谷歌 DeepMind 联合利物浦推出 TacticAI，国足大胜新加坡却错失角球破门机会

在刚刚结束的世界杯预选赛中，中国国足在天津主场4:1战胜新加坡，一扫上一场领先时被对手逼平的阴霾，也迎来了球队2024年的首场胜利。目前，中国队暂列C组第二，保留晋级18强的希望。

在享受胜利喜悦的同时，有球迷也回顾了比赛数据，发现整场比赛双方获得的角球机会比例为10:1，中国国家队遥遥领先，却未能成功进球，反而错失了空门，实在令人遗憾。

事实上，角球等“定位球”可以在高强度的跑动对抗中为球员提供短暂的停顿，在对方禁区内布兵往往是执行教练战术的绝佳机会，足球史上的众多经典比赛都证实了它的重要性。

2019年5月7日，欧冠半决赛第二回合在安菲尔德进行，利物浦在上半场0:3巨大落后的情况下，连入三球，最终由阿诺德出其不意的角球助攻完成制胜进球。

当时阿诺德开始从角旗区走开英超球队之间的关系，大家都以为他要把角球给边路的沙奇里，但他却迅速回传，将角球开给禁区内的奥里吉，最终完成4：3的逆转，完美诠释了角球战术的魅力。

每次制定战术，不仅要考虑己方球员的能力特点，还要根据过往的比赛记录总结对方球队的战术特点，都需要教练组翻看大量的视频资料，刨根问底。

幸好，随着科技的发展，足球领域积累了大量的数据资源，人工智能对运动员的力量、速度、射门准度等进行全面的统计分析，并由此生成数据报告，让教练员能够更加直观地识别运动员的优势和劣势，制定更有针对性的训练计划和比赛战术，大大减轻了教练员和管理者的压力。

基于此，谷歌与利物浦足球俱乐部联合推出了一款足球教练人工智能助手，该系统采用几何深度学习方法，借助预测和生成模型，为专业人士提供角球战术洞察，与实际布局对比，所提出的战术在 90% 的情况下都能被人类专家认可。

研究亮点：

* 90% 的时间里，人类专家评估员会优先考虑所提出的战术布局。

* 接球预测准确率高达74%，射门机会增加13%。

* 为定位球战术布局研究或其他有比赛暂停情况的活动提供参考。

论文地址：

：四大数据源，汇集各方面的特征信息

原始数据集包括利物浦足球俱乐部提供的 2020-21、2021-22 和 2022-23 赛季英超联赛收集的 9,693 个角球，包括以下 4 个数据来源：

* 时空球员追踪框架数据，可在每场比赛中追踪场上所有球员和球的位置和速度。

* 事件流数据，注释相应跟踪帧中发生的事件或动作（例如传球、射门和进球）。

* 比赛队伍数据，记录球员的个人信息，包括身高、体重和位置。

* 其他比赛数据，包括比赛日期、体育场信息以及场地长度和宽度。

研究人员对数据进行了筛选和过滤，剩下 7176 个有效角球。数据被随机抽样，按照 8:2 的比例分为训练集和验证集，后续所有任务也采用同样的划分方式。

数据集地址：

实验方法：通过几何深度学习预测角球结果

角球情况图形显示

首先，为了有效利用角球数据，研究人员对球员之间的隐性关系进行了建模，并将角球形式转化为图形表示，其中每个节点代表一名球员（包括位置、速度、身高等特征），边表示他们之间的关系，每个节点通过向相邻节点传递消息来更新。

角球处理示意图

接下来，研究人员分析了给定角球的处理，利用几何深度学习英超球队之间的关系，利用足球场的近似对称性，生成给定情况的四种可能反映（H-、V- 和 HV-）。几何深度学习从对称性出发，将几何性质嵌入机器学习中，以更好地表征数据的内在结构和变化规律，提高算法的表示、泛化和泛化能力。

最后，将这四种反射组合全部应用到角球区域的图神经网络结构中，并进一步输入到 中。它由三个预测和生成模型（ ）组成，所有模型都使用相同的编码器-解码器架构。编码器在所有任务中具有相同的结构，而解码器模型则根据每个基准任务的要求生成相应形状的输出。这三个模型分别对应本研究的三个基准任务，即接球预测、射门预测和生成战术布局策略。

总结一下，在接球预测中，能够以 71% 的准确率预测角球是否会产生射门。在射门预测中，研究人员发现防守方的平均射门概率从真实角球的 75% 左右下降到调整后的 69% 左右，进攻方的射门概率则从 18% 左右上升到 31% 左右。

实验结论：四个案例研究的实践有效性

为了评估实际效果，研究人员邀请了五位足球专家，包括三名数据科学家、一名视频分析师和一名教练助理，基于四个案例研究进行定量分析。

1. 生成的角球样本的真实性

（A.1）指定分数分布

（A.2）评级值直方图

首先，为了评估生成的调整的真实性，研究人员合成了一个数据集并评估了生成的合成角球和真实角球之间的差异。

具体来说，研究人员为每个样本打分，人工评分为真实则+1，人工评分为0，并计算5位评审员对每个样本的评分平均值。结果显示，真实角球和生成角球的平均得分没有显著差异（z = -0.34，p > 0.05），因此生成的角球样本是真实的。z和p是统计学中假设检验中常用的统计指标。

2. 预测接收机可靠性

（B.1）样本准确率前三名的渔获量预测分布

（B.2）各样本平均得分对应的直方图

其次，对于预测的接球手，如果前 3 个预测中至少出现 1 个接球手，则评委将该预测评为 +1，否则评为 0。

对样本捕手的预测评分进行平均后，研究人员发现，预测捕手对实际样本和生成样本给出的平均评分在统计上没有显著差异（z = 0.97，p > 0.05）。

不同评估者对于接球预测的评分存在个体差异，在这种情况下，它仍然能够保持较高的top-3准确率，说明其在预测接球手的任务中具有很高的可信度。

3. 用于检索角球的有效性

角球的有效相似度评分

第三步，专家对检索到的角球与参考角球进行相似度分析，相似则评分为+1，否则评分为0。

最后发现，不同评估者的评分分布并无显著差异，说明他们对检索类似角球的有效性有较高的一致性（F1,4 = 1.01，p > 0.1）。F1,4和p是判断一致性或无显著差异的统计指标。

4.调整策略的实用性

调整建议的评分

最后，研究人员评估了球员调整建议在现实生活中的实用性。具体来说，每位评测员被给予 50 个战术调整和对应的真实角球设置，评测员对每项调整的评分为显著改善战术 +1、显著恶化 -1、无显著差异 0。

结果显示，五位评审员的平均评分为0.7±0.1，其中，人类评审员给出的建议中90%是正面的，而且他们的评分也高度一致（F1,4 = 0.45，p > 0.05），说明这一实用性得到了人类专家的普遍认可。

综上所述,三项基准任务均能高效完成,在角球预测、检索和战术调整方面实用有效。

打破传统足球格局英超球队之间的关系，AI成为新时代“前锋”

未来学家、趋势观察家范曾说：“对于现在这一代人来说，他们所做的和经历的一切都包含着一些科技元素。为了让体育运动对这一代人和未来几代人保持吸引力，我们别无选择，只能继续融入科技。”当我们把目光聚焦足球世界里的科技创新时，不难发现，AI已经不再只是教练组的秘密武器，它正以无处不在的影响力，悄然重塑整个足球产业的版图。

从球员选拔到日常训练再到战术规划，我们在越来越多的环节都能看到AI的身影。例如：

* 为2022年世界杯设计的Al Rihla比赛用球内置惯性测量单元，可精准探测球的踢点，通过结合球员身体追踪和球追踪数据，可监测越位位置的进攻球员是否触球。（点击查看详细报道：4球1分，阿根廷败北背后的科技与努力）

* 该公司推出了人工智能辅助球探平台，打破了传统选拔机制的地域和资源限制，为球探提供足球运动员的运动能力、认知能力和技术能力等数据，让球探能够更精准地选拔球员。

* Zone7推出了AI球员伤病预测平台，利用人工智能识别和预测球员伤病，帮助运动员和教练找到最佳运动和伤病风险之间的最佳平衡。

* 公司推出AI辅助裁判平台，利用AI驱动的球类追踪、肢体追踪、骨骼建模等技术，将裁判的“鹰眼”升级为“电子眼”，精准捕捉球员在关键传球时刻的肢体位置，帮助裁判做出更准确、及时的判断。

从球员发现、伤病预防到裁判、教练助理，AI已经蔓延到足球的方方面面。一个前所未有的足球智能时代即将到来。俱乐部之间的“贫富差距”是否会影响球员常规训练的AI内容，进一步加剧球队之间的马太效应？恐怕是整个生态圈各方都需要更充分思考的问题。

参考：

先前的建议