AI足球教練上崗利物浦，射門機(jī)會(huì)提高13%！來自DeepMind，網(wǎng)友：這不公平
AI足球教練登上Nature子刊，谷歌DeepMind與利物浦隊(duì)合作三年打造：
如同AlphaGo顛覆圍棋一樣，改變了球隊(duì)制定戰(zhàn)術(shù)的方式。
像是進(jìn)攻方把球傳給誰更容易創(chuàng)造射門機(jī)會(huì)，防守方如何調(diào)整布陣……AI輕松設(shè)計(jì)出的高效戰(zhàn)術(shù)與真實(shí)戰(zhàn)術(shù)難以區(qū)分，并且人類專家在90%的情況下青睞AI的建議！
論文共同一作Petar Veli?kovi?表示，足球是比圍棋更有挑戰(zhàn)性的問題。
足球是動(dòng)態(tài)的運(yùn)動(dòng)，而且有許多未觀察到的因素也會(huì)影響結(jié)果。
有網(wǎng)友認(rèn)為，“如果體育運(yùn)動(dòng)都能用上AI了，那么所有一切人類活動(dòng)都將能夠使用AI?！?/p>
也有人鼓勵(lì)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(fā)出更棒的產(chǎn)品。
對(duì)于合作對(duì)象選擇了利物浦這回事，甚至有其它球隊(duì)粉絲氣不過。
猜測DeepMind創(chuàng)始人是不是有私心，用AI黑科技增強(qiáng)他自己最喜歡的球隊(duì)，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(gè)（都在倫敦）。
AI吃透角球
TacticAI強(qiáng)在哪里？把角球這個(gè)機(jī)制給玩透了。
DeepMind團(tuán)隊(duì)表示，足球比賽中角球是進(jìn)攻的大好時(shí)機(jī)，據(jù)統(tǒng)計(jì)30%的進(jìn)球都來自角球。
并舉例2019年歐冠半決賽，利物浦隊(duì)阿諾德一個(gè)突然折返快速開球，打了對(duì)面巴薩一個(gè)措手不及，就被評(píng)為最佳角球之一，當(dāng)時(shí)把梅西都看傻了。
（DeepMind里看來有不少真球迷?。?/span>
像這樣的精彩配合，不是每個(gè)球員都能做到，能做到也得看當(dāng)時(shí)狀態(tài)好不好。
所以TacticAI的研發(fā)目標(biāo)，旨在解決三個(gè)核心問題：
- 對(duì)于給定的角球戰(zhàn)術(shù)，會(huì)發(fā)生什么？例如，誰最有可能接球，射門機(jī)會(huì)多大？
- 戰(zhàn)術(shù)執(zhí)行后，如何分析？例如，類似的策略在過去是否生效？
- 如何調(diào)整策略以實(shí)現(xiàn)特定結(jié)果？進(jìn)攻方如何增加射門機(jī)會(huì)，防守方又該如何布陣？
至于解決的如何，先來看幾個(gè)數(shù)據(jù)。
首先，TacticAI能預(yù)測角球傳中后，全場22個(gè)球員誰最有可能接到球，準(zhǔn)確率高達(dá)78.2%，妥妥超過人類專家。
這樣就能幫助發(fā)球隊(duì)員選擇應(yīng)該將球傳給誰了。
對(duì)于進(jìn)攻方來說，光把球傳出去還不夠，關(guān)鍵是要制造射門機(jī)會(huì)，TacticAI把這點(diǎn)也考慮到了。
通過分析接球概率和射門概率的關(guān)系，它能以71%的準(zhǔn)確率預(yù)測一次角球是否會(huì)制造射門。
更厲害的是，它還能挖掘出不同角球戰(zhàn)術(shù)之間的內(nèi)在聯(lián)系，從而有針對(duì)性地提出改進(jìn)措施。
最終對(duì)于進(jìn)攻方來說，AI提出的戰(zhàn)術(shù)把制造射門的概率從18%提升到31%。
對(duì)于防守方來說，AI調(diào)整布陣后把對(duì)手射門的概率從75%降低到69%。
就問哪個(gè)隊(duì)的教練能不動(dòng)心？
圖神經(jīng)網(wǎng)絡(luò)+幾何深度學(xué)習(xí)
那么DeepMind是如何開發(fā)出這個(gè)大殺器的呢？
數(shù)據(jù)，收集自2020-2023年間英超比賽的7000多個(gè)角球。
三個(gè)核心技術(shù)：圖神經(jīng)網(wǎng)絡(luò)+幾何深度學(xué)習(xí)+條件變分自編碼器。
首先，將每一場角球的狀態(tài)表示為一個(gè)圖（Graph）。
其中每個(gè)球員作為一個(gè)節(jié)點(diǎn)（Node），節(jié)點(diǎn)之間的連接（Edges）表示球員間可能的互動(dòng)。這種圖表示法能夠自然地捕捉球員間的空間關(guān)系和潛在的戰(zhàn)術(shù)模式。
接下來，使用圖神經(jīng)網(wǎng)絡(luò)（GNN）學(xué)習(xí)圖表示中的特征。
GNN通過節(jié)點(diǎn)和邊的信息傳遞機(jī)制，能夠?qū)W習(xí)到節(jié)點(diǎn)的高維潛在特征如球員的角色、位置、運(yùn)動(dòng)狀態(tài)等信息。
這里使用了經(jīng)典的GAT (Graph Attention Networks) 模型，也就是用了大模型上常見的注意力機(jī)制，來增強(qiáng)圖表示學(xué)習(xí)。
GAT由圖靈獎(jiǎng)得主Bengio團(tuán)隊(duì)提出，共同一作Petar Veli?kovi?也是這次TacticAI的共同一作。
為了提高數(shù)據(jù)效率，TacticAI還采用了幾何深度學(xué)習(xí)來利用足球比賽中的對(duì)稱性（如方形足球場地的水平和垂直對(duì)稱）。
通過顯式地在模型中引入對(duì)稱性約束，使得模型能夠在面對(duì)圖的對(duì)稱變換時(shí)保持預(yù)測的一致性。
最后，生成組件使用了條件變分自編碼器（CVAE），生成球員在特定戰(zhàn)術(shù)下可能的位置和速度。
CVAE能夠?qū)W習(xí)輸入數(shù)據(jù)的潛在分布，并從中采樣以生成新的數(shù)據(jù)，提出戰(zhàn)術(shù)調(diào)整建議。
球員都得戴AR訓(xùn)練了？
TacticAI的潛力遠(yuǎn)不止于此，一但將這個(gè)方法擴(kuò)展到其他定位球和更多戰(zhàn)術(shù)環(huán)節(jié)，未來可能真的會(huì)出現(xiàn)一個(gè)通用的AI足球教練。
不過，論文中沒有明確提及目前系統(tǒng)的運(yùn)行速度。
是否能做到在比賽進(jìn)行中實(shí)時(shí)分析、給出建議，是很多人關(guān)心的問題（比如CV大神謝賽寧）。
廣大球迷更關(guān)心的則是AI如果真的普及了，對(duì)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(duì)，沒有回應(yīng)是否已經(jīng)在真實(shí)比賽中使用了AI建議。
不過意大利亞特蘭大隊(duì)情報(bào)總監(jiān)很看好這項(xiàng)技術(shù)，認(rèn)為與之前已經(jīng)廣泛應(yīng)用的大數(shù)據(jù)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(rèn)為一切只是一個(gè)連續(xù)的數(shù)據(jù)流，而人類無法理解發(fā)生了什么。
總之未來發(fā)生概率較大的是，所有運(yùn)動(dòng)員在訓(xùn)練時(shí)都會(huì)帶上AR眼鏡了。
