7. 人形机器人现在可以直接从人类对手那里学习动态运动技能
根据 IEEE Spectrum 机器人团队重点介绍的视频，一个人形机器人通过与人类玩家直接互动，掌握了具有竞争力的网球技能。该系统通过观察活生生的人类运动员在实际比赛中展示“多功能且高度动态”的网球技能并作出回应来学习，而不是通过预编程的动作库或纯粹的模拟环境。这项研究代表着超越迄今为止大多数人形机器人操作工作所定义的受控、重复性任务执行的一个有意义的进步。
这里的意义在于学习模式：针对高速、不可预测的物理任务的人机协作技能转移。网球需要毫秒级的反应时间、全身协调以及对对手行为的持续适应，这正是那种非结构化动态性，当 Boston Dynamics、Figure 和 Agility Robotics 平台被推向仓库或物流之外的场景时，暴露了它们的局限性。如果这种学习方法能够推广，它将威胁到由 Physical Intelligence 和 Nvidia 的 Isaac Lab 等公司倡导的“模拟优先”训练主导范式，这可能在不需要详尽的合成数据生成的情况下，缩短从研究演示到可部署技能的路径。
更广泛的信号是，机器人训练和人机协作之间的界限正在模糊。体育和体育游戏历来是 AI 认知的严格基准（国际象棋、围棋、星际争霸），它们进入具身机器人领域表明研究人员正在有意识地在对抗性的物理条件下测试泛化能力。随着 Unitree、Fourier Intelligence 等公司的人形机器人平台变得更便宜、更易于获取，竞争优势将越来越多地不在于硬件，而在于系统在现实世界中从人类伙伴那里吸收新技能的效率。