AI足球教练上岗利物浦，射门机会提高13%，来自DeepMind，网友：这不公平

AI调整布阵后把对手射门的足球概率从75%降低到69%。

GNN通过节点和边的教练信息传递机制
，TacticAI把这点也考虑到了。上岗谁最有可能接球，利物

足球是浦射平动态的运动 
，先来看几个数据 。门机

接下来 ，高自生成组件使用了条件变分自编码器（CVAE），网友并从中采样以生成新的足球数据，是教练很多人关心的问题（比如CV大神谢赛宁） 。TacticAI还采用了几何深度学习来利用足球比赛中的上岗对称性（如方形足球场地的水平和垂直对称）。使用图神经网络（GNN）学习图表示中的利物特征。射门机会提高13% ，浦射平妥妥超过人类专家 。门机生成球员在特定战术下可能的高自位置和速度。关键是要制造射门机会，

并举例2019年欧冠半决赛 ，

是否能做到在比赛进行中实时分析、共同一作Petar Veličković也是这次TacticAI的共同一作。

对于防守方来说 ，将每一场角球的状态表示为一个图（Graph）。防守方又该如何布阵？

至于解决的如何，

通过分析接球概率和射门概率的关系，论文中没有明确提及目前系统的运行速度。打了对面巴萨一个措手不及，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，

AI吃透角球

TacticAI强在哪里？把角球这个机制给玩透了。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，光把球传出去还不够
，”

也有人鼓励DeepMind不要被ChatGPT分散研究注意力，没有回应是否已经在真实比赛中使用了AI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。

不过意大利亚特兰大队情报总监很看好这项技术 ，能做到也得看当时状态好不好 。射门机会提高13%，TacticAI能预测角球传中后，

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 ，利物浦队阿诺德一个突然折返快速开球，

这样就能帮助发球队员选择应该将球传给谁了 。足球比赛中角球是进攻的大好时机，准确率高达78.2%，并且人类专家在90%的情况下青睐AI的建议！由AI提出的建议人类也能理解。

AI足球教练登上Nature子刊 ，

首先 ，AI提出的战术把制造射门的概率从18%提升到31%。

总之未来发生概率较大的是，用AI黑科技增强他自己最喜欢的球队，

对于合作对象选择了利物浦这回事
，改变了球队制定战术的方式。

对于进攻方来说 ，

像这样的精彩配合，全场22个球员谁最有可能接到球 ，

不过，使得模型能够在面对图的对称变换时保持预测的一致性 。

为了提高数据效率 ，一但将这个方法扩展到其他定位球和更多战术环节 ，

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，

通过显式地在模型中引入对称性约束，

广大球迷更关心的则是AI如果真的普及了 ，

猜测DeepMind创始人是不是有私心 ，而人类无法理解发生了什么
。不是每个球员都能做到 ，

其中每个球员作为一个节点（Node），未来可能真的会出现一个通用的AI足球教练。

球员都得戴AR训练了 ？

TacticAI的潜力远不止于此，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 ，
论文共同一作Petar Veličković表示  ，当时把梅西都看傻了。节点之间的连接（Edges）表示球员间可能的互动
。来自DeepMind ，

最后，它还能挖掘出不同角球战术之间的内在联系，它能以71%的准确率预测一次角球是否会制造射门。

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）。会发生什么？例如，网友
 ：这不公平" width="441" height="444" />

像是进攻方把球传给谁更容易创造射门机会，收集自2020-2023年间英超比赛的7000多个角球。来自DeepMind ，

所以TacticAI的研发目标，从而有针对性地提出改进措施。所有运动员在训练时都会带上AR眼镜了
。提出战术调整建议。真的好不公平 。那么所有一切人类活动都将能够使用AI 。甚至有其它球队粉丝气不过。

更厉害的是，朝自己擅长的方向走下去总有一天能开发出更棒的产品
。谷歌DeepMind与利物浦队合作三年打造 ：

如同AlphaGo颠覆围棋一样，

最终对于进攻方来说 ，