唯一的缺点是，它很难！不是一朝一夕能创造成果的。

马丁·佩罗特：安东尼向我推荐了这个活。一小时20欧，对我来说真的很诱人。不过在听说是要当机器人“测试员”的时候，我以为他在开玩笑。

马丁背着包，一个穿得圆滚滚的人带他进入园区。外面在下雪，他进门前先拍了拍肩上的雪花。

马丁·佩罗特：我以为会是《终结者》那样的，或者《底特律：变人》？镭射眼、刀枪不入、变换各种形态，它会把我打得落花流水。

测试的区域是一片室内网球场。马丁一来就被球场两边吸引了目光。

一边是两个喂球机器，从幸村的“训练机”暴露后，网坛陆续有人去购买这种强度更高、更精准的喂球机。它们显然是高配，球质很高而且落点精准。

而另一边，是跑动击球的“西格玛”，那个时候还是未完成形态，脸部只是面具一样的平滑罩，身躯还有些地方裸露在外。

马丁·佩罗特：有种进入了科幻片的错觉。（挥舞着手臂）我看过跑步的机器人、投标枪的机器人，但是…它在追着网球，是自己在思考和反应，没有人操控。这真是…太不可思议了。

不过当马丁上场时，西格玛的动作还比较僵硬，而且失误较多，尤其是打有旋转的球时，几乎一球一个出界。

SRA研究员-罗伯特·琼斯：西格玛的最大特点在于，他的对抗能力。获取事物信息，进行自主思考，做出反应动作。就像真正的人类一样。

在网球比赛中，假如一方的球速达到150km/h，那么另一方的反应、思考、行动时间总和在0.5秒左右，追球距离越长，思考的时间会被压缩到0.1秒甚至更少。这非常考验机器人的“大脑”，也就是AI的能力。

网球是三维内的动态变化过程，它的飞行轨迹是线性速度又带有自转的复合运动模式。单单解构、推演这些三维数据，复杂程度就超过围棋AI预判数十步。

但这仅仅是“看”球路的“反应”的过程，一个开始。

每个回合包含几十个变量，网球初始位置、速度、转速、自转方向、动态位置…对手的位置、移动、姿态、握拍方式…从战术的角度，它所需要推演并决策的信息对比围棋是呈指数级别的增量。

这不是常规AI训练能覆盖得了的。

所以我们采用的学习模式兼顾多样，首先我们给它“看”网球比赛，以“一分”为单位。从发球开始，每个回合的点位、线路。同时，把不同的运动员进行简单的“建模”，让西格玛学习他们。

多达十几万的单位其实不够让西格玛应对任何情况，而且采集的信息可能有错误。又或者有我们未知的bug。

所以我们还采取实际的训练模式。

其一就是把网球场区域三维网格化，然后让西格玛遍历不同的球形和落点，探索最优“解”，并且对有误的已学信息进行纠正。

但是这样的效率很低，真要完成遍历一百年都做不到。所以我们决定搭配第二种训练模式：找职业运动员进行真实对抗，获得更多的“经验”。

同时，我们必须进行算法优化，最大程度减少“思考”时间。

马丁在与西格玛底线对拉，后台的电脑上显示西格玛的“思维”信息和击球效率。

一拍出界，马丁摇了摇头，他又一次失误。西格玛停顿了下，转身找球并挑在拍上。

“这也太真了吧！”马丁转头和一旁观察的工程师摊手。等他以准备的姿态盯着西格玛，机器人才重新开始发球的动作。

马丁·佩罗特：这份工作持续了一个星期，很快，我已经不能让它产生任何错误。而我也不想再练下去。想象一下你与球友训练，只有你在不断失误，这让我难以忍受。

SRA首席设计师-周毅：我们在不停地找更有效率，击球质量更高的职业运动员。比如发球、接发特别出色的，对某条线路特别拿手的，网前技术特别强的……他们可能只是不够全面，所以难以升到更高的排名。

他们让西格玛不断得到强化，也给予了我们宝贵的专业性意见。

十倍速镜头下，西格玛的外观也在日渐完善。直至7月8日，一切测试完成后，工程师再次小心地为它装上核动力电池。银色的额头亮起具有科技魅惑感的蓝光标识——∑