新智元报道

中国机器人的AstraTennis时刻，来了。　　上周黄金市场的核心主线，是美国债务困局的再度凸显，黄金作为美元信用对冲工具的长期叙事随之强化。

B | 8月22日，第二届世界人形机器人运动会开幕，中央广播电视总台面向全球直播。当镜头扫过赛场，全场的呼吸仿佛都停滞了。球网两侧，一边是人类网球名将，另一边，是一台人形机器人。这一刻，标志着中国技术创新迎来足以载入史册的具身智能奇点。全球第一场真正意义上的人机网球对战，正式开打！

世界首次人机对战网球赛一上来，就是精彩的人机混合网球双打。令人意外的是，银河星仔的表现非常精彩：它步法矫健，根据需要迅速前后移动，打得十分流畅。而且，星仔和人类搭档非常默契地形成了一前一后的站位，全力应战对面的对手。

C | 　　8月19日，美国财政部宣布将长期国债回购操作的单次规模上限从20亿美元提高至至少40亿美元，9月9日生效。这一举措的直接背景是30年期美债收益率接连走高，一度突破5.3%，创下2007年以来新高。

接下来，由网球名将郑洁和银河通用机器人，开展了全世界第一次人机对战的网球单打比赛。财政部亲自下场干预长端利率，恰恰暴露了“高利率+高债务”组合下的偿债压力已触及财政承受力边界的现实。　　然而，市场并未因此缓解对美债的担忧，反而将这次干预本身视为问题暴露的信号。

D | 虽然公告发布当日30年期美债收益率大幅跳水近10个基点，但随后两天即快速回升至5.27%，表明40亿美元的回购规模相对于40万亿美元的美债总存量而言，更多是象征性的姿态，而非实质性的解决方案。

无论是正拍还是反拍，机器人都和人类打得有来有回。财政部被迫出手本身，恰恰印证了美债市场结构性矛盾的严峻程度。　　更为关键的是，市场的关注点正从回购操作的短期效果，转向其背后的深层含义——债务可持续性的质疑一旦被点燃，市场将开始定价另一种可能性：当财政危机与货币紧缩形成冲突时，美联储的独立性是否会让位于政府压力？加息和缩表等紧货币工具是否会在债务约束下被迫妥协？　　这也解释了近期金价的一个看似反常的现象：为何在美债收益率走高的背景下，黄金不跌反涨？因为驱动黄金定价的逻辑正在经历深刻切换。

E | 然后，郑洁决定上点难度，打出一个月亮球。如果长端利率上行源于经济强劲或加息预期，对黄金构成压制；但如果利率上行反映的是财政债务压力、海外买盘的持续削弱以及市场对美联储独立性的质疑，则对黄金构成逻辑上的强化。黄金作为不依赖于任何主权信用的终极价值储存手段，其本质是对冲美元信用下行的工具——这一判断在过去数年美债利率与金价同步上涨的行情中已多次得到验证。结果，在被对手左右调动的过程中，机器人不小心摔了个四脚到底。　　在加息预期回落、债务困境叙事发酵的背景下，黄金表现强势。本周重点关注8月28日杰克逊霍尔全球央行年会上美联储主席沃什的讲话——若鹰派程度不及市场预期，可能为黄金提供更多催化。出乎意料的是，下一秒，它居然立刻调整姿势站了起来。而面对郑洁的切削和旋转，机器人的判断居然也很不错。中长期看，美国财政赤字持续恶化、债务问题难以根本解决、去美元化趋势下的央行购金延续，黄金作为美元信用对冲工具的配置逻辑持续强化。　　未来一周黄金投资重点关注的信号：（1）美联储主席沃什在全球央行年会上的表态；（2）美伊局势进展。　　相关产品黄金ETF华安（518880）/联接A（000216）/联接C（000217）黄金股ETF华安（159321）　　数据来源：Wind，华安基金，截至2026/8/21　　风险提示：敬请投资人关注投资黄金主题基金的特有风险，如黄金市场波动的风险、基金投资组合回报与国内黄金现货价格回报偏离的风险、上海黄金交易所黄金现货市场投资风险等主要风险。

终于，郑洁知道不能放水了，开始左右前后分点调动，机器人出人意料地完成一个精彩的跨步，赢得现场喝彩。黄金股票ETF为股票型基金，主要投资于标的指数成份股及备选成份股，具有与标的指数相似的风险收益特征。

比赛结束，机器人的表现让所有人欢呼。黄金股票ETF可投资港股通标的股票，将面临汇率风险和港股通机制下因投资环境、投资标的、市场制度以及交易规则等差异带来的特有风险。基金管理公司不保证上述基金一定盈利，也不保证最低收益，基金过往业绩不能预示未来收益。我国基金运作时间较短，不能反映股市发展的所有阶段。

F | 市场有风险，投资需谨慎，风险自担。投资人在投资基金前应认真阅读《基金合同》和《招募说明书》等基金法律文件，全面认识基金产品的风险收益特征，在了解产品情况及听取销售机构适当性意见的基础上，根据自身的风险承受能力、投资期限和投资目标，对基金投资作出独立决策，选择合适的基金产品。责任编辑：杨红卜。整场比赛里，屈膝、抛球、转体这些动作全都由人形机器人自己完成。而且，发球时速达到一百多公里，留给它的反应时间只有零点几秒，它却几乎没有掉链子。这台机器人，正是来自银河通用。

G | 十年前，AlphaGo赢了李世石。十年后国产机器人与网坛顶尖运动员同台竞技。如果说AlphaGo证明AI能征服数字世界，那么今天，银河通用的国产机器人证明：AI能扛住物理世界的极限压力测试。它第一次从代码里站了起来，在真实的对抗中奔跑、挥拍、博弈，甚至摔倒后自己爬起，继续战斗。如此精彩的具身智能AstraTennis时刻，被全球同时见证！

中国机器人的AstraTennis时刻为什么这场网球赛，能引起全球科技圈的巨大地震？因为网球，是对具身智能极致的压力测试。由于反应时间只有零点几秒，这项运动，同时将机器人的感知、决策、全身运动控制和实时博弈能力逼到了物理极限。而且，打网球比下围棋对AI来说难得多。毕竟，AlphaGo面对的是19路网格上361个确定的交叉点，对手落子后，它有几十秒甚至几分钟来推演下一步。

H | 那是数字世界的博弈，解空间虽大，但边界清晰，规则恒定。整个世界是静态的、离散的，AI对此一览无余。虽然这道题的解空间比宇宙原子数还多，但对AI而言这也不过是道难度更大的「数学题」。

但网球场不一样。球以每小时一百多公里的速度过来，落点受旋转、风、场地摩擦影响，每一拍的物理参数都不重复。机器人必须在几百毫秒内完成感知、预测、决策、全身协调，同时保持自己不摔倒。对手是打活人，会骗机器人，还会变节奏。这，就是莫拉维克悖论的现场版。1988年，卡内基—梅隆大学移动机器人实验室主任汉斯·莫拉维克就指出过：「让计算机在智力测验或下跳棋时表现出成人水平的表现相对容易，但要赋予它们一岁儿童在感知和行动方面的技能则困难甚至不可能。」三十多年过去，前半句早已兑现，但后半句却很难实现。所以，这次网球赛真正的意义，要远远大于「机器人会不会打球」。它问的是：这一次，AI究竟能不能从数字世界走出来，把感知、决策、运动控制和实时博弈在真实物理环境里闭环跑通？AI不能止步于思考，而是要完成从认知决策到全身执行的完整闭环。

I | 这一次，中国企业率先交卷了！赛场上，银河通用机器人的表现，实在令人惊艳。发球、正手、反手、底线调动、网前截击这些单项能力，在比赛里全部出现了，而且全都是超常发挥。而双打，考验就更大了。机器人和人类队友同场，要实时判断谁去接这个球、谁补位，动态调整打法和。

J | 所以，它要理解的不只是球，还有队友下一步想干什么。高速攻防里，还出现了极限救球的场面。摔倒之后，机器人自己站起来，继续打。很多人第一反应是：这些单项动作，之前机器人不是做到了吗？投篮、踢球、跑百米，过去两年人形机器人的视频里似乎什么都有。但其中最大的差别在于，网球是两个玩家在对抗。跑步的环境是确定的，网球的每一拍都是对手临时出的新题。跑步可以一个动作练一万遍，网球没有两个完全一样的来球。能在对抗中站住，才是真正的智能。

大脑和小脑，第一次装在同一个模型里背后支撑这一切的，是银河通用自研的具身智能大模型「银河星脑」AstraBrain。它最大的亮点之一，就在于架构选择。过去行业里的主流做法是分层：一个「大脑」模型负责理解任务、做高层决策，一个「小脑」模块负责实时运动控制，两者之间用接口传递指令。这种架构的弊端也很直接：大脑想得再清楚，传到小脑已经慢了半拍；小脑动作再标准，不知道大脑为什么要它这么动。更隐蔽的问题是信息断层。大脑下指令的时候，不知道此刻自己的重心压在哪条腿上、右臂还有多少发力余量；小脑执行动作的时候，不知道这一拍是想调动对手还是想直接得分。两边各自最优，合起来却是一个「想得到做不到」或者「做得到想不到」的系统。

K | 在打网球这种任务上，稍微慢半拍，结果就是输球。银河星脑的做法是把大脑层（任务理解与战术决策）、小脑层（高动态全身运动控制）和神经控制集成在同一个模型里。按银河通用的说法，这是全球首个模型能同时负责「想清楚」和「做出来」，中间不再有信息损耗。从网球这个任务倒推，这可能是唯一的解法。

L | 战术决策离不开对自己身体极限的实时感知，运动控制也离不开对战术意图的理解，两者本来就不该分家。

从不完美的人类数据里学

在虚拟球场里对打一千万次架构之外的另一个问题是：这个模型怎么练出来的？机器人领域的一个传统难题就是——没有数据。

M | 语言模型可以吃掉整个互联网的文本，机器人没有这样的互联网。真机采一小时动作数据要一小时，还要人盯着，还会摔坏硬件。这也是为什么过去几年具身智能的进展总是慢于大家的预期。

N | 这背后，离不开银河通用核心技术平台「银河星坊」 的支撑。接下来，分两个步骤。

o | 第一步，是从「不完美人类数据」里学。人类打网球的动作数据可以采，动作捕捉、视频、穿戴传感器都行。但人类的动作本身不标准，业余选手的确很业余，有多余动作。而职业选手的动作最大化个人运动素质，别人做不来，而且每个人的身高臂展关节角度都跟机器人对不上。传统模仿学习要求示范数据干净、对齐、高质量，这种要求在人类数据上几乎不可能满足。银河星坊数据平台要做的，就是从这堆带噪声、不对齐、良莠不齐的示范里提炼出有用的先验：什么时候该启动，挥拍的大致节奏，身体重心怎么转移，真正学会其中的运动规律。

p | 这一步的价值在于冷启动。机器人不用从随机乱动开始摸索，它一上来就大概知道「打网球长什么样」。第二部，就是进虚拟网球世界。在仿真环境里，多个智能体互相对打。不是一个机器人对着发球机练，而是若干个策略各自演化、互为对手。一方学会了压边线，另一方就被迫学会横向大范围移动；一方学会了放小球，另一方就被迫学会快速上网。在这海量的虚拟博弈中，奇迹发生了——「技能涌现」。

q | 工程师没有教过它怎么滑步救球，但在无数次没接到球的失败后，模型自己「领悟」了极限伸展的姿态。工程师没有写下倒地后起身的硬代码，但在虚拟世界摔了千万次后，模型自己「学会」了如何调动全身电机重新站立。

r | 技能无需手工设计出，在对抗压力下AI学会自学。最后，当这些在虚拟世界中练就神功的「灵魂」，被无损迁移到物理世界的真实机器人躯体中时，一个网球大师，就此诞生！放在整个机器学习的谱系里，这条路走在两个极端中间。

s | 纯模仿学习的天花板是示范者的水平，人类教练教不出超过自己的学生，而且人类示范里根本没有「摔倒后怎么爬起来继续打」这种数据。纯强化学习从零开始探索，在网球这种动作空间巨大、奖励稀疏的任务上，搜索成本高到不现实，而且容易学出一些人类完全看不懂的怪异动作，能赢球，但不像打球。先用人类先验打底，再用自主进化拔高。

t | 这本身不算新，AlphaGo当年也是先学人类棋谱，再自我对弈。新的地方在于，十年前这套方法在棋盘上跑通，十年后它第一次在需要身体的任务上跑通。

u | 某种意义上，这正是AstraTennis与AlphaGo之间最迷人的技术呼应。AlphaGo的时代，智能在棋盘上思考；而这一次，智能开始进入物理世界。

v | 这绝不仅是一场网球赛。这个AstraTennis时刻证明：在碳基与硅基共生的新纪元里，中国力量，开始创造更多奇迹。