乒乓球訓練涵蓋感知能力、戰略決策能力，機械人甚至需精準控制擊球角度與速度。DeepMind看中這種複雜物理模擬的特性，希望以此鑽研AI技術，將其轉移至工業製造，甚至未來的家居應用。

機械人對打訓練　仍需人類助破困局
Deepmind借鑑了AlphaGo的策略，以機械人訓練機械人，在實驗中讓兩組機械臂對打乒乓球，當一方進步，另一方也被迫升級應對。機械先進行合作訓練，之後轉向更具挑戰性的「競技模式」，逐步擴展機械人的球路。然而，因球路劇烈變化，模型難以兼顧新舊擊球技巧，其中一方容易無力回擊，陷入局部。

此時，研究發現仍要採用人機對戰，無法完全脫離人類。人類的球路連續性更佳，為機械人提供學習樣本。Deepmind 另外利用了「Zero-shot sim-to-real」技術，使模型能儘快適應陌生對手。現時機械人雖不敵頂尖選手，但對初學者全勝，訓練可謂初見成效。

應用視覺語言模型　創造AI教練
另外，Deepmind希望透過是次訓練探索視覺語言模型（VLM）的潛力，讓VLM未來擔任教練一職。其更開發了SAS提示框架：Summarize總結、Analyze分析、Synthesize合成。這能持續分析學員表現並提出改進方案。

機械人訓練暫時仍需人力，但Deepmind現正努力降低對人類調整的依賴。未來或能孕育出可自主掌握多元技能的機械夥伴。