AI运动硬件公司获数亿B轮融资，用体育大模型重构网球自主训练体验｜硬氪首发

AI体育硬件企业「庞伯特」近期宣布完成B轮融资，金额达数亿元人民币。本轮融资由上海国投先导基金领投，元禾璞华、浦东创投等机构跟投，老股东蓝驰创投继续追加投资。高鹄资本担任本轮融资的独家财务顾问。

此前，该公司已顺利完成三轮A轮系列融资，投资方包括神骐资本、明势创投、蓝驰创投、锦秋基金、华创资本及成为资本等多家头部机构。

所募资金将主要用于AI体育大模型、运动视觉及训练决策技术的研发，同时推动全球市场拓展，完善海外渠道和本地化品牌运营。此外，资金还将用于推出更多运动品类的新产品，扩大技术平台的应用范围。公司的长期目标是普及专业运动训练服务，使普通用户也能享受到专业级别的训练体验。

庞伯特最初以乒乓球场景为切入点，逐步构建了涵盖发球执行、视觉感知、运动分析和训练决策的“手、眼、脑”一体化能力。该公司在行业内率先将自研的体育大模型应用于智能发球机硬件，并将这一技术体系扩展至网球等其他运动项目。

2024年10月，庞伯特推出了首款智能网球发球机器人PACE系列，在Kickstarter平台上的众筹金额超过270万美元。2026年5月，公司又发布了Aura多合一AI教练机器人，发布当天5小时内众筹金额即突破100万美元，累计金额超过400万美元。

截至目前，庞伯特在全球拥有超过30万用户，设备累计发球总量超过20亿次，并积累了超过100万组球路数据。2026年9月28日，澳大利亚网球公开赛正式宣布，庞伯特成为其官方合作伙伴及官方发球机器人合作伙伴，同时担任澳大利亚国家网球学院的官方发球机器人供应商。

随着核心产品和商业化路径的逐步成熟，庞伯特已从早期的产品与品类拓展阶段，进入长期平台能力建设阶段。

在运动训练领域，长期存在一个被技术忽视的结构性矛盾。根据国际网球联合会2024年的数据，全球网球参与人数达到1.06亿。其中，美国网球活跃用户与教练的比例高达800:1，专业教练供给严重不足。在中国，网球运动消费市场持续升温，普及度和大众需求同步增长，但每小时数百元的私教课程将大多数初学者拒之门外。

与此同时，优秀的教练往往预约困难，时间难以协调，教学风格也可能不适合个人需求。即使每周安排一节私教课，在自主练习时段，无论是颠球、空挥、发球机训练还是对墙练习，用户仍然缺乏实时的观察和技术指导。大众真正需要的并非一个机器陪练对手，而是缺乏教练、陪练和高效的自主训练方式。

然而，市场上大多数发球设备仍停留在机械吐球阶段：无节奏、无旋转、无指导。一些产品虽具备视觉感知能力，但仅能后置提供速度、落点等数据分析报告，几乎不具备训练价值。

庞伯特创始人兼CEO张海波指出，在训练场景中，练习带来的能力提升才是用户的核心需求。用户希望身边能有一个随叫随到的“AI教练”，它不一定需要持续喂球，但能持续观察并给出实时指导。这正是庞伯特所聚焦的环节——将专业级运动训练能力从少数人的特权转变为大众可及的日常工具。

理解庞伯特的产品逻辑，需要回归运动训练的本质。传统发球机仅完成了“发球”动作，未能实现“教学”闭环。一个好的教练需要同时具备三种能力：用手喂出精准的球路，用眼观察学员的跑位和动作，用脑判断问题并给出实时反馈。庞伯特将这套能力拆解为“手-眼-脑”一体化架构。

“手”对应发球与供球系统，稳定可控的发球能力是实现智能指导的物理基础。依托这套执行单元，庞伯特可以持续积累海量球路样本与用户训练行为数据，再逐步加入“眼”和“脑”的能力并持续迭代。“眼”是高速视觉感知模块，能够实时捕捉挥拍姿态、击球回球速度及落点等练习场景数据。“脑”则是庞伯特提出的体育大模型，对采集到的多维度信息进行解析判断，输出动作纠错、训练方案优化等专业指导。

张海波表示，用户无需感知背后有多大的模型，只需感到系统“看得懂我”，也知道下一步如何帮助练习。庞伯特所说的“体育大模型”并非简单将通用模型接到发球机上，而是具备“感知-决策-执行”一体化能力的模型。在通用多模态能力基础上，结合机器人将大模型从虚拟世界拉入物理世界，真正参与物理训练。

该系统的核心能力是将用户的自然语言表达转化为可执行的训练方案。当用户提出“我想改善反手稳定性”的诉求时，系统需结合实际表现给出建议，再逐步转化为具体的训练安排，例如发什么球、什么节奏、关注用户的什么动作问题、以及什么训练强度。

在技术路线上，庞伯特选择了端云协同架构。端侧承担低延迟感知和轻量判断，确保实时反馈的响应速度；云端结合多模态信息、球路数据和教练知识，完成更复杂的分析。经过验证的能力，再通过训练、蒸馏等方式下沉到终端。

张海波指出，长期方向是从“理解运动”走向“参与训练”。这意味着模型不仅要能分析动作对错，还要能理解训练逻辑，例如何时该增加难度、何时该巩固基础、以及什么样的球路组合能针对性解决某个技术短板。此外，还需结合连续训练表现，规划连续训练计划，并联动发球设备安排针对性练习。

从“手”的稳定输出，到“眼”的实时捕捉，再到“脑”的即时决策，三个模块的协同使庞伯特的产品不再只是一台单纯的发球机器，而是具备完整感知-决策-执行闭环的AI教练。张海波强调，庞伯特并非要替代专业教练，而是让专业指导延伸到更多日常训练中，使用户独自练球时也有方向和反馈。

目前，庞伯特平台已积累100万组乒乓球球路和超过20万组网球球路。Aura搭载了可拆卸的120fps双摄视觉模块Spotter，拥有10Tops端侧算力。Aura上市后，每年可采集超过500万小时有效的高质量运动交互数据。

张海波指出，庞伯特拥有运动领域最有价值的精标数据，这些数据是带有因果链条的闭环数据——包括发现问题、给出指导、执行纠错和效果验证。这类数据在互联网公开数据集中绝不可能获取。数据量的积累只是第一步，真正有价值的是把“看见的问题、给出的指导、后续的变化”关联起来。

这类数据既能帮助AI更准确地理解人，也能为未来的运动机器人提供学习基础。它构成了竞争对手难以短期复制的壁垒：从“采集-标注-训练-验证-迭代”的完整循环，叠加运动场景、设备执行、专业判断和效果反馈之间的链路，形成多维度数据间的因果关联。

AI体育硬件的核心价值，不在于把发球机做得更复杂，而在于让运动训练从依赖稀缺的专业教练资源，走向可标准化、可规模化复制的智能服务。

当前，AI运动训练领域已步入商业化落地的关键窗口期。Research and Markets的最新数据显示，全球AI私人教练市场规模从2025年的15.72亿美元，到2026年将增长至20.25亿美元，复合年增长率达28.9%。针对专业教练供给不足、训练场景受限、自主训练效率偏低等固有痛点，当前依托AI实现个性化训练反馈的硬件装备仍处于快速成长期，有望在2028年迎来规模化落地的爆发拐点。

张海波表示，过去各种发球机在专业用户与运动爱好者中的渗透率不足10%。但随着数字化和AI技术的融入，加上中国成熟的供应链能力，增量空间被彻底打开。

庞伯特以“手-眼-脑”一体化架构为底座，使体育大模型从“理解运动”走向“参与训练”，由AI教练完成从动作识别到训练方案生成的闭环，再以持续积累的多模态数据构建算法壁垒。从专业竞技到大众运动，从单一品类到多运动平台，庞伯特正试图验证从技术到产品到商业化的完整闭环。

按照规划，庞伯特将以自研体育大模型为核心底座，持续升级AI教练的运动解析与交互体验，横向拓展匹克球、板式网球、羽毛球、棒球等项目，推动产品从单一智能训练设备向更完整的智能运动系统演进，逐步构建覆盖多运动品类、软硬件协同的全球AI体育科技平台。同时，公司将进一步加快全球化市场渠道的建设与落地。

以下为硬氪与庞伯特创始人兼CEO张海波的访谈节选（略经编辑）：

硬氪：庞伯特Aura在海外众筹和销售表现亮眼，此次重点推出的AI教练功能，目前在实际训练中能给用户带来什么样的智能化体验？它的能力边界在哪里？

张海波：我们希望把“有人陪你打球”进一步变成“有人帮你练好球”。

Aura的AI教练突破最大的是实时性。一个教练最基本的能力是实时，用户打了一拍球，我们希望给到最及时的反馈。在体育场景下，打球的节奏很快，所以这是一个极大的技术考验。

庞伯特当前聚焦在击球动作和完成度两个维度。系统会识别出用户动作中的问题，给出简短、可操作的提示，帮助用户发现自己不容易察觉的偏差，比如引拍时机、击球点位置、重心转移是否到位。相比堆叠专业指标，我们更关注用户能否理解：这一球哪里值得调整，下一球应该注意什么。

另外，我们的教练能力还在进化。我们会理解个人水平和训练目标，再结合连续训练表现，识别长期技术短板——不是单次失误，而是跨越多次训练、多个场景的共性短板。然后生成适合用户的球路，联动发球设备，安排针对性练习。例如，机器人会发出像教练现场适合这个用户水平的球路，再结合智能化教练能力，最大化提高用户的训练效率。

我们不是要替代专业教练，而是让专业指导延伸到更多日常训练中，让用户独自练球时也有方向、有反馈。

硬氪：体育大模型的持续进化离不开数据。庞伯特目前在数据飞轮上的实际进展是什么？从“数据积累”到“可验证的闭环”，中间还需要解决哪些问题？

张海波：过去几年的积累，让我们握住了极其罕见的底层资产。平台已沉淀100万组乒乓球球路和超过20万组网球球路。随着搭载120fps双摄与10Tops端侧算力的Aura上市，预计每年将产生超500万小时高质量运动交互数据。

但数据量本身并不等于数据可用性。在工程层面，我们搭建起了“视频预标注+专业教练人工复核”的基础链路，解决从“有数据”到“数据能用”的问题。

首先要做的，是把教练的隐性经验转化为精标数据。运动姿态的判定不像图文识别，不同教练对“引拍太晚”的理解可能截然不同。我们通过顶级教练团队的复核机制，把模糊的经验转化为高精度标准。

更关键的是构建带“因果链条”的闭环数据。庞伯特的优势在于拥有硬件终端——我们不仅记录用户哪里打得不好，更记录AI给了什么建议、设备调整了什么发球策略、以及用户后续击球姿态的改善幅度。只有带因果标注的数据，模型才能学会“什么样的指导真正管用”。

这件事的门槛从来不是“数据量”本身，而是能否长期、稳定地获取“带因果链条的真实训练数据”。庞伯特同时拥有硬件终端、物理训练场景和体育大模型基座，这会促进我们形成高效驱动模型迭代。