创建测试环境以帮助将AI研究从实验室推进到现实世界

创建测试环境以帮助将 AI 研究从实验室推进到现实世界可能极具挑战性。鉴于 AI 与游戏的长期关联，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试验平台，在该试验平台中，支持 AI 的系统可以帮助人类参与各种动态、互动的个体。

人工智能 (AI) 和机器学习的快速发展为各种团队和个人运动（包括棒球、篮球和网球）开辟了前所未有的分析可能性。最近，由于专业球队收集的数据的大量增加、计算能力的提高以及机器学习的进步，人工智能技术已应用于足球，目的是更好地解决涉及球员分析两名球员的新科学挑战。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领域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如何结合起来，特别是形成一个独特的 AI 研究缩影，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。

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，从聚合的高级统计和军械计量时代过渡到更细粒度的数据，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使用机器学习和人工智能来理解和建议体育运动中的人类决策者。在 DeepMind 最近与利物浦足球俱乐部 (LFC) 合作在 JAIR 上发表的论文中，它结合了统计学习、视频理解和博弈论，着眼于体育分析的未来。 DeepMind 特别指出，足球是人工智能研究的一个有用缩影，以自动视频助理教练 (AVAC) 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示例图，其中检测、识别（基于球员姓名）、跟踪和传递到预测轨迹模型中的攻击和防守球员，该模型可以使用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）和在整个游戏中不断演变的深度学习模型输出（“信号”）。

DeepMind 表明，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，不仅改变了足球运动本身，还改变了该领域对人工智能领域的意义。 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，包括使用预测模型进行反事实分析的说明性示例，以及与球员属性的统计学习相结合的点球的博弈论分析。最后，DeepMind 强调了设想的下游效应，包括扩展到其他运动（真实和虚拟）的可能性。形成一个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，不仅改变了足球本身的比赛，而且改变了该领域对人工智能领域的意义。 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，包括使用预测模型进行反事实分析的说明性示例，以及与球员属性的统计学习相结合的点球的博弈论分析。最后，DeepMind 强调了设想的下游效应，包括扩展到其他运动（真实和虚拟）的可能性。形成一个独特的 AI 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。

足球 - 人工智能的有趣机会

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，这已经很晚了。这有几个原因，最值得注意的是，与其他运动（大型户外场地、动态游戏等）相比，该游戏的可控设置要少得多，并且主要信条主要依赖于具有田径职业足球记录的人类专家和经验。在这些方面，在职业生涯中从未踢过职业足球的成功的意大利足球教练和经理阿里戈·萨基（Arrigo Sacchi）回应了他在 1987 年成为米兰教练时的一句话批评：“我从未意识到，作为一名骑师，你必须先做马。”

足球分析提出了非常适合来自 3 个领域交叉领域的各种 AI 技术的挑战：计算机视觉、统计学习和博弈论（如图 2 所示）。虽然这些领域对足球分析单独有用，但当它们结合起来时，它们的好处变得特别明显：球员需要在其他球员在场的情况下做出顺序决策（合作和对抗），因此博弈论是一种互动决策理论，变量高度相关此外，可以从游戏中和玩家特定的表示中学习针对特定游戏中情况的战术解决方案，从而使统计学习成为一个高度相关的领域。最后，可以跟踪玩家并从广泛可用的图像和视频输入中自动识别游戏场景。

图 2：三个关键领域（博弈论、统计学习和计算机视觉）在推动足球分析发展中所发挥的作用的说明性概述（针对每个相关领域列出了文献中的示例，相关的重叠边界是指示）。

DeepMind 设想的 AVAC 系统是这三个研究领域交叉形成的一个缩影（图 2）。在这个令人兴奋的研究领域，DeepMind 不仅提供未来几年的解决方案）已经为科学和工程问题制定了路线图，并在博弈论分析、统计学习和计算机视觉的交叉路口展示了新的原始结果，以说明这个令人兴奋的领域在足球中所提供的东西。

DeepMind 表明，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，不仅改变了足球运动本身，还改变了该领域对人工智能领域的意义。 DeepMind 回顾了最先进的技术，并说明了通过结合上述领域实现的分析类型，包括使用预测模型进行反事实分析的说明性示例，以及与球员属性的统计学习相结合的点球的博弈论分析。最后，DeepMind 强调了设想的下游效应，包括扩展到其他运动（真实和虚拟）的可能性。在未来几年为专业团队、观众和广播公司提供互惠互利的同时。 DeepMind 说明了这种二元性使足球分析成为具有重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可以实现的分析类型，包括使用预测模型的反事实分析球员属性。最后，DeepMind 强调了预期的下游影响，包括在未来几年同时扩展到其他运动（真实和虚拟）的可能性。对专业团队、观众和广播公司互惠互利。 DeepMind 说明了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，包括使用预测模型进行反事实分析的说明性示例ai预测足球，以及与球员属性的统计学习相结合的点球的博弈论分析最后，DeepMind 强调了设想的下游影响ai预测足球，包括扩展到其他运动（真实和虚拟）的可能性。 DeepMind 表明，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，不仅改变了足球运动本身，而且还改变了该领域对人工智能领域的意义。

人工智能如何帮助足球

博弈论在体育研究中占有重要地位，为运动员行为策略提供了理论基础。以足球为例，它的许多场景实际上可以建模为零和游戏，自博弈论诞生以来就已被广泛研究。例如，在这里，De epMind 将罚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分类为左、中或右。为了研究这个问题，DeepMind 使用 Player Vectors 在点球场景中增强了其博弈论分析，总结了各个足球运动员的比赛风格。有了这样一个单一玩家的表示，DeepMind 可以将具有相似游戏风格的踢球者分组，然后在组级别进行博弈论分析（图 3）。DeepMind 的结果表明，投篮策略在统计上是不同的。对于例如，DeepMind 发现一组更喜欢射门左角，而另一组更喜欢射门左右角，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。根据这种博弈论观点，可以通过延长比赛的形式分析足球的连续性，并为个别球员提供战术建议，

图 3：(A) 和 (B) 在一个包含超过 12,000 次罚球的示例数据库中，球员向量集群的可视化。使用玩家行为的这一特征，我们可以为不同集群中的踢球者可视化相关的目标热图，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，这将有助于对单个球员和足球队的行为进行信息性总结。此外，DeepMind 认为博弈论和统计学习之间的相互作用将进一步推动体育分析的进步。例如，在上面的点球场景中，使用特定于球员的统计数据（球员向量）来增强分析，从而更深入地了解各种类型的球员在点球场景中的行为或对其行为做出决定的方式。再举一个例子，可以研究“重影”，它指的是一个特定的数据驱动的分析，即运动员在事后应该如何进行运动分析（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，基于联赛平均水平或选定球队。预测的轨迹通常被可视化为原始剧本的半透明层，因此称为“重影”（参见图 4 的可视化示例）。生成式轨迹预测模型使 DeepMind 能够分析游戏的关键情况以及他们可能如何以不同的方式进行操作以获得洞察力。这些模型还可以预测战术变化、关键球员受伤或换人对球队和对手表现的影响。

图 4：使用足球跟踪数据进行预测建模的示例。在这里，除了顺序预测轨迹模型对防守者的预测外，还对球、进攻者和防守者的真实数据进行了可视化。

最后，DeepMind 认为，计算机视觉是突破最先进体育分析研究界限的最有希望的途径之一。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，参见以下调查和 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有用（例如，可以自动生成精彩片段）。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。大量的足球视频符合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，这使得这项任务非常适合锐化 AI 算法。第三方供应商还提供手工标记的事件数据，可用于训练视频模型，生成耗时较长，因此监督和非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以多种方式为球员、决策者、球迷和广播公司带来一场革命性的比赛。这些进步也很重要，因为它们也有可能使这项运动本身进一步民主化（例如，可以使用计算机视觉等技术来量化运动员的技能组合，而不是依赖现场球探/专家的判断）。 ，来自较低联赛的地区等）。 DeepMind 认为，足球微缩模型所提供的日益先进的人工智能技术发展可能适用于更广泛的领域。为此，DeepMind 将于今年晚些时候（与几家外部组织者）共同组织 IJCAI 2021 运动分析 AI 研讨会，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）和更广泛的研究社区（数据集链接）等分析公司提供公开可用的数据集。此外，本文还全面概述了该领域的研究。

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，包括使用预测模型进行反事实分析的说明性示例，以及对罚球与球员属性的博弈论分析结合。最后，DeepMind 强调了设想的下游效应，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，不仅改变了足球本身的比赛，而且改变了该领域对人工智能领域的意义。 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，包括使用预测模型进行反事实分析的说明性示例，以及与球员属性的统计学习相结合的点球的博弈论分析。最后，DeepMind 强调了设想的下游效应，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，包括使用预测模型进行反事实分析的说明性示例，以及与球员属性的统计学习相结合的点球的博弈论分析。最后，DeepMind 强调了设想的下游效应，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，包括使用预测模型进行反事实分析的说明性示例，以及与球员属性的统计学习相结合的点球的博弈论分析。最后，DeepMind 强调了设想的下游效应，包括扩展到其他运动（真实和虚拟）的可能性。