创建测试环境以帮助将 AI 研究从实验室推进到现实世界是极具挑战性的。鉴于人工智能与游戏的长期联系，体育运动提供了一个令人兴奋的机会，为研究人员提供了一个测试平台，在这个测试平台中，支持人工智能的系统可以帮助人类在具有数十种动态、相互作用的个体。

人工智能 (AI) 和机器学习的快速发展为棒球、篮球和网球等各种团队和个人运动开辟了前所未有的分析可能性。最近，由于专业团队收集数据的大量增加、计算能力的增强和机器学习的进步，人工智能技术已应用于足球，其目标是更好地应对涉及分析两个球员的球员的新科学挑战。和协调的团队行为。与预测性和规范性足球分析相关的研究挑战需要在统计学习、博弈论和计算机视觉的交叉点上取得新的发展和进步。在本文中，DeepMind提供了一个总体视角，重点介绍了这些领域的组合如何，尤其是形成了人工智能研究的独特缩影，同时为未来几年的专业团队、观众和广播公司提供了互惠互利。

体育数据收集的快速增长意味着DeepMind正处于体育分析非常重要的时代。体育数据的可用性在数量和粒度上都在增加，从汇总的高级统计数据和军械计量学的时代过渡到更精细的数据，例如事件流信息（例如，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，体育分析领域直到最近才开始利用机器学习和人工智能来理解和建议体育领域的人类决策者。在DeepMind最近的论文中DeepMind与利物浦足球俱乐部 (LFC) 在 JAIR 合作发布，结合统计学习、视频理解和博弈论，展望了体育分析的未来前景。DeepMind特别说明足球是研究人工智能研究的有用缩影，以自动视频助理教练 (AVAC) 以系统的形式为体育决策者提供长期利益（图 1（A）） .

图 1：(A) 设想的自动视频助理教练界面的示例说明，其中攻击和防守球员被检测、识别（根据球员姓名）、跟踪，然后传递到预测轨迹模型中，该模型可用于分析潜在的意图或规定的轨迹。(B) 事件检测的程式化示例，具有特定目标事件（例如踢球）以及在整个游戏中不断演变的深度学习模型输出（“信号”）。

DeepMind说明这种二元性使足球分析成为具有巨大价值的游戏规则改变者，不仅在改变足球比赛本身方面，而且在该领域对人工智能领域的意义方面。DeepMind回顾了最先进的技术并举例说明了通过结合上述领域实现的分析类型，包括使用预测模型的反事实分析的说明性示例，以及点球的博弈论分析与球员属性的统计学习相结合. 最后，DeepMind强调了预想的下游影响，包括扩展到其他运动（真实和虚拟）的可能性。形成独特的人工智能研究缩影，同时为未来几年的专业团队、观众和广播公司提供互惠互利。DeepMind说明这种二元性使足球分析成为具有巨大价值的游戏规则改变者，不仅在改变足球比赛本身方面，而且在该领域对人工智能领域的意义方面。DeepMind回顾了最先进的技术并举例说明了通过结合上述领域实现的分析类型，包括使用预测模型的反事实分析的说明性示例，以及点球的博弈论分析与球员属性的统计学习相结合. 最后，DeepMind强调了预想的下游影响，包括扩展到其他运动（真实和虚拟）的可能性。形成独特的人工智能研究缩影，同时为未来几年的专业团队、观众和广播公司提供互惠互利。

与其他一些运动相比，足球开始系统地收集大量数据用于科学分析目的，旨在提高球队的比赛水平，这一点已经相当晚了。这有几个原因，其中最突出的是，与其他运动（大型户外场地、动态比赛等）相比，比赛的可控设置要少得多，而且主要信条主要依靠具有田径运动的人类专家职业足球的记录和经验。在这些方面，阿里戈·萨基（Arrigo Sacchi）是一位成功的意大利足球教练和经理，在他的职业生涯中从未踢过职业足球，他用他在 1987 年成为米兰教练时的名言回应了批评：“我从来没有意识到要成为一名骑师，你必须先成为一匹马。”

足球分析提出了非常适合各种 AI 技术的挑战，这些挑战来自 3 个领域的交叉领域：计算机视觉、统计学习和博弈论（如图 2 所示）。虽然这些领域单独对足球分析有用，但结合起来，它们的好处变得尤为明显：球员需要在其他球员（合作和对抗）在场的情况下进行顺序决策，因此博弈论是一种互动决策理论，变得高度相关。此外，可以根据游戏中和特定玩家的表征来学习针对特定游戏中情况的战术解决方案，这使得统计学习成为一个高度相关的领域。最后，可以从广泛可用的图像和视频输入中跟踪玩家并自动识别游戏场景。

图 2：三个关键领域（博弈论、统计学习和计算机视觉）在推进足球分析状态方面发挥了重要作用的说明性概述（每个相关领域都列出了文献中的例子，并指出了相关的重叠边界）。

DeepMind设想的 AVAC 系统位于这三个研究领域交叉形成的缩影中（图 2）。在这个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来说明这个令人兴奋的区域必须为足球提供什么。

DeepMind说明这种二元性使足球分析成为具有巨大价值的游戏规则改变者，不仅在改变足球比赛本身方面，而且在该领域对人工智能领域的意义方面。DeepMind回顾了最先进的技术并举例说明了通过结合上述领域实现的分析类型，包括使用预测模型的反事实分析的说明性示例，以及点球的博弈论分析与球员属性的统计学习相结合. 最后，DeepMind强调了预想的下游影响，包括扩展到其他运动（真实和虚拟）的可能性。同时在未来几年为专业团队、观众和广播公司提供互惠互利。DeepMind说明这种二元性使足球分析成为具有巨大价值的游戏规则改变者，不仅在改变足球比赛本身方面，而且在该领域对人工智能领域的意义方面。DeepMind回顾了最先进的技术并举例说明了通过结合上述领域实现的分析类型，包括使用预测模型的反事实分析的说明性示例，以及点球的博弈论分析与球员属性的统计学习相结合. 最后，DeepMind强调了预想的下游影响，包括扩展到其他运动（真实和虚拟）的可能性。同时在未来几年为专业团队、观众和广播公司提供互惠互利。DeepMind说明这种二元性使足球分析成为具有巨大价值的游戏规则改变者，不仅在改变足球比赛本身方面，而且在该领域对人工智能领域的意义方面。DeepMind回顾了最先进的技术并举例说明了通过结合上述领域实现的分析类型，包括使用预测模型的反事实分析的说明性示例，以及点球的博弈论分析与球员属性的统计学习相结合. 最后，DeepMind强调了预想的下游影响，包括扩展到其他运动（真实和虚拟）的可能性。DeepMind说明这种二元性使足球分析成为具有巨大价值的游戏规则改变者，不仅在改变足球比赛本身方面，而且在该领域对人工智能领域的意义方面。

博弈论在体育研究中发挥着重要作用，为运动员的行为策略奠定了理论基础。在足球的情况下，它的许多场景实际上可以建模为零和游戏，自博弈论诞生以来，零和游戏已经被广泛研究。例如，这里DeepMind将点球情况建模为两人不对称游戏，其中踢球者的策略可以整齐地归类为左射、中射或右射。为了研究这个问题，DeepMind使用Player Vectors增强了点球场景中的博弈论分析，总结了个别足球运动员的踢球风格。有了这样的单个球员的表示，DeepMind就可以将具有相似比赛风格的踢球者分组，然后在组级别上进行博弈论分析（图 3）。DeepMind的结果表明，不同组识别出的射击策略在统计上是不同的。例如，DeepMind发现一组更喜欢向球门左角射门，而另一组则更倾向于向左和右角射门。这些见解可以帮助守门员在与不同类型的球员比赛时多样化他们的防守策略。在这种博弈论观点的基础上，人们可以通过以时间延长的比赛形式对其进行分析来考虑足球的持续性，并以此为个别球员提供战术建议，

图 3：（A）和（B）可视化球员向量集群，对于超过 12000 次罚球的示例数据库中的球员。使用这种球员行为的特征，人们可以可视化各种集群中踢球者的相关目标热图，如（C）所示。

在统计学习方面，表示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相信博弈论和统计学习之间的相互作用将进一步促进体育分析的进步。例如，在上述点球场景中，使用特定于球员的统计数据（球员向量）来增强分析，可以更深入地了解各种类型的球员在点球场景中的行为或对他们的行为做出决定。作为另一个例子，可以研究“鬼影”'，它指的是对运动员事后应该如何在体育分析中采取行动的特定数据驱动分析（这与在线学习和博弈论中的遗憾概念有关）。幻影模型建议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。预测轨迹通常被可视化为原始播放的半透明层，因此称为“重影”（参见图 4 的可视化示例）。生成轨迹预测模型使DeepMind能够通过分析游戏的关键情况以及它们可能如何以不同的方式进行来获得洞察力。这些模型还具有预测战术变化、关键球员受伤或换人对本队以及对手表现的影响的潜力。

图 4：使用足球跟踪数据进行预测建模的示例。在这里，除了由顺序预测轨迹模型做出的防守者预测之外，球、进攻者和防守者的真实数据也是可视化的。

最后，DeepMind认为计算机视觉是推进最先进的体育分析研究边界的最有前途的途径之一。通过纯粹从视频中检测事件，计算机视觉社区已经深入研究了一个主题（例如，请参阅以下调查和DeepMind的论文作为补充参考），潜在的应用范围是巨大的。通过将事件与特定帧相关联，视频变得可搜索且更加有用（例如，自动生成精彩片段成为可能）。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先决条件。虽然每个足球视频都不同，但设置不会有很大差异，这使得该任务非常适合锐化 AI 算法。第三方供应商也提供手工标记的事件数据，这些数据可用于训练视频模型并且生成耗时，因此有监督和无监督算法均可用于足球事件检测。以图1(B)为例，

先进的人工智能技术在足球中的应用有可能为球员、决策者、球迷和广播公司在多个方面彻底改变比赛。这些进步也很重要，因为它们还具有进一步使这项运动本身民主化的潜力（例如，与其依靠现场球探/专家的判断，人们可以使用计算机视觉等技术来量化来自以下国家的运动员的技能组合）代表地区，来自较低级别联赛的地区等）。DeepMind相信，足球缩影所提供的日益先进的人工智能技术的发展可能适用于更广泛的领域。为此，DeepMind正在（与几家外部组织者）共同组织一场关于 AI for Sports Analytics的IJCAI 2021 研讨会今年晚些时候，DeepMind欢迎感兴趣的研究人员参加。对于对此主题感兴趣的研究人员，StatsBomb（数据集链接）等分析公司和更广泛的研究社区（数据集链接）都提供了公开可用的数据集。此外，本文对这一领域的研究进行了全面概述。

DeepMind回顾了最先进的技术并举例说明了通过结合上述领域实现的分析类型，包括使用预测模型的反事实分析的说明性示例，以及点球的博弈论分析与球员属性的统计学习相结合. 最后，DeepMind强调了预想的下游影响，包括扩展到其他运动（真实和虚拟）的可能性。DeepMind说明这种二元性使足球分析成为具有巨大价值的游戏规则改变者，不仅在改变足球比赛本身方面，而且在该领域对人工智能领域的意义方面。DeepMind回顾了最先进的技术并举例说明了通过结合上述领域实现的分析类型，包括使用预测模型的反事实分析的说明性示例，以及点球的博弈论分析与球员属性的统计学习相结合. 最后，DeepMind强调了预想的下游影响，包括扩展到其他运动（真实和虚拟）的可能性。DeepMind回顾了最先进的技术并举例说明了通过结合上述领域实现的分析类型，包括使用预测模型的反事实分析的说明性示例，以及点球的博弈论分析与球员属性的统计学习相结合. 最后，DeepMind强调了预想的下游影响，包括扩展到其他运动（真实和虚拟）的可能性。DeepMind回顾了最先进的技术并举例说明了通过结合上述领域实现的分析类型，包括使用预测模型的反事实分析的说明性示例，以及点球的博弈论分析与球员属性的统计学习相结合. 最后，DeepMind强调了预想的下游影响，包括扩展到其他运动（真实和虚拟）的可能性。

本站所发布的文字与图片素材为非商业目的改编或整理，版权归原作者所有，如侵权或涉及违法，请联系我们删除