Cómo dos robots humanoides jugaron solos un partido completo de tenis de mesa

La demostración de SMASH 2.0 fue importante por una razón concreta: no mostró únicamente un robot devolviendo pelotas en un ejercicio controlado, sino a dos robots humanoides disputando un partido completo. Según el equipo de la Universidad de Hong Kong (HKU) y KAI —también identificado en algunos reportes como Chaowei Motion—, ambos robots sacaron, recibieron, devolvieron pelotas, alternaron el servicio y acumularon puntos hasta decidir un ganador. Todo ello ocurrió sin teleoperación, sin una persona alimentando las pelotas y sin cámaras externas. 4612

La palabra «primero» debe atribuirse a los investigadores: es una afirmación del equipo y no un hecho establecido de forma independiente para toda la industria. Lo que sí está respaldado por los reportes disponibles es el alcance de la demostración: un enfrentamiento autónomo entre dos humanoides, con percepción incorporada y formato de partido completo. 24

Un partido a 11 puntos no equivale a 11 peloteos

En tenis de mesa, un peloteo es el intercambio de una pelota hasta que termina el punto. Un partido a 11 puntos exige mucho más: los robots deben sacar, recibir, devolver la pelota, gestionar los errores, atribuir cada punto, cambiar el servicio conforme a las reglas y continuar hasta que haya un vencedor. Once intercambios exitosos, por sí solos, no demostrarían todas esas capacidades. 57

La diferencia es fundamental. Un robot puede devolver pelotas en un ejercicio cooperativo o responder a un lanzador humano sin contar con la autonomía necesaria para iniciar y completar un partido competitivo. Cuando dos robots intentan ganar, además, deben generar respuestas ofensivas y defensivas, no limitarse a mantener un peloteo predecible. 57

El circuito cerrado de SMASH 2.0

SMASH 2.0 se describe como un sistema modular que enlaza cuatro funciones principales:

1. Percepción: cámaras instaladas en el propio robot detectan la pelota y estiman el estado relevante del humanoide desde una perspectiva egocéntrica, sin depender de un sistema externo de cámaras. 2
2. Predicción de la trayectoria: el sistema calcula hacia dónde viaja la pelota y anticipa su vuelo y su bote. 714
3. Planificación del movimiento y del golpe: decide cómo y dónde impactar la pelota, incluidos distintos tipos de respuesta según la trayectoria de llegada. 714
4. Control de todo el cuerpo: coordina piernas, torso, brazos y pala para alcanzar la pelota, conservar el equilibrio y ejecutar el golpe elegido. 214

Los reportes sitúan esta cadena de decisión y control en una ventana de escala milimétrica: el robot debe identificar la pelota, calcular su trayectoria y planificar el golpe antes del siguiente contacto jugable. 714 La descripción académica de SMASH también destaca el aprendizaje por imitación alineado con la tarea para controlar los golpes y la percepción a bordo para interactuar en tiempo real. 2

En otras palabras, el sistema no funciona como una secuencia fija de movimientos. Cierra el ciclo entre ver, predecir, decidir y actuar, y vuelve a empezar después de cada respuesta del rival.

Qué aportó SMASH 2.0 frente a la versión 1.0

La actualización se centró en las capacidades necesarias para jugar un partido real, en lugar de limitarse a devolver una pelota convenientemente colocada.

Saque autónomo

SMASH 2.0 incorporó el saque autónomo. Así, los robots pueden iniciar los puntos y alternar el servicio de acuerdo con el formato del juego. Sin esta función, un robot podría participar en los intercambios, pero no ejecutar por sí solo un partido completo de principio a fin. 58

Mayor espacio de golpeo

El sistema amplió la zona de alcance para responder tanto a pelotas cortas como a pelotas largas. El equipo explicó que utilizó datos del movimiento humano en simulación para construir una biblioteca más amplia de golpes y cubrir mejor el espacio de trabajo del robot. 2

Devolver no basta: también hay que atacar y defender

Un partido completo exige algo más que mantener la pelota en juego. Los robots deben atacar, defender y elegir dónde colocar sus respuestas. La descripción de SMASH 2.0 incluye distintos tipos de devolución y objetivos de colocación, lo que acerca el sistema a una situación de partido y no a una simple rutina cooperativa. 714

Eso no significa que los robots tengan una versatilidad táctica comparable a la de un jugador humano. Las fuentes disponibles no permiten sostener esa conclusión. El resultado más sólido es otro: la demostración conectó el saque autónomo, la percepción, el movimiento y la puntuación en un único bucle de juego.

El límite actual: estrategias predefinidas, no adaptación en tiempo real

Por ahora, los operadores pueden proporcionar a los robots estrategias preestablecidas: jugar más rápido o más despacio, o buscar diferentes zonas de la mesa. El equipo reconoce que todavía no ha conseguido un aprendizaje en línea genuino contra un oponente concreto durante un partido. En la práctica, el robot aún no puede deducir continuamente las preferencias de un rival y modificar su estrategia sobre la marcha.

El siguiente paso propuesto consiste en conservar los datos generados en los partidos entre robots, incluidos los intercambios exitosos y fallidos, para utilizarlos después en aprendizaje por refuerzo sobre robots físicos. Esa vía podría hacer realidad la idea de una «auto evolución» robótica, pero por ahora sigue siendo un objetivo de entrenamiento futuro, no una capacidad demostrada en el partido reportado.

Cómo se entrenó el sistema

El equipo afirma que sus datos de entrenamiento actuales proceden principalmente de seres humanos. Las grabaciones del movimiento humano se utilizaron en simulación para ampliar el alcance de golpeo, mientras que el trabajo académico sobre SMASH describe demostraciones capturadas mediante sistemas de captura de movimiento y bibliotecas de movimientos generados. 2

Reportes más detallados hablan de sesiones diarias de entrenamiento, de aproximadamente uno o dos meses, con entrenadores equipados con sistemas de captura de movimiento. El equipo también ha mostrado interés en recopilar movimientos sin marcadores, aunque esta opción podría implicar compromisos en la calidad de los datos. Este detalle debe entenderse como una descripción de la metodología proporcionada por el equipo: las fuentes disponibles no verifican de forma independiente cada etapa del proceso. 35

Por qué el tenis de mesa es una prueba exigente para un humanoide

El tenis de mesa concentra varios problemas difíciles de la robótica en un intervalo muy breve. El humanoide debe seguir una pelota pequeña y rápida, estimar su trayectoria y su bote, elegir una respuesta, desplazarse hasta la posición adecuada, coordinar múltiples articulaciones, mantener el equilibrio y golpear con precisión. Mientras tanto, el rival y el entorno cambian de forma continua. 1418

Por eso el deporte funciona como una prueba adversarial de inteligencia artificial incorporada: el robot debe responder a condiciones nuevas, no reproducir una secuencia fija. En ese sentido, puede compararse con otros desafíos deportivos formales para robots humanoides, incluidos los eventos de combate, porque todos exigen reacción rápida, coordinación física y decisiones frente a un oponente.

La mesa de tenis de mesa también representa un cambio de enfoque en la robótica. El objetivo ya no es únicamente ejecutar una acción preprogramada, sino percibir el entorno, anticipar lo que ocurrirá y ajustar la respuesta en tiempo real.

De la demostración a la competición en Pekín

La segunda edición de los World Humanoid Robot Games se celebró del 22 al 26 de agosto de 2026 en el Óvalo Nacional de Patinaje de Velocidad de Pekín, conocido como el «Cinturón de Hielo». El tenis de mesa debutó allí como disciplina oficial, con 12 equipos participantes. 810

La cifra de 2.056 robots pertenecientes a 666 equipos y distribuidos en 51 disciplinas corresponde al conjunto de los Juegos, no al torneo de tenis de mesa. El equipo HKU SMASH alcanzó la final y terminó como subcampeón tras perder por 0-2 frente al conjunto conjunto de la Universidad de Pekín y la Academia de Inteligencia Artificial de Pekín (PKU-BAAI). 110

Los robots de SMASH también participaron en una exhibición frente a la campeona olímpica de tenis de mesa Ding Ning. Los reportes identifican a Ding Ning como la oponente humana documentada con claridad para el sistema de HKU; otros deportistas participaron en demostraciones separadas durante los Juegos. 111920

Quién está detrás de SMASH

El proyecto combina a investigadores de la Universidad de Hong Kong con KAI, una empresa de inteligencia artificial incorporada que también aparece en algunos reportes bajo los nombres Chaowei o Chaowei Motion. El equipo HKU SMASH se describe como un grupo joven de investigación en inteligencia artificial incorporada, dirigido por investigadores y formado en buena medida por estudiantes de doctorado de HKU. El profesor Lo Ping figura como supervisor y responsable de investigación. 811

El equipo informó que dedicó alrededor de seis meses a conseguir que los robots jugaran contra personas y aproximadamente medio mes adicional a preparar a dos robots para enfrentarse de forma autónoma. Ese calendario se refiere a la preparación comunicada para la demostración, no a toda la historia de la investigación en robótica aplicada al tenis de mesa, cuya fecha exacta de inicio no está establecida en las fuentes disponibles. 11

El logro de SMASH 2.0 es, por tanto, más concreto —y más útil— que lo que sugieren algunos titulares: el equipo demostró lo que presenta como el primer partido completo y autónomo de tenis de mesa entre dos humanoides. Los robots ya pueden unir percepción, predicción, movimiento y puntuación en un formato competitivo; todavía necesitan modelar de forma fiable al oponente y aprender continuamente antes de poder considerarse jugadores estratégicamente adaptativos.