生成式人工智能在緊要關頭幫助教練和運動員 - 彭博社

從AI聊天機器人到剪貼板。

攝影師：Doug Pensinger/Getty Images 北美想象一下，在超級碗第四節的最後關鍵時刻。一支球隊面臨第三次進攻和進球，距離獲勝的關鍵觸地得分只有五碼。在場邊，主教練和他的直覺説要跑球，但他不確定應該把跑球手送到哪裏。於是，他轉向一名助理教練問道：“今天早上你和我們的AI聊天機器人交談時，它認為我們在這種情況下應該怎麼做？”

對於體育純粹主義者來説，這種情況是不可想象的。畢竟，體育本應該慶祝人類的卓越表現。但無論他們喜歡與否，人工智能正在走進賽場內外。一些球隊已經在利用它，如果只是為了跟上步伐，更多球隊將加入他們。

Bloomberg觀點即使是南極洲也無法阻止新冠疫情。這是一個重要的教訓。尋找：成熟的科技CEO，而不是尋求刺激的兄弟這一大腦癌症突破應該讓你興奮鯨魚正在幫助解開更年期之謎儘管人們對AI取代工作（不好）的擔憂，但這是一個AI如何幫助人們更高效地完成這些工作的例子（好）。生成式AI並非取代人類因素，而是旨在識別特定體育中的模式和情況，可以利用數據加劇競爭。

為了對未來可能會是什麼樣子有一個概念，我最近參加了2500多名體育行業專業人士，包括至少120支球隊代表，參加了MIT Sloan Sports Analytics Conference。這個論壇自2006年舉辦以來，涵蓋了一系列分析導向的主題，從揭示美國奧林匹克隊如何最大化其花樣滑冰獎牌成績的見解，到NFL Scouting Combine是否仍然是評判人才的有效方式。

多年來，分析師的工作變得更加困難，因為體育數據的增長量不斷增加。這不僅僅是指硬數據，比如橄欖球中獲得的碼數或足球中的射門次數。現在，視頻生成量也在增加——從廣播視頻或賽事中的嵌入式攝像頭生成的視頻——用於審查個體運動員的表現。

隨着文件的積累，得出可操作結論的挑戰不斷升級。例如，在一場平均的國家冰球聯盟比賽中，根據Brian Hall所説，AlphaPlay AI的創始人和負責人，這個生成平台被專業冰球和足球隊使用，有超過3000種不同的衡量球員優勢和劣勢的指標。

人類的思維無法理解如此多的數據，至少NHL球隊缺乏良好的系統來處理數據，Hall説。結果是，他們無法看到潛在有用的信息 —— 比如防守上的不匹配 —— 藏在統計數據中。

這就是AI有幫助的地方。

“突然之間，它可以從自己的思考中為你提供有用的見解，以便獲勝，” Hall説。“看起來隨機的東西可能最終並非如此。”

使用體育AI（如AlphaPlay）的體驗與使用ChatGPT的體驗類似。它被設計用於從大型數據集中學習，識別其中的模式，然後利用這些信息生成非計算機科學家可理解的輸出。例如，在最近的一場NFL比賽（丹佛野馬隊和傑克遜維爾美洲豹隊之間，兩支球隊都不是AlphaPlay的客户）之前，系統被問到：“我們下週要和野馬隊比賽；他們防守的衝鋒陣地有哪些被忽視的弱點？”

AlphaPlay考慮了可能數百萬種情況、球員陣容、優勢和劣勢。然後用橄欖球的語言表達：“布拉德利·查布本賽季邊緣防守方面表現不佳，暴露了一個潛在的弱點，而野馬隊的防守其他方面都很強大。”

教練們幾十年來一直攜帶着類似這樣的分析派生的提示。AI分析的不同之處在於兩點。首先，這些提示來自更深層次的信息池。其次，結果不是以表格或圖表的形式呈現；相反，它們以簡單、直接和可操作的語言呈現。當情況需要在一瞬間做出決定時，這種直截了當可以增強教練對正確選擇的直覺的信心。

值得注意的是，決定仍然由教練（一個人類）做出。實時比賽快速變化的動態仍然需要教練決定何時使用由人工智能生成的建議（一個人不會一遍又一遍地運行相同的戰術，只是因為人工智能識別出了不匹配）。

更多來自彭博觀點的亞當·明特：

• 凱特琳·克拉克幾乎被 支付留在學校。好主意。
• 女子曲棍球正在 打破冰上天花板
• 大學體育的未來 不應該在法庭上決定

想要更多彭博觀點嗎？OPIN <GO>。或訂閲我們的每日新聞簡報。