来源：环球网
【环球网科技报道 记者 郑湘琪】一台人形机器人正与观众进行乒乓球对拉，高速飞旋的来球没有打乱它的节奏，机器人在毫秒级窗口内完成感知、决策、挥拍，动作连贯果断。2026世界机器人大会（WRC 2026）期间，超维动力通过SMASH 2.0高动态人形乒乓系统，在一方球桌前完成了对高速动态环境下全链路能力的生动演示。
“打乒乓球真正难的不在于技术动作，而在于读懂局面——对什么人该让，在什么时候该一击必杀。”超维动力联合创始人郑存远在接受记者采访时说。在他看来，乒乓球场景所验证的，远不止挥拍动作本身，而是机器人在高速动态环境下视觉感知、轨迹预测、动作规划到全身控制的闭环串联能力。
小球台上的大考
选择乒乓球作为技术验证场景，超维动力的考量并不止于展示效果。在商业化、产业合作与技术验证三个维度上，这一选择各有指向。
从商业化角度看，郑存远谈到，当前机器人与大众认知之间仍存在显著落差，人对机器人的预期普遍高于其能力上限，这种差距无法靠技术参数弥合，只能通过大量demo和实际场景交付，让外界逐步建立对机器人能力的准确认知。乒乓球恰好是这样一种直观载体——无需专业知识，观众一眼就能判断机器人做得好不好。
产业维度的考量更为具体。不同硬件形态的机器人各有擅长与局限，超维动力的策略是广泛与产业链企业合作，选取高爆发机型承载乒乓球交互。郑存远表示，这种方式既推动了产业协同，也让公众通过“机器人能打乒乓”这一具体事实，直观感受到它离家庭场景更近了一步。
技术层面的逻辑同样清晰。过去两三年，机器人在运动控制上已相对成熟，跳舞、跑跳不再稀奇，但郑存远认为小脑能力的关键下一步，在于感知与运动控制的融合。“无论是平衡、交互操作还是视觉触觉，一定是小脑能力的基础积累。”乒乓球场景的特殊性在于，它天然要求感知、决策、控制在极短时间内完成闭环，为这种融合提供了一个高压检验场。
因此，在超维动力的判断里，乒乓球展示的真正价值并非炫技，而在于清晰标定能力边界：视觉感知只是起点，触觉引入与更复杂的语义理解，才是下一步深耕的方向。
高拟人本体：是起点也是终点
超维动力此次展出的KAIBot高拟人本体，在数据层面足够直观：117个全身自由度，身高173厘米，体重70公斤，体表80%覆盖定制触觉皮肤，18000个触点，感知精度低至0.1N。这些数字共同指向一个设计取向——尽可能贴近人的身体形态。
在郑存远看来，高拟人本体既不是过渡方案，也不是阶段性妥协。“我们认为它是具身智能的起点，最终也是具身智能的终点，中间会有很多别的形态。”他解释称，“高拟人本体首先是当前科研与研发环节的重要生产力工具。目前具身智能最难攻克的是抓取操作，而一个足够接近人类的身体，恰好能大幅降低训练这些技能的成本。”这背后的逻辑是，硬件本身并不是最大的投入，真正的成本压力来自背后的数据存储与模型训练。身体越像人，数据迁移越直接，训练效率越高，整体投入反而更可控。
之所以将其视为终局，超维动力的逻辑与上一代技术载体的演进类似：当真正代际性的AI模型出现时，承载它的最佳硬件，大概率是与人1:1对齐的形态。这样的机器人可以无缝使用人类工具，也能直接利用人类既有视频与数据进行学习。换句话说，身体越接近人，进入人的世界就越自然。
世界模型的“三步走”
在超维动力的全栈布局中，优先级其实非常明确：当前阶段具身智能大模型是核心——KAI世界模型作为机器人的“大脑”，本体、数据、Infra都围绕模型能力的构建展开。郑存远谈到，模型能力的跃升，首先取决于数据规模与质量的双重突破。
为此，超维动力推出了KAI Halo第一视角数采头环，用四个摄像头融合视觉与IMU数据，实现对全身姿态的厘米级理解与环境重建，并将三维运动轨迹转化为带语义标签的动作数据。配套的数采管理平台，则覆盖了从任务下发、云端处理到训练部署的完整流程。
“我们判断数据金字塔里面，最顶层的是真机遥操作数据，最底层的是大量互联网数据，中间的数据永远是缺失的。”郑存远说，最可规模化且质量最高的数据来源，其实是人本身——日常生活中产生的动作、交互与表达，恰恰是机器人学习最需要的养料，只是过去缺少像手机、电脑这样持续采集的载体。
这一数据逻辑与KAI世界模型构成了闭环。按照超维动力的设计，KAI世界模型通过三步闭环实现对物理世界的深度学习：先生成虚拟世界进行动作交互，再通过模型评估理解，最终掌握物理世界规律。郑存远将其类比为人的学习过程，从出生在真实环境中，到在规则约束下反复尝试，再到更高层的语义理解，每一步都对应着不同层次的能力构建。
目前模型KAI世界模型同时支持生成与重建两类任务，实现跨任务、跨本体泛化，配套评估模型构建闭环强化学习系统。其已在百万级视频数据上完成预训练，大幅强化迁移到真机后的模型表现。现场的人机对打和机械臂自主开瓶演示，正是这套世界模型能力的直观呈现。
而作为底层支撑的KAI Embodied AI Infra平台，则将数据采集、处理、训练、仿真、部署串成一条完整链路，形成“训完即部署、部署可监管、数据秒回流”的商业化完整闭环。在郑存远看来，这正是全栈布局的意义所在——涉及多个维度，但实则所有环节都在为同一个目标服务。
“攀登高峰”与“沿途下蛋”
具身智能的产业化进程，远比单点技术的突破更为复杂。郑存远将其拆解为三个维度：研发、产业链和商业化。研发层面，算法、数据质量标准、模型架构等科学问题仍有待持续突破；但更关键的挑战来自工程化——数据存储、高质量低成本训练，以及产业链格局的统一。“就像在iPhone和特斯拉之前，很多企业闭门造车，没有把供应链真正带动起来。机器人产业想要走向批量化，必须有产品型公司站出来，告诉供应链下一代零部件的标准是什么。”
这种带动作用，决定了一个新兴产业能否从分散走向协同。郑存远以消费电子的发展历程作比：真正意义上的大规模商业化，需要的不是一款标杆产品，而是几代产品积累出来的生态和供应链能力。“机器人进入大规模商业市场，同样需要至少四到五代产品的铺垫。”
代际更替需要产品在真实场景中反复打磨，场景的选择便成为关键一步。对超维动力而言，场景选择的原则围绕研发效率展开。郑存远透露，“我们选的都是跟人机交互、人的日常生活强相关的任务。运动只是其中一部分，衣食住行每个维度都要有一定的基础技能，机器人才具备至少60分的产品状态。”这意味着，商业化落地的优先级，并不取决于某个场景是否热闹，而在于它能否为通用能力的积累提供最大复利。
沿着这一逻辑，今年超维动力已开始对外尝试软硬件集成交付，落地场景已拓展至运动、医疗、零售等领域。郑存远表示，内部仍在“攀登高峰”的过程中，“沿途下蛋”同样重要——研发过程中的商业化成果比如灵巧手、数采设备，也已经对外销售。
面对行业的周期性节奏，超维动力的态度并不急迫。“机器人的周期往往是三至五年发生一次，我们不会短视地去判断这几年一定发生什么，而是在探索自己的路径。”郑存远说，“希望五年之后，外界仍将超维动力视为一家让物理AI真正落地到千家万户的公司。这个定位不是停留在口头上，而是要符合整个产业链、合作伙伴对我们的认知。”
从乒乓球桌上的实时对拉，到数据链路的持续回流，超维动力正在把“人机共行共生”的愿景拆解成一条可执行的路径：以高拟人本体为起点，以世界模型为大脑，以灵巧操作为突破口，以数据闭环为底座。这套组合能力的持续沉淀，也在为整个行业的规模化落地打开更可持续的空间。