Sonys KI-Roboter schlägt Tischtennisprofis

Ein Roboter hat erstmals Profis eines anerkannten Sports besiegt. Sonys Forschungsroboter Ace schlug im März 2026 alle drei neu angetretenen professionellen Tischtennisspieler mindestens einmal und setzte damit einen Meilenstein, den die Robotikforschung seit Jahrzehnten anstrebte. Die Studie erschien am 23. April in der Wissenschaftszeitschrift Nature und gilt als erster Nachweis, dass ein autonomes System in einem kompetitiven, physischen Wettkampf Expertenniveau erreichen kann.

Was Tischtennis für KI besonders schwer macht

Schach und Go hat künstliche Intelligenz längst gemeistert, ebenso Videospiele wie StarCraft und komplexe Strategiespiele. Diese Erfolge fanden aber in der digitalen Welt statt, wo vollständige Information vorliegt und keine physische Reaktion nötig ist. Die Echtzeitphysik der realen Welt ist eine andere Herausforderung: Ein Tischtennisball kann mit bis zu 19,6 Metern pro Sekunde über den Tisch fliegen, Spieler erzeugen Schnitte mit bis zu 450 Radiant pro Sekunde und die verbleibende Reaktionszeit liegt weit unterhalb der menschlichen Wahrnehmungsschwelle.

Menschliche Elite-Spieler reagieren in etwa 230 Millisekunden. Ace arbeitet mit einer Echtzeitlatenz von 20,2 Millisekunden, etwa elfmal schneller. Das System nutzt dafür neun aktive Pixel-Sensoren und ereignisbasierte Bildsensoren, die mit bis zu 700 Hertz arbeiten und Ballrotation präzise erfassen. Ein sechsgelenkiger Roboterarm mit modellfreiem Reinforcement Learning setzt die Berechnungen dann in präzise Schläge um. Ace spielt dabei nicht auf Kraft, sondern auf Kontrolle: Bei Schnitten aller Art erzielte der Roboter eine Rückgabequote von über 75 Prozent.

Frühere Tischtennisroboter, etwa Forpheus von Omron, konnten Anfänger trainieren, scheiterten aber an professionellen Spielern. Sie waren auf bestimmte Schlagtechniken oder Spielsituationen spezialisiert und nicht lernfähig genug für die Variabilität echter Wettkämpfe. Ace kombiniert erstmals hochauflösende ereignisbasierte Sensorik mit modellfreiem Reinforcement Learning auf Hochgeschwindigkeitshardware, um das Problem der physischen Echtzeitinteraktion grundlegend anzugehen.

Drei Jahre Entwicklung, drei Testphasen

Die Entwicklung begann 2020 und verlief in mehreren Etappen. In frühen Tests spielte Ace ausschließlich gegen Amateure und sammelte Trainingsdaten, um das Lernverfahren zu verbessern. Im Dezember 2025 folgte der erste Test gegen Profis: Ace bestritt Matches gegen vier neue Spieler, darunter zwei Elite-Spieler und zwei Profis. Den beiden Elite-Spielern und einem der Profis unterlag der Roboter nicht.

Im März 2026 folgten Partien gegen drei weitere Profispieler, die zuvor keinerlei Erfahrung gegen Ace hatten. Das ist methodisch wichtig: Wer mehrfach gegen dasselbe System antritt, lernt dessen Muster kennen und kann gezielt Schwächen ausnutzen. Ace besiegte alle drei neuen Profis mindestens einmal. Insgesamt absolvierte der Roboter 13 Partien und gewann sieben davon sowie drei vollständige Matchs. Auffällig: Bei direkten Punkten nach dem Aufschlag erzielte Ace 16 Direktpunkte, alle menschlichen Elite-Gegner zusammen nur acht.

Ein Meilenstein für physische KI-Systeme

Die Bedeutung des Durchbruchs liegt nicht darin, dass Roboter nun Tischtennisturniere dominieren werden. Ace hat klare Grenzen: Es kann keine komplexen, rallybezogenen Taktiken aufbauen wie erfahrene Profis und scheitert an Schlagtechniken außerhalb seines Trainings. Spieler aus den oberen Weltranglistenpositionen würden den Roboter derzeit noch besiegen.

Die Bedeutung liegt anderswo. Bisherige KI-Meilensteine in der physischen Welt, etwa Roboterarme in der Fabrikautomation, arbeiteten unter streng definierten Bedingungen mit bekannten Parametern. Ace operiert in einem echten Sportwettkampf mit variablen Ballwegen, unvorhersehbarem Gegnerverhalten und physischer Unsicherheit in Echtzeit. Das Sony-AI-Team beschreibt im Paper potenzielle Übertragungen auf chirurgische Assistenzsysteme, Logistikroboter und Rehabilitationsgeräte, die ähnliche Kombinationen aus schneller Wahrnehmung und präziser Motorsteuerung erfordern.

Vergleichbare Durchbrüche in der digitalen Welt hatten weitreichende Folgen: AlphaGo veränderte die professionelle Go-Theorie und setzte neue Maßstäbe für das Lernen unter Unsicherheit. Ob Ace einen ähnlichen Anstoß für die physische Robotik liefert, wird sich in den nächsten Jahren zeigen.

Nächste Schritte

Sony AI plant, Ace noch in diesem Jahr gegen Spieler aus den oberen Weltranglistenpositionen antreten zu lassen. Das Forschungsteam arbeitet außerdem daran, die zugrundeliegenden Algorithmen für Echtzeitwahrnehmung und Motorsteuerung auf andere physische Disziplinen zu übertragen. Das Paper in Nature enthält offene Benchmarks, damit andere Forschungsgruppen die Ergebnisse reproduzieren und weiterentwickeln können.