# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
AI足球教练登上Nature子刊，谷歌DeepMind与利物浦队合作三年打造：
如同AlphaGo颠覆围棋一样，改变了球队制定战术的方式。
像是进攻方把球传给谁更容易创造射门机会，防守方如何调整布阵……AI轻松设计出的高效战术与真实战术难以区分，并且人类专家在90%的情况下青睐AI的建议！
论文共同一作Petar Veličković表示，足球是比围棋更有挑战性的问题。
足球是动态的运动，而且有许多未观察到的因素也会影响结果。
有网友认为，“如果体育运动都能用上AI了，那么所有一切人类活动都将能够使用AI。”
也有人鼓励DeepMind不要被ChatGPT分散研究注意力，朝自己擅长的方向走下去总有一天能开发出更棒的产品。
对于合作对象选择了利物浦这回事，甚至有其它球队粉丝气不过。
猜测DeepMind创始人是不是有私心，用AI黑科技增强他自己最喜欢的球队，真的好不公平。
讲道理的话阿森纳才是主场离DeepMind总部最近的那一个（都在伦敦）。
TacticAI强在哪里？把角球这个机制给玩透了。
DeepMind团队表示，足球比赛中角球是进攻的大好时机，据统计30%的进球都来自角球。
并举例2019年欧冠半决赛，利物浦队阿诺德一个突然折返快速开球，打了对面巴萨一个措手不及，就被评为最佳角球之一，当时把梅西都看傻了。
（DeepMind里看来有不少真球迷啊）
像这样的精彩配合，不是每个球员都能做到，能做到也得看当时状态好不好。
所以TacticAI的研发目标，旨在解决三个核心问题：
至于解决的如何，先来看几个数据。
首先，TacticAI能预测角球传中后，全场22个球员谁最有可能接到球，准确率高达78.2%，妥妥超过人类专家。
这样就能帮助发球队员选择应该将球传给谁了。
对于进攻方来说，光把球传出去还不够，关键是要制造射门机会，TacticAI把这点也考虑到了。
通过分析接球概率和射门概率的关系，它能以71%的准确率预测一次角球是否会制造射门。
更厉害的是，它还能挖掘出不同角球战术之间的内在联系，从而有针对性地提出改进措施。
最终对于进攻方来说，AI提出的战术把制造射门的概率从18%提升到31%。
对于防守方来说，AI调整布阵后把对手射门的概率从75%降低到69%。
就问哪个队的教练能不动心？
那么DeepMind是如何开发出这个大杀器的呢？
数据，收集自2020-2023年间英超比赛的7000多个角球。
三个核心技术：图神经网络+几何深度学习+条件变分自编码器。
首先，将每一场角球的状态表示为一个图（Graph）。
其中每个球员作为一个节点（Node），节点之间的连接（Edges）表示球员间可能的互动。这种图表示法能够自然地捕捉球员间的空间关系和潜在的战术模式。
接下来，使用图神经网络（GNN）学习图表示中的特征。
GNN通过节点和边的信息传递机制，能够学习到节点的高维潜在特征如球员的角色、位置、运动状态等信息。
这里使用了经典的GAT (Graph Attention Networks) 模型，也就是用了大模型上常见的注意力机制，来增强图表示学习。
GAT由图灵奖得主Bengio团队提出，共同一作Petar Veličković也是这次TacticAI的共同一作。
为了提高数据效率，TacticAI还采用了几何深度学习来利用足球比赛中的对称性（如方形足球场地的水平和垂直对称）。
通过显式地在模型中引入对称性约束，使得模型能够在面对图的对称变换时保持预测的一致性。
最后，生成组件使用了条件变分自编码器（CVAE），生成球员在特定战术下可能的位置和速度。
CVAE能够学习输入数据的潜在分布，并从中采样以生成新的数据，提出战术调整建议。
TacticAI的潜力远不止于此，一但将这个方法扩展到其他定位球和更多战术环节，未来可能真的会出现一个通用的AI足球教练。
不过，论文中没有明确提及目前系统的运行速度。
是否能做到在比赛进行中实时分析、给出建议，是很多人关心的问题（比如CV大神谢赛宁）。
广大球迷更关心的则是AI如果真的普及了，对足球比赛的观赏性是增加还是削弱？
这次研究的合作方利物浦队，没有回应是否已经在真实比赛中使用了AI建议。
不过意大利亚特兰大队情报总监很看好这项技术，认为与之前已经广泛应用的大数据分析相比，由AI提出的建议人类也能理解。
AI可以帮助我们以分块或分类的方式分析足球——而不是认为一切只是一个连续的数据流，而人类无法理解发生了什么。
总之未来发生概率较大的是，所有运动员在训练时都会带上AR眼镜了。
本文来源于公众号量子位，作者量子位
