AI足球教练上岗利物浦，射门时机提高13%，来自DeepMind，网友：这不公允

AI足球教练登上Nature子刊，谷歌DeepMind与利物浦队协作三年打造：

总之未来发作概率较大的是，一切运发动在训练时都会带上AR眼镜了。

AI可以协助我们以分块或分类的方式剖析足球——而不是以为一切只是一个延续的数据流，而人类无法了解发作了什么。

不过意大利亚特兰大队情报总监很看好这项技术，以为与之前曾经普遍运用的大数据剖析相比，由AI提出的建议人类也能了解。

这次研讨的协作方利物浦队，没有回应能否曾经在真实竞赛中运用了AI建议。

广阔球迷更关心的则是AI假设真的普及了，对足球竞赛的欣赏性是添加还是削弱？

能否能做到在竞赛停止中实时剖析、给出建议，是很多人关心的效果（比如CV大神谢赛宁）。

不过，论文中没有明白提及目前系统的运转速度。

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，未来能够真的会出现一个通用的AI足球教练。

球员都得戴AR训练了？

CVAE可以学习输入数据的潜在散布，并从中采样以生成新的数据，提出战术调整建议。

最后，生成组件运用了条件变分自编码器（CVAE），生成球员在特定战术下能够的位置和速度。

经过显式地在模型中引入对称性约束，使得模型可以在面对图的对称变换时坚持预测的分歧性。

为了提高数据效率，TacticAI还采用了几何深度学习来应用足球竞赛中的对称性（如方形足球场地的水平和垂直对称）。

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。

这里运用了经典的GAT (Graph Attention Networks) 模型，也就是用了大模型上罕见的留意力机制，来增强图表示学习。

GNN经过节点和边的信息传递机制，可以学习到节点的高维潜在特征如球员的角色、位置、运动形状等信息。

接上去，运用图神经网络（GNN）学习图表示中的特征。

其中每个球员作为一个节点（Node），节点之间的衔接（Edges）表示球员间能够的互动。这种图表示法可以自然地捕捉球员间的空间关系和潜在的战术形式。

首先，将每一场角球的形状表示为一个图（Graph）。

三个中心技术：图神经网络+几何深度学习+条件变分自编码器。

数据，搜集自2020-2023年间英超竞赛的7000多个角球。

那么DeepMind是如何开收回这个大杀器的呢？

图神经网络+几何深度学习

就问哪个队的教练能不动心？

关于防卫方来说，AI调整布阵后把对手射门的概率从75%降低到69%。

最终关于进攻方来说，AI提出的战术把制造射门的概率从18%提升到31%。

更凶猛的是，它还能开掘出不同角球战术之间的内在联络，从而有针对性地提出改良措施。

经过火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能否会制造射门。

关于进攻方来说，光把球传出去还不够，关键是要制造射门时机，TacticAI把这点也思索到了。

这样就能协助发球队员选择应该将球传给谁了。

首先，TacticAI能预测角球传中后，全场22个球员谁最有能够接到球，准确率高达78.2%，妥妥超越人类专家。

至于处置的如何，先来看几个数据。

如何调整战略以完成特定结果？进攻方如何添加射门时机，防卫方又该如何布阵？

战术执行后，如何剖析？例如，相似的战略在过去能否失效？

关于给定的角球战术，会发作什么？例如，谁最有能够接球，射门时机多大？

所以TacticAI的研发目的，旨在处置三个中心效果：

像这样的精彩配合，不是每个球员都能做到，能做到也得看事先形状好不好。

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，事先把梅西都看傻了。

DeepMind团队表示，足球竞赛中角球是进攻的大好机遇，据统计30%的进球都来自角球。

TacticAI强在哪里？把角球这个机制给玩透了。

AI吃透角球

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）。

猜想DeepMind开创人是不是有私心，用AI黑科技增强他自己最喜欢的球队，真的好不公允。

关于协作对象选择了利物浦这回事，甚至有其它球队粉丝气不过。

也有人鼓舞DeepMind不要被ChatGPT分散研讨留意力，朝自己擅长的方向走下去总有一天能开收回更棒的产品。

有网友以为，“假设体育运动都能用上AI了，那么一切一切人类活动都将可以运用AI。”

足球是静态的运动，而且有许多未观察到的要素也会影响结果。

像是进攻方把球传给谁更容易发明射门时机，防卫方如何调整布阵……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%的状况下喜爱AI的建议！论文共同一

标签：