7月上旬，韩国仁川。绿茵场上，一台台人形机器人奔跑、传球、射门——没有遥控器，一切全凭自主决策。这是2026年RoboCup机器人世界杯上的一幕：两支全自主人形机器人足球队首次完成11对11的完整对决。本届比赛吸引了来自全球45个国家和地区的364支队伍、近3000名科研人员同台竞技。在备受瞩目的人形机器人大型组中，清华大学火神队、中国农业大学山海队分获冠亚军。此次比赛中，参赛机器人体形更大、速度更快，比赛节奏显著提升，也让人感受到“2050年机器人足球队超越人类世界杯冠军”的梦想或许并不遥远。
从多年前波士顿动力机器人完成惊艳后空翻，到近两年国产机器人在春晚舞台上表演绝活，再到2025年启动的机器人马拉松和机器人运动会，运动机器人热潮成为全民话题。这背后不仅是科技实力的跃升，更是人工智能向物理世界深度迈进的生动注脚。当机器人能自主、灵活、稳定地驰骋赛场时，它们也正冲出实验室，成为与人类并肩探索世界的伙伴。
机器人赛事是对硬件设计、运动控制与认知决策的综合考验
为什么体育赛场是机器人技术的一大试金石？以足球为例，赛场上的每一次较量，都需要实时感知、运动控制与多机协同的有机配合。乒乓球亦是如此，需要参赛者脑—眼—手—腿的高度协同：机器人须在毫秒间观测来球、预判轨迹、决定击球策略并挥拍将球击回。对手莫测的战术和球体的复杂旋转更增添了不确定性。这迫使机器人研究必须打破对完美信息的依赖，学会直面真实世界的变化，并实时做出动态反应，可以说是对硬件设计、运动控制与认知决策的综合考验。
优秀的机器人“运动员”，离不开“躯体”“大脑”“小脑”的默契配合。“躯体”决定了身体素质，为支撑高动态、高爆发的运动，机器人需具备轻量化、高强度的本体设计与高功率密度的电机，如波士顿动力的Atlas系列升级为全电动系统后，动作更加流畅、续航更长。“大脑”保障了认知能力，作为决策中枢，负责理解规则，实时处理赛场信息并制定战术，如乒乓球机器人通过视觉预测球的轨迹来决定接球策略。“小脑”支撑了运动技能，负责运动控制，将战术指令转化为协调、稳定且敏捷的动作，确保机器人能够精确回击来球、协调四肢摆动和维持全身平衡。
机器人“运动员”的探索从上世纪就已开始。1983年，初代乒乓球机器人诞生于实验室，仅能在有限范围和简化规则下进行简单挥拍。1992年，加拿大科学家艾伦·马克沃思提出足球机器人构想，催生了延续至今的RoboCup赛事。2003年，索尼突破了双脚同时离地的控制难题，开发出首款能够跑步的人形机器人。
如今，硬件与算法的升级让机器人从实验室走向更广阔的舞台。2017年，波士顿动力Atlas的跑酷和后空翻展示了高动态、高爆发动作的潜力。2026年，中国宇树机器人在春晚舞台上完成连续花式翻桌跑酷、弹射空翻等高难度动作，实现了全球首次全自主人形机器人集群武术表演。今年4月，索尼开发的乒乓球机器人系统在正式比赛规则下首次击败专业运动员。在2026北京亦庄半程马拉松暨人形机器人半程马拉松比赛中，机器人“运动员”冠军成绩已提升至50分26秒，超越了人类顶尖选手的水平，实现了从能赛到能赢的跨越。
随着基础模型不断发展和运用，运动机器人更加自主和智能
如何驱动机器人完成复杂运动？目前主要有两类主流方法：传统基于模型的控制方法和基于智能学习的方法。
传统基于模型的控制方法高度依赖精确的物理与数学模型，通过精确限制关节位置、力矩等，得以让机器人在确保安全的前提下发挥最大能力。波士顿动力Atlas系列早期采用此类方法，在跳跃等动作中取得了较好效果。然而，这类方法计算量较大，生成的动作有时显得僵硬，难以推广至高度动态的复杂场景。
近年来，基于智能学习的方法逐渐成为主流，包括强化学习和模仿学习。强化学习是让机器人通过不断交互试错探索新的行为模式，并通过“奖励”机制优化策略。比如，在乒乓球运动中“奖励”成功接球并击回的策略，同时“惩罚”失误。谷歌DeepMind通过自主学习训练出竞技乒乓球机器人，在仿真训练与真实对战的迭代循环中持续提升水平。然而，强化学习依赖“奖励”函数的精巧设计，若设计不当可能产生非预期行为。此外，将非精确仿真环境中习得的策略迁移至真实场景也是其面临的一大挑战。
模仿学习则让机器人通过学习经验数据或专家演示，高效掌握多样化的运动技能，合成更自然的动作，甚至保持特定的运动风格。这条路径的核心瓶颈在于示教数据的获取。一种解决思路是利用机器人自身的运动经验，虽然数据可靠，但大规模采集成本高昂；另一种思路是从互联网上丰富的人类运动视频中学习，但必须解决人机形态差异、数据质量参差不齐等问题。针对这一难题，中国银河通用公司的网球对抗控制算法LATENT提供了一种创新方案：从大量人类击球、侧向滑步等运动片段中提取基础动作技能单元，再通过修正与组合，使机器人逐步掌握完整的网球竞技技能。
基于模型的方法和基于学习的方法并非对立，而是相辅相成的。索尼AI的Ace项目就尝试集合两种优势：利用人类比赛数据合成训练集，通过深度强化学习训练策略，再输入优化模型生成安全准确的运动，使其兼具战术多变性与动作安全性。
未来，随着大语言模型、视觉—语言—动作模型等基础模型不断发展和运用，进一步赋予机器人理解世界的能力，机器人的“躯体”“大脑”和“小脑”将更紧密地融合，推动其更加自主和智能。
帮助人类极大拓展探索疆域的能力和边界，推动对自身认知的深化
人类投入大量资源发展运动机器人，其意义不止于观赏或陪练，更多的是对技术高峰的极致追求。1997年，当“深蓝”战胜国际象棋世界冠军时，首届RoboCup赛事也于同年拉开帷幕。当人工智能已在棋盘上超越人类，它将融入躯体，走入物理世界。具身智能，成为下一位登场的选手。
机器人最初的使命，是帮助人类从事危险、辛苦、枯燥的工作。如今，形态各异的机器人已进入工厂、野外甚至太空，帮助人类极大拓展探索疆域的能力和边界。运动能力的突破，使得机器人能在更复杂的环境下执行更艰巨的任务。例如在未来月球科研站建设中，具备灵敏运动能力、持久耐力等特性的机器人将成为不可或缺的助手，它们能够在险峻地形中穿梭，执行重物搬运、设施装配等艰巨任务，支撑大范围巡视探测以及能源站、通信站等基础设施的大规模建造。此外，精准的感知和行动协调能力，也为装配制造、医疗手术等更广泛的应用场景提供基础。
机器人更是一面镜子，映照出人类对自身的想象与追问。仿人躯体设计、感知—决策—执行闭环、神经网络等，均以人类自身作为蓝图。当机器人越来越擅长模仿游戏，分辨人机的图灵测试对它们来说已不再是挑战，我们的问题却并未减少：机器人能否真正理解比赛的意义？是否会因紧张情绪而影响发挥？取得胜利后是否会感到骄傲欣慰？这些问题延伸至那些历久弥新的追问——机器人是否能拥有意识、感觉和自我认知？思考和运动是否能完全由算法模拟？心智与躯体是分离还是统一？回答这些问题，需要数学、物理学、计算机科学、生物学等多个科学领域的共同求索，这将不断推动人类对自身认知的深化。
机器人是迅速成长的学徒，人类则是教学相长的教师。人类培育出自己的伙伴和助手，也在此过程中完成一次次自我审视与拷问，从而更深刻地理解自己、提升自己。
（作者为北京邮电大学智能工程与自动化学院副教授）
国汇策略提示：文章来自网络，不代表本站观点。
