在剛剛結束的世界杯預選賽中，國足在天津主場以 4:1 的得分大勝新加坡，一掃上一場在領先優勢下被對方逼平的陰霾，也迎來了球隊 2024 年的首場勝利。目前，中國隊暫居 C 組第 2 位，保住了晉級 18 強賽的希望。

享受勝利喜悅之余，也有球迷通過回顧比賽數據發現，整場比賽中雙方獲得的角球機會為 10:1，國足遙遙領先，但卻并未借此成功破門，反而錯失空門，實在令人唏噓。

其實，角球這一類「定位球」能夠在高強度奔跑對抗中為球員提供短暫的中斷，在對方禁區內排兵布陣，往往是執行教練戰術的絕佳機會，足球史上有多場經典比賽都印證了其重要性。

2019 年 5 月 7 日，歐冠半決賽的第二回合在安菲爾德展開角逐，在上半場 0:3 的巨大差距下，利物浦連追 3 球，最終由阿諾德出其不意的角球助攻完成絕殺。

當時，阿諾德開始走離角旗區，所有人都以為他要讓給一旁的沙奇里罰角球，他卻快速返回、大腳開出角球傳給禁區內的奧里吉，最終完成 4:3 的逆轉，完美詮釋了角球戰術的魅力。

而每一次的戰術制定不僅要考慮己方球員的能力特點，還要根據過往比賽記錄總結對方球隊的戰術特點，二者都需要教練組人員復盤大量的影像資料，抽絲剝繭。

幸運的是，隨著科技的發展，足球領域已積累了大量數據資源，人工智能通過對運動員的力量、速度、射門精準度等進行全面的統計與分析，并由此生成數據報告，可以讓教練更直觀地識別運動員的優勢與短板，制定出更具針對性的訓練計劃與比賽戰術，這極大地緩解了教練與管理人員的壓力。

基于此，谷歌 DeepMind 與利物浦足球俱樂部攜手推出了 TacticAI 足球教練人工智能助手。該系統通過使用幾何深度學習方法，借助預測與生成模型，為專業人士提供在角球戰術方面的見解。與實踐中的布局相比，TacticAI 提出的戰術在 90% 的情況下都會受到人類專家的認同。

研究亮點：

* TacticAI 提出的戰術布局在 90% 的情況下都會受到人類專家評估者的青睞。

* 接球預測準確率高達 74%，射門機會提升 13%。

* 為定位球或其他擁有暫停比賽情況活動的戰術布局研究提供參考。

論文地址：
https://www.nature.com/articles/s41467-024-45965-x
關注公眾號，后臺回復「角球」獲取完整 PDF

數據集：四大數據源，全方位收集特征信息
原始數據集包括從 2020-21、2021-22 和 2022-23 賽季中英超聯賽收集的 9,693 個角球，由利物浦足球俱樂部提供，包括以下 4 個數據來源：

* 時空球員跟蹤框架數據，跟蹤了每場比賽中所有在場的球員和球的位置和速度。

* 事件流數據，對發生在相應跟蹤框架中的事件或行為（例如，傳球、射門和進球）進行了注釋。

* 比賽團隊數據，記錄了球員的個人資料，包括他們的身高、體重和位置。

* 雜項比賽數據，包括比賽日期、體育場信息以及場地長度和寬度。

研究人員對上述數據進行篩選和過濾，最終剩下 7,176 個有效角球。將這些數據進行隨機抽樣，按照 8 : 2 的比例劃分為訓練集與驗證集，并在之后的所有任務都采用了相同的拆分方式。

數據集地址：

https://my5353.com/p30375

實驗方法：通過幾何深度學習預測角球結果

角球局勢圖形化

首先，為了有效的利用角球數據，研究人員對球員之間的隱含關系進行建模，將角球形式轉化為圖形表示。其中，每個節點代表一名球員（包括位置、速度、高度等特征），邊表示它們之間的關系，每個節點通過與相鄰節點傳遞消息來進行更新。

TacticAI 對給定角球的處理方式示意圖

接著，研究人員對給定角球的處理方式進行分析，采用幾何深度學習并利用足球場的近似對稱性，生成了給定情況 (original、H-flipped、V-flipped 和 HV-flipped) 的四種可能反射。其中，幾何深度學習是從對稱性出發，將幾何性質嵌入到機器學習中，更好地刻畫數據的內在結構和變化規律，提高算法的表示、泛化、通用能力。

最后，所有的四種反射組合被應用到角球區的圖神經網絡結構中，并進一步饋送到 TacticAI 中。TacticAI 由三個預測和生成式模型（generative models）組成，這些神經網絡模型均采用了相同的編碼器-解碼器架構。編碼器在所有任務中結構相同，而解碼器模型則根據每個基準任務的需求生成相應形狀的輸出。三個模型分別對應著本研究的三個基準任務，即接球預測、射門預測、生成戰術布局策略。

綜上，在接球預測中，TacticAI 能夠以 71% 的準確率預測角球是否會射門。在射門預測中，研究人員發現，防守隊平均射門概率從真實角球的 75% 左右降至調整后的 69% 左右，進攻隊的射門概率從 18% 左右升至 31% 左右。

實驗結論：四大案例分析 TacticAI 的實際有效性
為了評估 TacticAI 的實際有效性，研究人員邀請了 5 名足球專家，其中有 3 名數據科學家，1 名視頻分析師和 1 名教練助理，結合 4 個案例對 TacticAI 進行定量分析。

1. TacticAI 生成角球樣本的真實性

(A.1)分配的評分分布

(A.2)評分值直方圖

首先，為了評估生成調整的真實性，研究人員合成了一個數據集，并評估了 TacticAI 生成的合成角球與真實角球之間的差異性。

具體而言，研究人員為每個樣本分配了評分，如果被人工評定為真實則為 +1，否則為 0。計算五名評審人員對每個樣本的平均評分。結果發現，實際角球和生成的角球之間的平均評分沒有顯著差異 (z = -0.34，p > 0.05)。因此，TacticAI 生成的角球樣本具備真實性。
z 和 p 是統計學中常用于假設檢驗的統計指標。

2. TacticAI 預測接球者可信度

(B.1)樣本前三名準確性的接球預測分布
(B.2)每個樣本平均評分的相應直方圖

其次，對于預測接球者，如果 TacticAI 的前 3 個預測中出現至少 1 個接球者，那么評審人員對 TacticAI 的預測評定為 +1，否則評定為 0。

將樣本接球者的預測評分進行平均后，研究人員發現，預測接球者在對實際樣本和生成樣本的平均評分上，并不存在統計學上的顯著差異 (z = 0.97, p > 0.05)。

不同評估人員對接球預測的評分存在個性化差異，在這種情況下，TacticAI 仍然能夠保持高的前 3 名準確性，這表明了它在預測接球者任務上的高可信度。

3. TacticAI 用于檢索角球的有效性


角球的有效相似性評分

第三，專家對 TacticAI 檢索到的角球和參考角球進行相似度分析，如果角球是相似的，則打分為 +1，否則為 0。

最終發現，不同評估人員的評分分布之間沒有顯著差異，這表明他們對 TacticAI 檢索類似角球能力的有效性存在高度一致意見 (F1,4 = 1.01, p > 0.1)。
F1,4 和 p 是用來評判一致性或無顯著差異的統計指標。

4. TacticAI 調整策略的實用性


調整建議的評分

最后，研究人員評估了 TacticAI 對球員調整建議在現實中的實用性。具體而言，每位評審人員都獲得了 50 個戰術調整以及相應的真實角球設置，評審人員將每個調整評定為顯著改善戰術 +1、顯著使其變差 -1 ，沒有顯著差異 0。

結果發現，所有五名評審人員的評分平均值為 0.7 ± 0.1。其中，人類評審人員發現 TacticAI 的建議 90% 是有利的。此外，他們的評分也具有高度一致 (F1,4 = 0.45，p > 0.05)，表明這種實用性在人類專家中得到了普遍認可。

綜上所述，TacticAI 可以高效完成三個基準任務，在角球的預測、檢索和戰術調整方面是實際有效的。

打破傳統足球格局，AI 成為新時代「前鋒」
未來學家和趨勢觀察家 Richard van Hooijdonk 曾表示：「對于現在這代人來說，他們所做的每件事和經歷都包含著某種科技元素。為了讓體育運動對這一代人和后代人保持吸引力，我們別無選擇，只能不斷整合科技。」當我們聚焦于足球世界的科技革新，不難發現，AI 已不僅僅是教練團隊的秘密武器，它正以其無處不在的影響力悄然重塑著整個足球行業的布局。

從球員選拔、到日常訓練、再到戰術制定，我們能夠在越來越多的環節中看到 AI 的身影。例如：

* Adidas 為 2022 年世界杯設計制作的比賽用球 Al Rihla，內置的慣性測量單元能精確檢測到足球的 kick point，通過將球員肢體追蹤以及球體追蹤的數據相結合，能夠監測處于越位位置的進攻方是否觸球。（點擊查看詳細報道：進 4 球得 1 分，阿根廷敗北背后的科技與狠活）

* AiSCOUT 公司推出 AI 輔助球探平臺，打破了傳統選拔機制的地域與資源限制，為球探們提供足球運動員的運動能力、認知能力和技術能力等數據，球探們因此能夠更精準地選拔球員。

* Zone7 公司推出 AI 球員傷病預測平臺，利用人工智能識別預測球員受傷情況，可以幫助運動員和教練在最佳運動和傷害風險之間尋找最佳平衡點。

* ChyronHego 公司推出 AI 輔助裁判平臺，通過人工智能驅動的球跟蹤、肢體跟蹤與骨骼建模技術，將裁判的「火眼金睛」升級為「電子眼」，精確捕捉關鍵傳球瞬間的球員肢體位置，助力裁判作出更準確、及時的判罰。

從球員發掘、傷病預防到裁判和教練助手，AI 已經遍布足球領域的各個環節，一個前所未有的足球智能化時代正在到來，而俱樂部之間的「貧富差距」是否會影響球員常規訓練的 AI 含量、進而加劇球隊之間的馬太效應？恐怕整個生態的各方角色，都還需要有更充分的思考。

來源: HyperAI超神經