SMASH 2.0: robôs humanoides jogam partida autônoma de tênis de mesa até 11 pontos

A demonstração do SMASH 2.0, desenvolvida por uma equipe da Universidade de Hong Kong (HKU) em parceria com a KAI, foi relevante por mostrar uma partida completa — e não apenas uma façanha isolada de um robô. Segundo a equipe, dois robôs humanoides disputaram de forma independente um jogo de tênis de mesa até 11 pontos: alternaram saques, responderam às bolas recebidas, fizeram jogadas ofensivas e defensivas e acumularam pontos até que um deles vencesse. Não houve controle remoto, alimentação de bolas por uma pessoa nem câmeras externas. 4612

A palavra “primeiro” deve ser entendida como uma reivindicação dos pesquisadores, não como uma conclusão independente e definitiva de todo o setor. O que as fontes disponíveis sustentam é o alcance da demonstração: uma disputa entre dois robôs humanoides, em formato de partida completa, usando percepção embarcada e autonomia durante o jogo. 24

Uma partida até 11 pontos é mais do que 11 trocas

No tênis de mesa, uma troca — ou rally — é a sequência de rebatidas de uma única bola até o ponto terminar. Já uma partida até 11 pontos exige que os robôs administrem toda a disputa: sacar, receber, devolver, lidar com erros, atribuir os pontos, alternar o saque e continuar jogando até que as regras determinem um vencedor. Onze trocas bem-sucedidas, por si só, não comprovariam esse conjunto de capacidades. 57

A diferença é importante do ponto de vista técnico. Um robô pode ser programado para devolver bolas em um exercício cooperativo ou responder a uma pessoa que faz a alimentação. Isso não significa que ele consiga iniciar e concluir sozinho uma partida competitiva. Quando dois robôs jogam para vencer, eles também precisam tomar decisões de ataque e defesa, em vez de simplesmente manter uma troca previsível. 57

Como o SMASH 2.0 fecha o ciclo entre percepção e ação

O SMASH 2.0 é descrito como um sistema modular que integra quatro funções principais:

1. Percepção: câmeras instaladas no próprio robô detectam a bola e estimam informações relevantes sobre o estado do equipamento, sem depender de uma estrutura de câmeras externas. 2
2. Previsão da trajetória: o sistema calcula a direção da bola e antecipa seu voo e quique. 714
3. Planejamento do movimento e do golpe: o robô escolhe como e onde atingir a bola, incluindo respostas para diferentes trajetórias de chegada. 714
4. Controle de corpo inteiro: pernas, tronco, braços e raquete são coordenados para alcançar a bola, manter o equilíbrio e executar o golpe escolhido. 214

Os relatos descrevem uma janela de decisão e controle na escala de milissegundos. O robô precisa identificar a bola que se aproxima, calcular sua trajetória e planejar o golpe antes do próximo contato possível. 714 A descrição acadêmica do SMASH também destaca o aprendizado por imitação alinhado à tarefa para o controle das rebatidas e a percepção embarcada para interações em tempo real. 2

O que mudou do SMASH 1.0 para o 2.0

A atualização foi direcionada às capacidades necessárias para uma partida real, e não apenas para um exercício de devolução conveniente.

Saque autônomo

O SMASH 2.0 passou a permitir que os próprios robôs iniciem os pontos e alternem os saques conforme o formato da partida. Sem essa função, um robô poderia participar das trocas, mas não teria condições de conduzir sozinho um jogo completo do início ao fim. 58

Maior alcance para rebater

O sistema ampliou a área de alcance dos robôs para lidar com bolas mais curtas e mais longas. A equipe afirmou ter usado dados de movimentos humanos em simulações para criar uma biblioteca mais ampla de movimentos e melhorar a cobertura do espaço de atuação do robô. 2

Ataque e defesa, não apenas devoluções cooperativas

Uma partida completa também exige atacar e defender. A descrição do SMASH 2.0 inclui diferentes tipos de devolução e escolhas de posicionamento da bola, tornando o sistema mais orientado à competição do que um robô que apenas devolve uma sequência previsível. Ainda assim, as fontes disponíveis não demonstram uma versatilidade tática equivalente à de jogadores humanos. A conclusão mais segura é que a demonstração conectou saque autônomo, percepção, movimentação e pontuação em um único ciclo de jogo. 714

O limite atual: estratégia predefinida, não adaptação em tempo real

Os robôs podem receber estratégias previamente configuradas, como jogar em ritmo mais rápido ou mais lento e mirar diferentes regiões da mesa. A equipe afirma, porém, que ainda não alcançou um aprendizado online genuíno contra um adversário específico durante uma partida. Na prática, o robô ainda não consegue identificar continuamente as preferências de um rival e mudar sua estratégia enquanto o jogo está acontecendo.

O próximo passo proposto é guardar os dados produzidos em partidas entre robôs — incluindo trocas bem-sucedidas e malsucedidas — e usar esses registros posteriormente em aprendizado por reforço com robôs reais. Isso poderia levar à ideia de uma “autoevolução” robótica, mas continua sendo um objetivo futuro de treinamento, não uma capacidade comprovada pela partida relatada.

Como a equipe treinou os robôs

A equipe afirma que seus dados atuais de treinamento são principalmente humanos. Gravações de movimentos de pessoas foram usadas em simulações para ampliar o alcance dos golpes, enquanto a pesquisa do SMASH descreve demonstrações capturadas por sistemas de captura de movimento e bibliotecas de movimentos geradas como parte do aprendizado das habilidades. 2

Relatos mais específicos mencionam sessões diárias de treinamento, com duração aproximada de um a dois meses, nas quais treinadores usaram equipamentos de captura de movimento. A equipe também demonstrou interesse em coletar movimentos sem marcadores — uma abordagem que pode facilitar a aquisição de dados, mas eventualmente envolver compromissos de qualidade. Esse detalhe deve ser tratado como uma descrição metodológica da própria equipe; as fontes disponíveis não verificam de forma independente cada etapa do processo. 35

Por que o tênis de mesa é um teste difícil para robôs humanoides

O tênis de mesa reúne vários problemas complexos da robótica em um intervalo muito curto. O humanoide precisa acompanhar uma bola pequena e veloz, prever sua trajetória e seu quique, escolher uma resposta, deslocar-se até a posição adequada, coordenar várias articulações, preservar o equilíbrio e fazer um contato controlado. Enquanto isso, o adversário e o ambiente físico mudam continuamente. 1418

Por isso, o esporte funciona como um teste adversarial de inteligência artificial incorporada — ou embodied AI. O desempenho depende de reagir a novas condições, e não de repetir uma sequência fixa. A lógica é semelhante à de outros desafios esportivos formais para robôs, incluindo modalidades de combate: em todos eles, o sistema precisa reagir rapidamente, coordenar o corpo e tomar decisões em resposta a um oponente.

Da demonstração à competição em Pequim

A segunda edição dos Jogos Mundiais de Robôs Humanoides foi realizada no Oval Nacional de Patinação de Velocidade de Pequim, conhecido como “Ice Ribbon”, de 22 a 26 de agosto de 2026. O tênis de mesa estreou como modalidade oficial, com 12 equipes participantes. 810

No total, os Jogos reuniram 2.056 robôs em 666 equipes, distribuídos por 51 disciplinas. Esse número geral não deve ser confundido com a quantidade de robôs inscritos especificamente no torneio de tênis de mesa. A equipe HKU SMASH chegou à final da modalidade, mas terminou como vice-campeã após perder por 2 a 0 para a equipe conjunta PKU–BAAI, da Universidade de Pequim e da Academia de Inteligência Artificial de Pequim. 110

Os robôs da SMASH também participaram de uma exibição contra a campeã olímpica de tênis de mesa Ding Ning. Ela é a adversária humana claramente documentada para o sistema da HKU; outros atletas apareceram em demonstrações separadas durante os Jogos. 111920

Quem criou o SMASH?

O projeto é uma colaboração entre pesquisadores da Universidade de Hong Kong e a empresa de inteligência artificial incorporada KAI, também citada em reportagens como Chaowei ou Chaowei Motion. A equipe HKU SMASH é descrita como um grupo jovem de pesquisa em embodied AI, liderado por pesquisadores e formado em grande parte por doutorandos da HKU. O professor Lo Ping é identificado como supervisor e líder de pesquisa. 811

A equipe relatou ter levado cerca de seis meses para permitir que os robôs jogassem contra pessoas, seguidos de aproximadamente meio mês de preparação para que dois robôs jogassem autonomamente entre si. Esse período se refere à preparação divulgada para a demonstração, não a toda a história da pesquisa em robótica para tênis de mesa, cuja data exata de início não é estabelecida pelas fontes disponíveis. 11

O resultado prático do SMASH 2.0 é, portanto, mais específico — e mais útil — do que sugerem as manchetes mais amplas: a equipe afirma ter demonstrado a primeira partida completa de tênis de mesa entre dois humanoides totalmente autônomos. Ao mesmo tempo, o teste deixou claro qual é o próximo desafio: os robôs já conectam percepção, previsão, movimento e pontuação em um formato competitivo, mas ainda precisam modelar adversários em tempo real e aprender continuamente antes de serem descritos como jogadores estrategicamente adaptativos.