对拉时刻：机器人从「发球」到「打球」，差的不是一只手

三个数字：20 亿、1350 万、25 回合

三个数字：20 亿次、1,350.6 万元、25–30 回合

开环 vs 闭环：五个环节的能力栈

理解这个行业，先记住三个数字。

第一个数字：20 亿次。庞伯特是这个赛道绕不开的名字——2019 年成立于上海浦东，从乒乓球发球机起家，现在全球用户超过 30 万，积累了 100 万组球路，是澳网的官方合作伙伴，2026 年 10 月刚完成数亿元 B 轮融资。20 亿次发球，代表的是「开环时代」的规模：机器把球送过来，人自己练。

第二个数字：1350.6 万元。这是 2026 年 8 月中国线上市场发球机器人的零售额，对应 6,385 台。其中网球品类 379.9 万元，环比增长 54.4%，是增长最快的部分。庞伯特以 459.5 万元、34% 的份额稳居第一；普尚 229.7 万元排第二；一个叫皓翊星辰的新品牌，单月环比增长 657.9%，靠的是 4K 双目视觉和 0.1 秒轨迹预测。年化下来，线上大盘大约 1.6 亿元。加上线下、海外和商用，整个「发球/陪练机器人」市场，大概是十亿级。

第三个数字：25 到 30 回合。这是动易 PHYBOT C2 与普通体验者的羽毛球对拉回合数——官方说法是「配合较为理想的情况下」。它代表的是「闭环时代」的上限：机器人不只是把球送过来，而是接住你打回去的球，再打回来。

谁在做：一张跨界玩家地图

玩家地图：谁在做球类，谁不做

「具身智能公司都在做球类机器人」是个错觉。真实情况是：少数公司在做，多数公司在看，还有一家明确不做。

这张表最重要的一行，是星海图。

它在 2026 世界机器人大会上发布的是「1+3+N」战略：轮臂 Nexo、双足 Kango、开发者 LEMO 三条产品线，加上一个 1:1 复刻的全自主前置仓。它在运动会拿的是自由体操冠军。它的 G0.5 模型讲的是工业装配：精度 1 毫米以内、成功率 99.9%、可泛化上万种 SKU。

星海图没有做球类，但它在做「球类之后」的事。这恰恰说明：球类不是具身智能的必经之路，而是一条被选中的验证路径。选它的公司，多半是因为它「可展示、可打分、可融资」；不选它的公司，可能直接奔着工业订单去了。

所以别把「机器人打球」当成行业标配。它更像是一次公开考试：有人拿它练级，有人拿它招生，有人根本不参加。

商用效果：一场快闪店，不是一个生意

在点评类平台上搜不到「够 C 羽球馆」，原因很简单——它不是一家常驻店，而是一场为期近一个月的快闪。

时间线是这样的：2026 年 7 月 9 日试营业，7 月 11 日正式运营，8 月 4 日结束——地点是广州凯德乐峰广场 B1 中庭，现场投入近 10 台最新一代 C2。开业当天，羽毛球全国冠军余冰清来当「一日店长」。媒体报道写得很清楚：这是「为期近一个月的快闪店」，不是长期门店。

但这场快闪的数据不差：

更关键的细节在收费方式里。

它不是按「课时」收费，也不是按「场地」收费，而是按「游乐园」收费：入场券「一杯奶茶钱」，场内用 C 币消费——羽毛球对打 5 C 币一场、每场 3 回合；小 C 每成功回一球记 1 连击，接不到就结束当前回合；3 回合累计 13 连击、20 连击、28 连击，分别对应不同数量的 C 币奖励。C 币还能换盲盒、羽球桶、冰箱贴、抱枕。

现场还有身高和年龄限制：真实互动项目要求身高 140cm 以上、年龄 13 岁以上，幼童需成人全程陪同；心脏病、高血压等情况不建议参加对打。

这套设计说明：它本质上是一个「科技游乐场」，不是「运动培训机构」。收入结构是门票 + 币 + 周边，不是课时费 + 会员；核心指标是「排队时长、翻台率、打卡传播」，不是「学员续费率、技术提升」。

所以「25 到 30 回合」也要放回语境里看：它是连击挑战的上限，不是正式比赛的回合数；它证明的是「机器人能把球连续回过来」，不是「机器人能赢下一场比赛」。

还有一个细节：官方在 7 月 13 日到 19 日招募 10 位「体验官」，报名方式是在小红书发布带 #够C羽球馆 #够C才够City 的内容并 @动易科技，按点赞排名送入场券。换句话说，早期的口碑内容，主要是官方组织的达人打卡，而不是自然沉淀的点评。这也是为什么点评上找不到它——它没有走「常驻商户」的运营路径。

这场快闪证明了什么？

它证明了「人愿意排队和机器人打球」。在一个流量昂贵的商场里，单日上千次体验、近万人接触，说明这个场景有吸引力。对一个以研发为主的公司来说，这已经是不错的场景验证。

但它没有证明三件更关键的事：

第一，复购。快闪是一次性流量，不是长期生意。一个人愿意花 20 分钟排队体验一次，不代表他愿意每周付费来打。

第二，单店模型。商场中庭的租金、人工组织、设备维护、故障处理，媒体自己都写了：「运营方还要组织参与者、安排体验顺序，并处理设备运行和维护问题。」这些成本，快闪可以摊在营销预算里，常驻店必须自己扛。

第三，产品化。动易创始人任晓雨在接受采访时说得很直白：「我们目前主要还是以研发为主，继续攻坚和验证物理智能体。」换句话说，这家店是研发的延伸，不是商业化的开始。

顺带说一句，动易并不是只会打球。它还有四轮足机器人 PHYBOT D：持续行走负载 210 公斤、最大 500 公斤，可以挂灭火器、烟感器、激光雷达做巡检，也在广交会做导览。这说明它的真实路线是「多场景验证」，球类只是其中一块招牌。

训练要花多少资源

训练成本：数据量级对比（对数刻度）

「训练一个会打球的机器人」听起来很贵。贵在哪？我把公开数据拆成四块：数据、算力、时间、真机迭代。

从这张表里，能读出三个反直觉的结论。

结论一：球类的「数据门槛」比想象低

LATENT 只用了 5 小时业余选手的动作片段，就能让一台 1.32 米的人形机器人打出 96.5% 的回球成功率。这说明：球类不需要「完美的人类动作数据」，它需要「可校正的先验」。

这和工业形成了鲜明对比。星海图创始人高继扬说过一句话：「在达到 100 万小时真实数据之前，看不到使用仿真数据的必要性。」工业要的是「万级 SKU、毫米级精度、99.9% 成功率」，这不是 5 小时数据能解决的。

结论二：球类的「工程门槛」比想象高

索尼 Ace 用了 3,000 小时仿真，但真正的突破不在仿真，而在感知：9 台高速相机 + 3 套事件相机，端到端视觉延迟压到 20 毫秒左右，才能「看见旋转」。DeepMind 的机器人用了 17,500 条真实轨迹、7 轮迭代，最后还是输给所有高级选手。

训练成本的大头，不是一次性的数据采集，而是「迭代次数 × 真机时间」。每一次真机测试，都要捡球、复位、充电、维护；每一次失败，都要回仿真里改奖励、改域随机化。这些「脏活」，不会写进论文，但会写进成本表。

结论三：真正的护城河是「数据回流」，不是「训练一次」

银河通用建了 6 个省市的训练场、45 城 200 个点位，累计回流 8 万小时真实数据；庞伯特有 30 万用户、20 亿次发球、100 万组球路，每年还能采集数百万小时的运动交互数据。

这些公司卖的不是「一个会打球的机器人」，是「一个越用越会打的循环」。训练一次的能力，会被追平；持续回流的数据，不会。

传统玩家与跨界玩家，各自的壁垒

传统玩家 vs 跨界玩家：七维壁垒

「跨界玩家降维打击传统厂商」这个说法，只对了一半。把两边的壁垒摆在一起看，会发现它们根本不是同一场比赛。

结论很清楚：

传统玩家的壁垒在「把东西造便宜、造可靠、卖出去」；跨界玩家的壁垒在「让机器人在不确定环境里动起来」。前者是制造业的活，后者是 AI 的活。两边都在往对方的地盘走：庞伯特在做体育大模型、Aura 上 120fps 双摄 + 10TOPS 端侧算力；动易在做本体、关节、量产线。

最可能的赢家，不是纯传统，也不是纯跨界，而是「硬件公司软件化」和「软件公司硬件化」交汇处的混合体。谁先补齐自己缺的那一半，谁就能把「回合」变成「生意」。

裂缝一：十亿级市场撑不起千亿叙事

资本市场的叙事是：具身智能跨界球类，是降维打击，要颠覆整个体育训练行业。但先看市场有多大。

2026 年 8 月，线上发球机器人零售额 1,350.6 万元；年化约 1.6 亿元。把线下、海外、商用全算上，整个市场大概是十亿级。

十亿级是什么概念？一家头部具身智能公司的估值，可能是这个市场总规模的几十倍。

这不是说市场没有价值，而是说：巨头做球类，动机不是「抢这个市场」，而是「练技术、做品牌、收数据」。

练技术：球类是「高速动态操作」的极限测试场，练出来的感知、预测、控制能力，可以迁移到物流分拣、工业装配。做品牌：一个能和人打球的机器人，是最好的发布会素材。收数据：每一回合都在产生「状态-动作-结果」的三元组，这是训练具身模型最缺的东西。

所以球类是「拉力赛段」，不是「终点」。真正的终局，在球场之外——但「之外」到底有多远，是下一节要回答的问题。

裂缝二：演示是上限，产品是下限

今天的公开视频，大多很好看。但你只要问五个问题，就能判断它离「产品」还有多远。

裂缝三：降维打击？头部已经 RL 化

「降维打击」这个说法，只对低端白牌成立。头部厂商不是静态靶子。

庞伯特的创始人张海波，是国内最早一批把强化学习用于乒乓球对打的工程师。公司现在自研体育大模型，Aura 搭载 120fps 双摄和 10TOPS 端侧算力，走「端云协同」——端侧做低延迟感知和判断，云端做动作分析和教学。它已经不是「卖机械发球机的」。

皓翊星辰的 TERO，8.8 公斤、4 小时续航、100 万球次寿命，4K 双目 + 0.1 秒轨迹预测；艾思的 Acemate S10，双目 + 全向移动底盘，主打的就是「可对拉」。

换句话说，「从发球到对拉」不是具身智能公司的专利，发球机厂商也在往上走。

真正的竞争维度，不是「会不会打球」，而是四件事：数据闭环、场景运营、可靠性、迁移能力。前两条，传统厂商有优势；后两条，跨界玩家有优势。

关键质疑：球类技术真能迁到分拣、装配、巡检吗

信号质量矩阵：球类、分拣、装配、巡检、柔性物料

这是本文最重要的一节，也是一个必须正面回答的质疑。

这个质疑，一半是对的，而且是很锋利的一半。

先承认它对的部分：如果工业任务真的拥有球类那样「每一个动作都即时、因果清晰、可重复」的信号，那确实不需要「迁移」——直接在工业环境里训就行了。「迁移」这个词，本身就暗示了源域和目标域的信号不对等。

但这里有一个关键区分：迁移的到底是谁？

迁移的三层：策略、能力、工程模板

为什么源域偏偏是球类，而不是工业本身？因为球类提供了一个「高压缩比」的训练场：它把感知、预测、决策、控制、恢复这五件事，压缩在 1 秒钟内完成，而且每一拍都自动打分。工业任务往往把同一条链路拉长到几十秒甚至几分钟，失败成本高、复位成本高、样本效率低。球类是用最低的成本，把这条链路压到极限。

它训练的不是「打球」，是「在极端时间约束下的闭环能力」。这也是为什么它看起来「没用」，却能被反复引用：它是最便宜的能力压力测试。

所以，「球类技术迁移到工业」这句话，如果指的是策略，那是错的；如果指的是能力和工程模板，那是对的。

工业 RLVR 的真实进展：有尺子，但尺子不一样

工业并不是「没有验证器」。恰恰相反，工业的验证器往往比球类更精确：

这张表说明：分拣和装配有「任务级」的强验证器，但没有「动作级」的稠密信号。

球类的信号是：每一拍打完，立刻知道得分/失分，而且知道是这一拍导致的。工业的信号是：一个包裹分完，知道有没有进对格口；一个零件装完，知道公差合不合格——但中间「哪一次抓取、哪一个对位导致了失败」，往往要靠事后分析。

更麻烦的是，工业失败很贵。你不能让机器人在真实产线上试错一万次；仿真又补不上接触力学的差距。合十思维在 WRC 上给过一个数字：仿真里成功率 89.4%，一到真实场景跌到 12%。

信号质量的四个维度

把「有没有信号」换成「信号质量如何」，会更清楚：

所以，迁移是「选择性」的

把上面的分析收拢，结论是四句话：

第一，球类证明的是「闭环动态操作可学」，不是「通用工业操作可学」。它证明了感知-预测-控制-恢复这条链路能跑通，但没有证明这条链路能处理柔性、长尾、多品种。

第二，能迁的是「高速、结构化、可判定」的工业任务。高速分拣（有落位验证）、精密装配（有力/位验证）、结构化巡检（有明确缺陷定义），这三个方向可以迁。柔性物料（理线、布料、软包装）、长尾异常判断（没见过的新故障），短期迁不了。

第三，如果工业任务真的拥有球类级别的信号，那确实不需要「迁移」。直接训就是最优解。迁移的价值，恰恰在于「目标域信号不够好」时，用源域的能力和工程模板去补。这不是贬义，这是迁移存在的理由。

第四，所以「球类机器人公司」的估值，不能按「通用工业」给。只能按「已验证的细分场景 + 可复用的能力模块」给。前者是现金流，后者是期权。把期权当现金流估值，就是泡沫。

会持续吗：三阶段、六指标、一个反证

短期 1 到 2 年：陪练、教培、娱乐先落地

职业比赛引入机器人，面临公平性、观赏性、规则、安全四重约束，短期不可能。但陪练市场是真实的：网球教练贵、羽毛球陪练难约、乒乓球需要多球训练。机器人可以 24 小时工作、不疲劳、能记录数据。

价格带会是关键：场馆级几万到几十万，家庭级短期内下不来——不是因为电机贵，是因为安全、复位、维护。

中期 3 到 5 年：能力外溢到「高速动态操作」

球类练出来的三样东西，真正值钱：高速视觉 + 轨迹预测（物流分拣、传送带抓取、高速检测）；全身协调 + 动态平衡（人形在非结构化环境里的移动操作）；对抗性决策（人机协作中的意图预测、安全避让）。

长期：职业体育不会被「机器人参赛」颠覆，但训练体系会被改造

AI 陪练、战术分析、动作矫正、负荷管理——这些已经在发生。更现实的形态是「人机混合训练」和独立的「机器人联赛」，而不是「机器人打败费德勒」。

投资映射：卖水人、整机、场景

按确定性排序，同时加一个「迁移选择性」的筛子。

第一层，卖水人最稳。事件相机、高速全局快门、高扭矩密度关节、力/触觉传感器、GPU 并行仿真、数据采集与标注。不管谁赢，这些都要买。

第二层，整机看迁移。谁能在 12 个月内把球类能力迁移到「高速、结构化、可判定」的场景（分拣、装配、巡检），谁就有第二增长曲线。只会打球的机器人，天花板就是十亿级市场；能迁移的，才有百亿级想象空间。

第三层，场景看运营。场馆、教培、俱乐部的连锁化能力，可能比技术更决定短期收入。动易的快闪是个好样本，但它验证的是「人愿不愿意排队」，不是「人愿不愿意复购」。

要警惕的：纯 demo 公司、只靠视频剪辑融资、没有自动复位系统、没有 MTBF 数据、把「受控演示」说成「产品」、把「面孔三的世界模型」说成「工业基础设施」的团队。

结语：机器人先学会的不是走路，是接球

过去十年，人形机器人最出圈的画面是「走路、跑步、后空翻」。

但走路不是智能，是控制。真正难的是：看见一个高速飞来的球，判断它会在哪里落下，决定怎么打，然后在一秒内完成跨步、引拍、击球、回位。

球类之所以重要，不是因为它好玩，而是因为它给了机器人一个「对错立刻知道」的世界。

下棋，落子之后要等终局才知道好坏；做家务，做完之后要等人来评价；只有球类，每一拍都有结果——出界、下网、得分、失分。这是物理世界里最接近「验证器」的东西。

但也正因为它太像验证器，我们容易高估它的可迁移性。

球类能教会机器人的，是「在不确定中快速行动」；它教不会的，是「在没有标准答案的世界里判断什么是对的」。前者可以迁移到分拣、装配、巡检；后者，还得靠人把验证器造出来。

所以，「对拉时刻」的真正意义，不是机器人要抢运动员的饭碗，而是：