创造测试环境来帮助人工智能研究走出实验室并进入现实世界是非常具有挑战性的。体育运动为人工智能提供了一个令人兴奋的机会也许并不奇怪，它为研究人员提供了一个测试平台，在这个平台上，人工智能支持的系统可以在一个多智能体环境中，与几十个动态的、相互作用的个体一起，帮助人类做出复杂的、实时的决定。
体育数据收集的快速增长意味着我们正处于一个非常重要的体育分析时代。体育数据的可用性在数量和粒度上都在增加，从聚集的高水平统计数据过渡到更精细的数据，如事件流信息(如带注释的传球或射门)、高保真球员位置信息和身体传感器。
然而，体育分析领域最近才开始利用机器学习和人工智能来理解体育领域的人类决策者并为其提供建议。在DeepMind与利物浦足球俱乐部合作在JAIR上发表的论文中，双方展望了体育分析的未来前景，使用统计学习、视频理解和博弈论相结合。DeepMind特别指出，足球是人工智能研究的一个有用的缩影，它以自动视频助理教练(AVAC)系统的形式为体育领域的决策者提供了长期的好处(图1(A))。
图1:(A)自动化视频助理教练界面的示例图，在该界面中，进攻和防守球员将被检测、识别(根据球员姓名)、跟踪，并随后传递到可用于分析潜在意图或规定轨迹的预测轨迹模型。(B)程式化事件检测的例子，在整个比赛过程中，有一个特定的目标事件(如踢球)和深度学习模型输出(“信号”)。
DeepMind
与其他一些体育项目相比，足球在开始系统地收集大量数据以进行科学分析以提高团队的比赛方面起步较晚。这有几个原因，其中最突出的是，与其他运动相比，比赛的可控设置要少得多，而且主要依赖于有记录和职业足球经验的人类专家的主导信条。在这些方面，意大利足球教练萨基在职业生涯中从未踢过职业足球，他在1987年成为米兰教练时，用自己的名言回应了人们对他缺乏经验的批评：“我从未意识到，要成为一名骑师，你必须先成为一匹马。”
足球分析所提出的挑战非常适合于各种各样的人工智能技术，这些技术来自于三个领域的交叉：计算机视觉、统计学习和博弈论(如图2所示)。虽然这些领域可单独用于足球分析，但当它们结合在一起时好处变得尤其切实：球员需要在其他球员在场的情况下做出连续的决策(包括合作的和对抗的)，因此博弈论就变得非常重要。此外，我们还可以根据比赛和特定球员的表现来学习特定比赛情境的战术解决方案，这使得统计学习成为一个高度相关的领域。最后，通过广泛的图像和视频输入，可以跟踪球员，自动识别比赛场景。
图2：对三个关键领域（博弈论、统计学习和计算机视觉）的说明性概述，这三个领域在推进足球分析方面发挥了重要作用
DeepMind设想的AVAC系统位于这三个研究领域交叉形成的微观世界中(图2)。在对这一令人兴奋的领域的研究中，DeepMind不仅为未来几年可以解决的科学和工程问题制定了路线图，而且还在博弈论分析、统计学习和计算机视觉的十字路口展示了新的原始结果，以说明这一令人兴奋的领域将给足球带来什么。
DeepMind
博弈论在体育研究中占有重要地位，为运动员的行为策略奠定了理论基础。以足球为例，它的许多场景实际上可以被建模为零和游戏，这是自博弈论诞生以来被广泛研究的。例如，在这里我们将点球情境模拟为两个人的不对称博弈，罚球者的策略可以分为左、中、右三种。为了研究这一问题，我们利用球员向量来总结球员个人的踢球风格，并在点球情境下进行博弈分析。通过这样的球员个体表征，我们可以将比赛风格相似的踢球者分组，然后在小组层面进行博弈分析(图3)。
图3：（A）和（B）为12000多个点球的示例数据库中的球员可视化了球员向量簇。使用这样的球员行为特征，可以可视化不同集群中踢球者的相关进球热图，如（C）所示。
DeepMind研究的结果显示，不同组的射门策略在统计上是不同的。例如，研究发现一组人更喜欢射向球门的左角，而另一组人则倾向于更均匀地射向球门的左角和右角。这样的洞察可以帮助守门员在面对不同类型的球员时多样化防守策略。基于这一博弈论观点可以通过分析为球员提供战术建议，甚至进一步优化整个球队的策略。
在统计学习方面，表征学习尚未在体育分析中得到充分利用，这将能够对单个球员和足球队的行为进行信息总结。此外，DeepMind提供研究相信博弈论和统计学习之间的相互作用将进一步推动体育分析的进步。例如，在上面的点球场景中，使用特定球员的统计数据（球员向量）来增强分析，可以更深入地了解不同类型的球员在点球场景下的行为或决策。作为这方面的另一个例子，可以研究“ghosting”，它指的是一种特定的数据驱动分析，即运动员可能采取的行动（这与在线学习和博弈理论中的后悔概念有关）。
重影模型建议了给定比赛的替代球员轨迹，例如基于联盟平均水平或选定球队。预测的轨迹通常被视为原始比赛上的半透明层，因此被称为“重影”（参见图4的视觉示例）。轨迹预测模型使我们能够通过分析比赛的关键情况以及它们可能以不同方式进行的情况来获得见解。这些模型还可以预测战术变化、关键球员受伤或替补对本队表现的影响，以及对手对这种变化的反应。
图4：使用足球跟踪数据的预测建模示例。在这里，除了通过顺序预测轨迹模型进行的防守球员预测之外，还可视化了球、进攻球员和防守球员的地面实况数据。
最后，研究认为计算机视觉是最有前途的途径之一，以推进先进的体育分析研究的边界。通过纯粹从视频中检测事件，这是一个在计算机视觉界已经研究得很好的主题，应用的潜在范围是巨大的。通过将事件与特定帧相关联，视频变得可搜索且越来越有用。反过来，足球视频为计算机视觉提供了一个有趣的应用领域。大量的足球视频满足了现代人工智能技术的一个先决条件。虽然每个足球视频都是不同的，但设置并没有太大的差异，这使得这项任务成为增强人工智能算法的理想任务。
第三方提供商也可以提供手工标记的事件数据，这些数据在训练视频模型中很有用，但生成起来很耗时，所以监督和非监督算法都可以用于足球事件检测。例如，图1（B）提供了一个深度学习模型的风格化可视化，该模型使用监督方法进行训练，以纯粹从视频中识别目标事件（如踢球）。
在足球运动中应用先进的人工智能技术，有可能在球员、决策者、球迷和转播商等多个层面彻底改变足球运动。这样的进步也很重要，因为它们也有可能进一步推动这项运动本身的民主化(例如，人们可以使用诸如计算机视觉等技术来量化来自代表性不足地区、低水平联赛的球员的技能，而不是依赖于现场专家的判断)。研究相信，足球微观世界提供的日益先进的人工智能技术可能适用于更广泛的领域。
FootballPros编译自DeepMind
未经授权请勿转载
欧冠联赛2022/23赛季商业指南：俱乐部、赞助商以及主要转播商
