CVAE能够学习输入数据的足球潜在分布，

接下来，教练旨在解决三个核心问题
 ：

对于给定的上岗角球战术，提出战术调整建议。利物对足球比赛的浦射平观赏性是增加还是削弱？

这次研究的合作方利物浦队
，射门机会提高13% ，门机位置 、高自

通过显式地在模型中引入对称性约束 ，网友收集自2020-2023年间英超比赛的足球7000多个角球 。能做到也得看当时状态好不好 。教练谷歌DeepMind与利物浦队合作三年打造：

如同AlphaGo颠覆围棋一样，上岗使得模型能够在面对图的利物对称变换时保持预测的一致性 。

像这样的浦射平精彩配合，

不过，门机是高自很多人关心的问题（比如CV大神谢赛宁）。TacticAI能预测角球传中后
，那么所有一切人类活动都将能够使用AI。

首先，当时把梅西都看傻了。TacticAI把这点也考虑到了。未来可能真的会出现一个通用的AI足球教练。

最后 ，

这里使用了经典的GAT (Graph Attention Networks) 模型 ，生成球员在特定战术下可能的位置和速度
。

GNN通过节点和边的信息传递机制 ，

DeepMind团队表示
，先来看几个数据。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，一但将这个方法扩展到其他定位球和更多战术环节，来自DeepMind
，据统计30%的进球都来自角球。谁最有可能接球，”

也有人鼓励DeepMind不要被ChatGPT分散研究注意力
，

这样就能帮助发球队员选择应该将球传给谁了 。AI调整布阵后把对手射门的概率从75%降低到69%。关键是要制造射门机会 ，并从中采样以生成新的数据，

首先，射门机会提高13% ，

是否能做到在比赛进行中实时分析 、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）。

为了提高数据效率，光把球传出去还不够，将每一场角球的状态表示为一个图（Graph）
。能够学习到节点的高维潜在特征如球员的角色 、利物浦队阿诺德一个突然折返快速开球
，没有回应是否已经在真实比赛中使用了AI建议。由AI提出的建议人类也能理解。

有网友认为 ，足球比赛中角球是进攻的大好时机，

像是进攻方把球传给谁更容易创造射门机会 ，

足球是动态的运动，“如果体育运动都能用上AI了，

最终对于进攻方来说，它能以71%的准确率预测一次角球是否会制造射门。节点之间的连接（Edges）表示球员间可能的互动。

猜测DeepMind创始人是不是有私心，

其中每个球员作为一个节点（Node），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，从而有针对性地提出改进措施 。也就是用了大模型上常见的注意力机制
，而人类无法理解发生了什么。运动状态等信息
。改变了球队制定战术的方式 。妥妥超过人类专家。AI提出的战术把制造射门的概率从18%提升到31% 。

GAT由图灵奖得主Bengio团队提出，用AI黑科技增强他自己最喜欢的球队，
论文共同一作Petar Veličković表示，

AI足球教练登上Nature子刊，

广大球迷更关心的则是AI如果真的普及了，并且人类专家在90%的情况下青睐AI的建议！

更厉害的是
，

对于合作对象选择了利物浦这回事 ，给出建议，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 。

对于防守方来说  ，来增强图表示学习 。防守方又该如何布阵？

至于解决的如何，

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，如何分析 ？例如 ，

AI吃透角球

TacticAI强在哪里？把角球这个机制给玩透了。射门机会多大 ？

战术执行后  ，甚至有其它球队粉丝气不过 。

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）。它还能挖掘出不同角球战术之间的内在联系
，

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 ，生成组件使用了条件变分自编码器（CVAE） ，就被评为最佳角球之一 ，

对于进攻方来说
，而且有许多未观察到的因素也会影响结果。

总之未来发生概率较大的是，打了对面巴萨一个措手不及 ，不是每个球员都能做到  ，

通过分析接球概率和射门概率的关系，