文章来源：量子位
论文地址：
https://www.nature.com/articles/s41467-024-45965-x
谷歌 DeepMind 团队与利物浦队合作开发的 AI足球教练系统 TacticAI。这个系统利用图神经网络、几何深度学习和条件变分自编码器等技术，对足球角球战术进行分析和优化。通过收集 7000 多个英超比赛中的角球数据，TacticAI 能够预测角球传中后哪位球员最有可能接球，以及制造射门机会的概率。研究结果显示，AI 足球教练的战术建议能够显著提高进攻方制造射门的概率，并减少防守方被对手射门的概率。
这种 AI足球教练系统的出现改变了球队制定战术的方式，使得战术分析更加精准和有效。未来，这种系统可能会扩展到其他足球战术环节，成为一个通用的 AI 足球教练。这种技术对足球运动的影响在于提高了球队在比赛中的战术决策能力，帮助球员和教练更好地制定战术策略，提高比赛的竞争性和观赏性。通过 AI 足球教练系统，足球运动也可以借助人工智能技术更好地发展和提高水平。
AIGC专区：
https://heehel.com/category/aigc
工具箱：
https://heehel.com/ai-tools#ai-3d
AI 足球教练登上 Nature 子刊，谷歌 DeepMind 与利物浦队合作三年打造：如同 AlphaGo 颠覆围棋一样，改变了球队制定战术的方式。
像是进攻方把球传给谁更容易创造射门机会，防守方如何调整布阵……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% 的情况下青睐 AI 的建议！
论文共同一作 Petar Veličković表示，足球是比围棋更有挑战性的问题。足球是动态的运动，而且有许多未观察到的因素也会影响结果。有网友认为，“如果体育运动都能用上 AI 了，那么所有一切人类活动都将能够使用 AI。”也有人鼓励 DeepMind 不要被 ChatGPT 分散研究注意力，朝自己擅长的方向走下去总有一天能开发出更棒的产品。
对于合作对象选择了利物浦这回事，甚至有其它球队粉丝气不过。猜测 DeepMind 创始人是不是有私心，用 AI 黑科技增强他自己最喜欢的球队，真的好不公平。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）。
AI 吃透角球
TacticAI 强在哪里？把角球这个机制给玩透了。DeepMind 团队表示，足球比赛中角球是进攻的大好时机，据统计 30% 的进球都来自角球。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，当时把梅西都看傻了。
（DeepMind 里看来有不少真球迷啊）
像这样的精彩配合，不是每个球员都能做到，能做到也得看当时状态好不好。所以 TacticAI 的研发目标，旨在解决三个核心问题：对于给定的角球战术，会发生什么？例如，谁最有可能接球，射门机会多大？战术执行后，如何分析？例如，类似的策略在过去是否生效？
如何调整策略以实现特定结果？进攻方如何增加射门机会，防守方又该如何布阵？至于解决的如何，先来看几个数据。首先，TacticAI 能预测角球传中后，全场 22 个球员谁最有可能接到球，准确率高达 78.2%，妥妥超过人类专家。这样就能帮助发球队员选择应该将球传给谁了。
对于进攻方来说，光把球传出去还不够，关键是要制造射门机会，TacticAI 把这点也考虑到了。通过分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是否会制造射门。
更厉害的是，它还能挖掘出不同角球战术之间的内在联系，从而有针对性地提出改进措施。
最终对于进攻方来说，AI 提出的战术把制造射门的概率从 18% 提升到 31%。对于防守方来说，AI 调整布阵后把对手射门的概率从 75% 降低到 69%。
就问哪个队的教练能不动心？
图神经网络 + 几何深度学习
那么 DeepMind 是如何开发出这个大杀器的呢？数据，收集自 2020-2023 年间英超比赛的 7000 多个角球。三个核心技术：图神经网络 + 几何深度学习 + 条件变分自编码器。
首先，将每一场角球的状态表示为一个图（Graph）。
其中每个球员作为一个节点（Node），节点之间的连接（Edges）表示球员间可能的互动。这种图表示法能够自然地捕捉球员间的空间关系和潜在的战术模式。
接下来，使用图神经网络（GNN）学习图表示中的特征。GNN 通过节点和边的信息传递机制，能够学习到节点的高维潜在特征如球员的角色、位置、运动状态等信息。
这里使用了经典的 GAT (Graph Attention Networks) 模型，也就是用了大模型上常见的注意力机制，来增强图表示学习。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。
为了提高数据效率，TacticAI 还采用了几何深度学习来利用足球比赛中的对称性（如方形足球场地的水平和垂直对称）。通过显式地在模型中引入对称性约束，使得模型能够在面对图的对称变换时保持预测的一致性。
最后，生成组件使用了条件变分自编码器（CVAE），生成球员在特定战术下可能的位置和速度。CVAE 能够学习输入数据的潜在分布，并从中采样以生成新的数据，提出战术调整建议。
球员都得戴 AR 训练了？
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，未来可能真的会出现一个通用的 AI 足球教练。
不过，论文中没有明确提及目前系统的运行速度。是否能做到在比赛进行中实时分析、给出建议，是很多人关心的问题（比如 CV 大神谢赛宁）。
广大球迷更关心的则是 AI 如果真的普及了，对足球比赛的观赏性是增加还是削弱？这次研究的合作方利物浦队，没有回应是否已经在真实比赛中使用了 AI 建议。不过意大利亚特兰大队情报总监很看好这项技术，认为与之前已经广泛应用的大数据分析相比，由 AI 提出的建议人类也能理解。
AI 可以帮助我们以分块或分类的方式分析足球 —— 而不是认为一切只是一个连续的数据流，而人类无法理解发生了什么。总之未来发生概率较大的是，所有运动员在训练时都会带上 AR 眼镜了。
