AI Sports Hardware Company Raises Hundreds of Millions in Series B to Revolutionize Tennis Training with Sports Large Models | HardKr First

作者｜黄楠 编辑｜袁斯来 硬氪获悉，AI体育硬件公司「庞伯特」近日完成数亿元B轮融资，由上海国投先导基金领投，元禾璞华、浦东创投等跟投，老股东蓝驰创投持续加注。高鹄资本担任独家财务顾问。 此前公司已连续完成三轮A轮系列融资，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头部机构集体参与。 融资资金将重点投向AI体育大模型、运动视觉与训练决策技术研发，拓展全球市场，完善海外渠道与本地化品牌运营；落地更多运动品类新品，扩大技术平台复用边界。公司长期目标是普及专业运动训练服务，让普通用户也能获得专业级训练体验。 庞伯特最早从乒乓球场景切入，逐步建立起覆盖发球执行、视觉感知、运动分析和训练决策的“手、眼、脑”一体化能力，在行业内率先把自研体育大模型落地至智能发球机硬件产品，并将这套技术能力复用到网球等其他运动品类。 公司首款智能网球发球机器人PACE系列于2024年10月上线Kickstarter，众筹金额超270万美元；2026年5月，又推出Aura多合一AI教练机器人，发布当天5小时众筹金额即超100万美元，累计金额超400万美元。 目前，庞伯特全球用户已超30万，设备累计发球总量超20亿次，积累了超100万组球路数据。澳网9月28日正式宣布，庞伯特成为澳大利亚网球公开赛官方合作伙伴、官方发球机器人合作伙伴，并同时担任澳大利亚国家网球学院官方发球机器人供应商。 随着核心产品和商业化路径逐步跑通，庞伯特由早期的产品与品类拓展、进入到长期平台能力建设阶段。 庞伯特成为澳大利亚网球公开赛官方合作伙伴（图源/企业） 运动训练领域，长期存在一个被技术忽视的结构性矛盾。 国际网球联合会2024年数据显示，全球网球参与人数达1.06亿。其中，美国网球活跃用户与教练配比高达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，普及度与大众需求同步上涨，但动辄数百元一小时的私教课，把绝大多数初学者挡在门外。 与此同时，好教练往往预约困难、时间难以匹配，教学风格也未必契合自身；即便每周安排一节私教课，在自主练习时段，无论是颠球、空挥、发球机训练或对墙练习，用户依然缺少实时的观察与技术指导。大众真正需要的，并不是一个机器陪练对手，而是缺教练、缺陪练、缺高效的自主训练方式。 然而，市场上大部分发球设备仍停留在机械吐球阶段：无节奏、无旋转、无指导；也有一些产品拥有视觉感知的能力，但只是后置给到用户一些速度、落点等的数据分析报告，几乎谈不上训练价值。 “训练场景里，练习带来的能力提升才是用户的核心需求。”庞伯特创始人兼CEO张海波告诉硬氪，“大家都希望身边能有一个随叫随到的‘AI教练’。TA可以不用一直喂球，但能持续观察、给出实时指导。” 这正是庞伯特所锚定的环节，把专业级运动训练能力，从少数人的特权变成大众可及的日常工具。 理解庞伯特的产品逻辑，要回到运动训练的本质。过去，传统发球机只完成了“发球”动作，却没有实现“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，庞伯特可以持续沉淀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，实时捕捉挥拍姿态、击球回球速度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做解析判断，输出动作纠错、训练方案优化等专业指导。 庞伯特“手-眼-脑”一体化架构（图源/企业） “用户不需要感知背后有多大的模型，只需要感到：它看得懂我，也知道下一步怎么帮我练。”张海波对硬氪表示，“我们所说的‘体育大模型’，不是简单把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，而是在通用多模态能力之上，结合机器人将大模型从虚拟世界拉入物理世界，真正参与到物理训练中。” 这个系统的核心能力，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，系统需要结合实际表现给出建议，再逐步转化为具体的训练安排，比如发什么球、什么节奏、关注用户的什么动作问题、什么训练强度。 技术路线上，庞伯特选择端云协同架构。端侧承担低延迟感知和轻量判断，保证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。 “长期方向是从‘理解运动’走向‘参与训练’。”张海波表示。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，什么时候该加难度、什么时候该巩固基础、什么样的球路组合能针对性解决某个技术短板。还需要结合连续训练表现，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，让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 Coach（训练教练）。 “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。”张海波说道。 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。 “我们有运动领域最有价值的精标数据，是带有因果链条的闭环数据——发现问题、给出指导、执行纠错、效果验证。这些数据在互联网公开数据集中绝不可能获取。”张海波指出，“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。” 张海波告诉硬氪，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。 Aura多合一AI教练机器人（图源/企业） 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%。针对性化解专业教练供给不足、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在快速成长期，有望在2028年迎来规模化落地的爆发拐点。 “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%。但到了现在，数字化、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。”张海波说。 庞伯特以“手-眼-脑”一体化架构为底座，让体育大模型从“理解运动”走向“参与训练”，由AI Coach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 Coach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，进一步加快全球化市场渠道的建设与落地。 覆盖多运动品类、软硬件协同的AI体育科技平台（图源/企业） 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 Coach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 Coach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，我们的教练能力还正在进化，我们会把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，再生成适合用户的球路，联动发球设备，安排针对性练习。比如机器人会发出像教练现场的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��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。