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_風聞

夢晨 發自 凹非寺

量子位 | 公眾號 QbitAI

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顛覆圍棋一樣，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，防守方如何調整佈陣……AI輕鬆設計出的高效戰術與真實戰術難以區分，並且人類專家在90%的情況下青睞AI的建議！

論文共同一作Petar Veličković表示，足球是比圍棋更有挑戰性的問題。

足球是動態的運動，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將能夠使用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。

對於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強在哪裏？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。

並舉例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裏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態好不好。

所以TacticAI的研發目標，旨在解決三個核心問題：

對於給定的角球戰術，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，防守方又該如何佈陣？

至於解決的如何，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，準確率高達78.2%，妥妥超過人類專家。

這樣就能幫助發球隊員選擇應該將球傳給誰了。

對於進攻方來説，光把球傳出去還不夠，關鍵是要製造射門機會，TacticAI把這點也考慮到了。

通過分析接球概率和射門概率的關係，它能以71%的準確率預測一次角球是否會製造射門。

更厲害的是，它還能挖掘出不同角球戰術之間的內在聯繫，從而有針對性地提出改進措施。

最終對於進攻方來説，AI提出的戰術把製造射門的概率從18%提升到31%。

對於防守方來説，AI調整佈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，將每一場角球的狀態表示為一個圖（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係和潛在的戰術模式。

接下來，使用圖神經網絡（GNN）學習圖表示中的特徵。

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徵如球員的角色、位置、運動狀態等信息。

這裏使用了經典的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 Veličković也是這次TacticAI的共同一作。

為了提高數據效率，TacticAI還採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佈，並從中採樣以生成新的數據，提出戰術調整建議。

球員都得戴AR訓練了？

TacticAI的潛力遠不止於此，一但將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，論文中沒有明確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