IT思维

微信公众号/ ScienceAI（ID：Philosophyai）

编译/大路

为了让人工智能的某些创新成果能从实验室走到现实世界，研究人员需要「创建相对真实的测试环境」，而这一步通常是巨大的挑战。

鉴于人工智能与游戏的长期联系，竞技体育往往是一个很好的测试平台。在这个平台上，人工智能系统可以协助人类在「有几十个动态、互动的个体的多代理环境」中做出复杂、精确、实时的决策。

体育数据的快速增长也意味着当今是体育分析非常重要的时代。体育数据的可用性在「数量和颗粒度」上都在增加：从高级统计学和计量学的汇总时代过渡到更精细的数据，如事件流信息（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试图理解体育中的人类决策者，并为其提供建议。在最近与利物浦足球俱乐部（LFC）合作发表在JAIR上的论文中，设想了使用「统计学习、视频理解和博弈论」相结合的体育分析的未来前景。值得注意的是，足球是研究人工智能的一个有用的「微观世界」，以自动视频辅助教练（AVAC）系统的形式为体育决策者提供长期的好处（图1）。

图1：设想的自动视频辅助教练界面的示例说明。（来源：论文）

足球–人工智能的一个有趣的机会

与其他运动相比，足球在「系统收集大量数据用于科学分析方面」已经相当晚了。这里面有几个原因，其中最突出的原因是，与其他运动相比，足球比赛的可控环境要少得多（大型室外球场、动态比赛等），其主要依靠具有职业足球记录和经验的人类专家的指导和策略。

一个很好的例子就是Arrigo Sacchi，一位成功的意大利足球教练和经理，他其实从未踢过职业足球，而在1987年成为米兰的教练时，他如此回应媒体对他缺乏经验的批评，「我从未意识到，要成为一个骑师，你必须先成为一匹马。」

足球分析所带来的挑战非常适合各种人工智能技术，它来自三个领域的交叉点：计算机视觉、统计学习和博弈论（见图2）。

图2: 计算机视觉、统计学习和博弈论.。（ 来源：deepmind.com）

虽然这些领域单独对足球分析的作用相对有限，但当它们结合在一起时，其好处就变得特别明显：球员需要在其他球员（合作和对抗）在场的情况下进行连续决策，因此博弈论（互动决策的理论），就变得高度相关。此外，根据游戏中和特定运动员的表现来学习游戏中特定情况的战术和解决方案，这使得统计学习也成为一个高度相关的领域。最后，因为运动员可以被追踪，场景可以从广泛使用的图像和视频输入中自动识别。

设想的AVAC系统就位于这三个研究领域的交叉点所形成的微观世界中（图3）。在这个令人兴奋的领域研究中，不仅为未来几年科学和工程问题制定了路线图，而且还在游戏理论分析、统计学习和计算机视觉的交叉领域上提出了新的原创成果，以说明这个新领域可以为足球提供什么。

图3: (A)和(B)显示了球员矢量的集群，在一个超过12000个点球的例子数据库中。使用这样的球员行为特征，我们可以直观地看到不同集群中踢球者的相关热图，如（C）所示。（来源：deepmind.com）

人工智能如何具体帮助足球运动

博弈论在体育研究中发挥着重要作用，使球员的行为策略有了理论基础。

就足球而言，它的许多场景实际上可以被建模为「零和博弈」，这是自博弈论诞生以来就被广泛研究的。

例如，在这里，将罚球情况建模为一个双人不对称博弈，其中踢球者的策略可以被分为左射、中射或右射。为了研究这个问题，用球员矢量来增强点球场景下的博弈论分析，球员矢量概括了单个足球运动员的比赛风格。有了这样的个体球员代表，就能将「具有类似踢球风格的踢球者」分组，然后在小组层面进行游戏理论分析（图4）。

图4: 使用足球跟踪数据进行预测建模的例子。在这里，除了由顺序预测轨迹模型做出的后卫预测外，球、攻击者和后卫的地面真实数据也被可视化。（来源：deepmind.com）
研究结果显示，不同组别的射门策略在统计上是不同的。例如，发现一个群体更喜欢射向球门口的左角，而另一个群体则更倾向于射向左右两个角。这样的洞察力可能有助于守门员在与不同类型的球员比赛时使他们的防守策略多样化。

在统计学习方面，「表征学习」在体育分析中还没有得到充分的利用，这将使个别球员和足球队的行为得到翔实的总结。此外，研究者相信博弈论和统计学习之间的互动将进一步促进体育分析的进步。例如，在上述罚球场景中，用球员特定的统计数据（球员矢量）来增强分析，可以更深入地了解各种类型的球员在罚球场景中的行为或决策。

作为另一个例子，可以研究「重影」，它指的是体育分析中对球员事后应该如何行动的特殊数据驱动分析（它与在线学习和博弈论中的后悔概念有联系）。

幽灵模型为一个特定的比赛提出了备选的球员轨迹，例如，基于联盟的平均水平或选定的球队。预测的轨迹通常被可视化为原始比赛上的一个半透明层，因此被称为「重影」（见图4的可视化例子）。生成性轨迹预测模型使我们能够通过分析比赛的关键情况，以及它们可能的不同表现来获得洞察力。这些模型在预测战术变化、关键球员受伤或换人对自己球队表现的影响以及对手对这种变化的反应方面也具有潜力。

最后，研究者认为计算机视觉是推进体育分析研究的最有前途的途径之一。通过纯粹从视频中检测事件，这个话题在计算机视觉界已经得到了很好的研究（例如，见下面的调查和我们的论文中的其他参考资料），其潜在的应用范围是巨大的。通过将事件与特定的帧联系起来，视频变得可以搜索，而且越来越有用（例如，自动生成亮点成为可能）。

反过来，足球视频也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，但设置却没有很大的差别，这使得这项任务成为磨砺人工智能算法的理想选择。

第三方供应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时很有用，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提供了一个用「监督方法」训练的深度学习模型的风格化可视化，以纯粹从视频中识别目标事件（例如，踢球）。

将先进的人工智能技术应用于足球，有可能在许多方面彻底改变足球运动，包括球员、决策者、球迷和广播员。这种进步很重要，因为它们也有可能使这项运动本身进一步民主化（例如，人们可以使用计算机视觉等技术来量化来自代表性不足的地区和较低级别联赛的球员的技能，而不是依赖亲临现场的球探/专家的判断）。

他们也相信，足球世界所提供的人工智能技术的发展可能适用于更广泛的领域。为此，他们正在共同组织（与几个外部组织者）今年晚些时候举行的IJCAI 2021体育分析人工智能研讨会，欢迎感兴趣的研究人员参加。对于对这一主题感兴趣的研究人员，StatsBomb等分析公司（数据集链接）和更广泛的研究社区（数据集链接）都已经提供了公开可用的数据集。此外，该论文还对该领域的研究进行了全面概述。

参考内容：
https://deepmind.com/blog/article/advancing-sports-analytics-through-ai