左滑步、下蹲、引拍”；球拍触球的一瞬间，大脑还要更新判断——“刚才这球落点不够刁，下一拍要压线”。
这种边想边打的实时闭环，只有一体的架构才接得起来。
熟悉AI科技评论（雷峰网公众号）的朋友可能想起来了，今年 6 月 CVPR 2026 期间，我们写过银河通用的 AstraBrain-WBC 0.5，那篇文章讲的是小脑如何在实验室里把零样本泛化做到 92.58%、把推理延迟压到 1.5 毫秒以下。
这次的 AstraTennis，是同一套体系 在真实对抗里的首次亮相 。
小脑再强，也只是半台机器。大脑和小脑能不能在真实对抗里协同起来，才是具身智能真正的成人礼。
02
在不完美的人类数据里学习
银河通用创始人兼 CTO 王鹤认为：打网球是人形机器人的“终极考场”。谁能在网球上交出答卷，谁就证明自己 同时解决了“小脑”和“大脑”的问题。
赛场上要想展现出好的运动控制和实时决策，场下少不了大量练习。人类可以反复练，可以看职业球员的视频模仿，机器人要学动作，传统方法靠遥操作。
但是，在网球这种高速对抗里，人自己都反应不过来，遥操作采集的数据根本用不上；要用动作捕捉系统完整记录一场真实比赛，又昂贵到几乎不可能实现。
老路走不通，银河通用换了一条路： AstraBrain Latent ， 全球首 个面向网球对抗的人形机器人全身实时智能规控算法。名字取得有讲究，latent 是“潜在、隐含”的意思。这个算法要做的，正是从一堆看似不完美、不完整的人类动作数据里，把怎么打球的潜在规律挖出来。
这里有个反常识的思路，值得展开说。
做机器人的都知道，动作数据越专业越好，最好是专业遥操员的完整动作，一帧一帧都标准。银河通用的团队偏偏反着来：他们跳过“完美数据”，直接采集普通人正手击球、反手击球、侧向滑步、交叉步这些零散的基础动作片段，再靠算法把这些片段组合、修正、泛化，拼出一套完整的网球技能。
理由很简单，完美数据太贵、太难拿；而这些不完美的数据里，其实已经藏着人体运动最核心的先验——重心怎么转移、手臂怎么挥、脚步怎么蹬地。剩下的，交给算法。
这个思路的价值不止在网球。 它意味着，机器人学习运动技能的门槛可以大幅降低。 不需要等顶尖运动员配合采集，不需要昂贵的动作捕捉设备，从凑合的数据里也能提炼出真本事。
为了让机器人在高速对抗里动作不走样，团队还引入了一个叫“隐空间动作屏障”的机制——在隐空间里划一道边界，让机器人的动作始终落在“像人”的风格范围内，同时根据来球实时调整站位和挥拍轨迹。
训练时再主动加进随机扰动，机器人就慢慢学会了自我纠错。到了这一步，它打的是“活球”，会临场应变。