今天小編分享的科學經驗：AI足球教練上崗利物浦，射門機會提高13%！來自DeepMind，網友：這不公平，歡迎閱讀。
AI 足球教練登上 Nature 子刊，谷歌 DeepMind 與利物浦隊合作三年打造：
如同 AlphaGo 颠覆圍棋一樣，改變了球隊制定戰術的方式。
像是進攻方把球傳給誰更容易創造射門機會，防守方如何調整布陣…… AI 輕松設計出的高效戰術與真實戰術難以區分，并且人類專家在 90% 的情況下青睐 AI 的建議！
論文共同一作Petar Veli č kovi ć表示，足球是比圍棋更有挑戰性的問題。
足球是動态的運動，而且有許多未觀察到的因素也會影響結果。
有網友認為，" 如果體育運動都能用上 AI 了，那麼所有一切人類活動都将能夠使用 AI。"
也有人鼓勵 DeepMind 不要被 ChatGPT 分散研究注意力，朝自己擅長的方向走下去總有一天能開發出更棒的產品。
對于合作對象選擇了利物浦這回事，甚至有其它球隊粉絲氣不過。
猜測 DeepMind 創始人是不是有私心，用 AI 黑科技增強他自己最喜歡的球隊，真的好不公平。
講道理的話阿森納才是主場離 DeepMind 總部最近的那一個（都在倫敦）。
AI 吃透角球
TacticAI 強在哪裡？把角球這個機制給玩透了。
DeepMind 團隊表示，足球比賽中角球是進攻的大好時機，據統計 30% 的進球都來自角球。
并舉例 2019 年歐冠半決賽，利物浦隊阿諾德一個突然折返快速開球，打了對面巴薩一個措手不及，就被評為最佳角球之一，當時把梅西都看傻了。
（DeepMind 裡看來有不少真球迷啊）
像這樣的精彩配合，不是每個球員都能做到，能做到也得看當時狀态好不好。
所以 TacticAI 的研發目标，旨在解決三個核心問題：
對于給定的角球戰術，會發生什麼？例如，誰最有可能接球，射門機會多大？
戰術執行後，如何分析？例如，類似的策略在過去是否生效？
如何調整策略以實現特定結果？進攻方如何增加射門機會，防守方又該如何布陣？
至于解決的如何，先來看幾個數據。
首先，TacticAI 能預測角球傳中後，全場 22 個球員誰最有可能接到球，準确率高達 78.2%，妥妥超過人類專家。
這樣就能幫助發球隊員選擇應該将球傳給誰了。
對于進攻方來說，光把球傳出去還不夠，關鍵是要制造射門機會，TacticAI 把這點也考慮到了。
通過分析接球概率和射門概率的關系，它能以 71% 的準确率預測一次角球是否會制造射門。
更厲害的是，它還能挖掘出不同角球戰術之間的内在聯系，從而有針對性地提出改進措施。
最終對于進攻方來說，AI 提出的戰術把制造射門的概率從 18% 提升到 31%。
對于防守方來說，AI 調整布陣後把對手射門的概率從 75% 降低到 69%。
就問哪個隊的教練能不動心？
圖神經網絡 + 幾何深度學習
那麼 DeepMind 是如何開發出這個大殺器的呢？
數據，收集自 2020-2023 年間英超比賽的 7000 多個角球。
三個核心技術：圖神經網絡 + 幾何深度學習 + 條件變分自編碼器。
首先，将每一場角球的狀态表示為一個圖（Graph）。
其中每個球員作為一個節點（Node），節點之間的連接（Edges）表示球員間可能的互動。這種圖表示法能夠自然地捕捉球員間的空間關系和潛在的戰術模式。
接下來，使用圖神經網絡（GNN）學習圖表示中的特征。
GNN 通過節點和邊的信息傳遞機制，能夠學習到節點的高維潛在特征如球員的角色、位置、運動狀态等信息。
這裡使用了經典的GAT ( Graph Attention Networks ) 模型，也就是用了大模型上常見的注意力機制，來增強圖表示學習。
GAT 由圖靈獎得主 Bengio 團隊提出，共同一作 Petar Veli č kovi ć 也是這次 TacticAI 的共同一作。
為了提高數據效率，TacticAI 還采用了幾何深度學習來利用足球比賽中的對稱性（如方形足球場地的水平和垂直對稱）。
通過顯式地在模型中引入對稱性約束，使得模型能夠在面對圖的對稱變換時保持預測的一致性。
最後，生成組件使用了條件變分自編碼器（CVAE），生成球員在特定戰術下可能的位置和速度。
CVAE 能夠學習輸入數據的潛在分布，并從中采樣以生成新的數據，提出戰術調整建議。
球員都得戴 AR 訓練了？
TacticAI 的潛力遠不止于此，一但将這個方法擴展到其他定位球和更多戰術環節，未來可能真的會出現一個通用的 AI 足球教練。
不過，論文中沒有明确提及目前系統的運行速度。
是否能做到在比賽進行中實時分析、給出建議，是很多人關心的問題（比如 CV 大神謝賽寧）。
廣大球迷更關心的則是 AI 如果真的普及了，對足球比賽的觀賞性是增加還是削弱？
這次研究的合作方利物浦隊，沒有回應是否已經在真實比賽中使用了 AI 建議。
不過意大利亞特蘭大隊情報總監很看好這項技術，認為與之前已經廣泛應用的大數據分析相比，由 AI 提出的建議人類也能理解。
AI 可以幫助我們以分塊或分類的方式分析足球——而不是認為一切只是一個連續的數據流，而人類無法理解發生了什麼。
總之未來發生概率較大的是，所有運動員在訓練時都會帶上 AR 眼鏡了。
論文地址：
https://www.nature.com/articles/s41467-024-45965-x
參考鏈接：
[ 1 ] https://deepmind.google/discover/blog/tacticai-ai-assistant-for-football-tactics
[ 2 ] https://www.ft.com/content/e5a64dd3-7fe0-4db4-9f65-6f7517c2c573
[ 3 ] https://x.com/GoogleDeepMind/status/1770121564085707082
