唯一的缺點是，它很難！不是一朝一夕能創造成果的。

馬丁·佩羅特：安東尼向我推薦了這個活。一小時20歐，對我來說真的很誘人。不過在聽說是要當機器人“測試員”的時候，我以為他在開玩笑。

馬丁背着包，一個穿得圓滾滾的人帶他進入園區。外面在下雪，他進門前先拍了拍肩上的雪花。

馬丁·佩羅特：我以為會是《終結者》那樣的，或者《底特律：變人》？鐳射眼、刀槍不入、變換各種形态，它會把我打得落花流水。

測試的區域是一片室内網球場。馬丁一來就被球場兩邊吸引了目光。

一邊是兩個喂球機器，從幸村的“訓練機”暴露後，網壇陸續有人去購買這種強度更高、更精準的喂球機。它們顯然是高配，球質很高而且落點精準。

而另一邊，是跑動擊球的“西格瑪”，那個時候還是未完成形态，臉部隻是面具一樣的平滑罩，身軀還有些地方裸露在外。

馬丁·佩羅特：有種進入了科幻片的錯覺。（揮舞着手臂）我看過跑步的機器人、投标槍的機器人，但是…它在追着網球，是自己在思考和反應，沒有人操控。這真是…太不可思議了。

不過當馬丁上場時，西格瑪的動作還比較僵硬，而且失誤較多，尤其是打有旋轉的球時，幾乎一球一個出界。

SRA研究員-羅伯特·瓊斯：西格瑪的最大特點在于，他的對抗能力。獲取事物信息，進行自主思考，做出反應動作。就像真正的人類一樣。

在網球比賽中，假如一方的球速達到150km/h，那麼另一方的反應、思考、行動時間總和在0.5秒左右，追球距離越長，思考的時間會被壓縮到0.1秒甚至更少。這非常考驗機器人的“大腦”，也就是AI的能力。

網球是三維内的動态變化過程，它的飛行軌迹是線性速度又帶有自轉的複合運動模式。單單解構、推演這些三維數據，複雜程度就超過圍棋AI預判數十步。

但這僅僅是“看”球路的“反應”的過程，一個開始。

每個回合包含幾十個變量，網球初始位置、速度、轉速、自轉方向、動态位置…對手的位置、移動、姿态、握拍方式…從戰術的角度，它所需要推演并決策的信息對比圍棋是呈指數級别的增量。

這不是常規AI訓練能覆蓋得了的。

所以我們采用的學習模式兼顧多樣，首先我們給它“看”網球比賽，以“一分”為單位。從發球開始，每個回合的點位、線路。同時，把不同的運動員進行簡單的“建模”，讓西格瑪學習他們。

多達十幾萬的單位其實不夠讓西格瑪應對任何情況，而且采集的信息可能有錯誤。又或者有我們未知的bug。

所以我們還采取實際的訓練模式。

其一就是把網球場區域三維網格化，然後讓西格瑪遍曆不同的球形和落點，探索最優“解”，并且對有誤的已學信息進行糾正。

但是這樣的效率很低，真要完成遍曆一百年都做不到。所以我們決定搭配第二種訓練模式：找職業運動員進行真實對抗，獲得更多的“經驗”。

同時，我們必須進行算法優化，最大程度減少“思考”時間。

馬丁在與西格瑪底線對拉，後台的電腦上顯示西格瑪的“思維”信息和擊球效率。

一拍出界，馬丁搖了搖頭，他又一次失誤。西格瑪停頓了下，轉身找球并挑在拍上。

“這也太真了吧！”馬丁轉頭和一旁觀察的工程師攤手。等他以準備的姿态盯着西格瑪，機器人才重新開始發球的動作。

馬丁·佩羅特：這份工作持續了一個星期，很快，我已經不能讓它産生任何錯誤。而我也不想再練下去。想象一下你與球友訓練，隻有你在不斷失誤，這讓我難以忍受。

SRA首席設計師-周毅：我們在不停地找更有效率，擊球質量更高的職業運動員。比如發球、接發特别出色的，對某條線路特别拿手的，網前技術特别強的……他們可能隻是不夠全面，所以難以升到更高的排名。

他們讓西格瑪不斷得到強化，也給予了我們寶貴的專業性意見。

十倍速鏡頭下，西格瑪的外觀也在日漸完善。直至7月8日，一切測試完成後，工程師再次小心地為它裝上核動力電池。銀色的額頭亮起具有科技魅惑感的藍光标識——∑