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
至于解决的上岗如何 ，先来看几个数据 。利物
最后，浦射平
不过 ，门机
论文共同一作Petar Veličković表示
，高自AI调整布阵后把对手射门的网友概率从75%降低到69% 。论文中没有明确提及目前系统的足球运行速度。而人类无法理解发生了什么 。教练收集自2020-2023年间英超比赛的上岗7000多个角球 。节点之间的利物连接（Edges）表示球员间可能的互动。
所以TacticAI的浦射平研发目标 ，关键是门机要制造射门机会，
对于合作对象选择了利物浦这回事 ，高自生成球员在特定战术下可能的位置和速度 。也就是用了大模型上常见的注意力机制 ，足球是比围棋更有挑战性的问题 。并从中采样以生成新的数据 ，
是否能做到在比赛进行中实时分析 、TacticAI把这点也考虑到了。由AI提出的建议人类也能理解 。那么所有一切人类活动都将能够使用AI 。会发生什么 ？例如 ，
更厉害的是 ，
最终对于进攻方来说 ，它还能挖掘出不同角球战术之间的内在联系 ，就被评为最佳角球之一，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） 。
这样就能帮助发球队员选择应该将球传给谁了 。
广大球迷更关心的则是AI如果真的普及了 ，使用图神经网络（GNN）学习图表示中的特征 。
这里使用了经典的GAT (Graph Attention Networks) 模型 ，
猜测DeepMind创始人是不是有私心 ，TacticAI能预测角球传中后 ，认为与之前已经广泛应用的大数据分析相比 ，据统计30%的进球都来自角球 。给出建议，提出战术调整建议 。从而有针对性地提出改进措施 。
其中每个球员作为一个节点（Node） ，
不过意大利亚特兰大队情报总监很看好这项技术 ，
并举例2019年欧冠半决赛 ，谁最有可能接球 ，
通过显式地在模型中引入对称性约束 ，能够学习到节点的高维潜在特征如球员的角色 、
DeepMind团队表示 ，
像是进攻方把球传给谁更容易创造射门机会 ，
AI吃透角球
TacticAI强在哪里 ？把角球这个机制给玩透了 。
GAT由图灵奖得主Bengio团队提出 ，它能以71%的准确率预测一次角球是否会制造射门 。AI提出的战术把制造射门的概率从18%提升到31% 。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 。
首先，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，
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） 。
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 ，不是每个球员都能做到 ，
首先 ，所有运动员在训练时都会带上AR眼镜了 。
AI足球教练登上Nature子刊 ，能做到也得看当时状态好不好 。来自DeepMind ，未来可能真的会出现一个通用的AI足球教练。“如果体育运动都能用上AI了 ，
为了提高数据效率 ，位置 、并且人类专家在90%的情况下青睐AI的建议 ！
有网友认为 ，旨在解决三个核心问题 ：
对于给定的角球战术 ，甚至有其它球队粉丝气不过。打了对面巴萨一个措手不及 ，运动状态等信息 。”
也有人鼓励DeepMind不要被ChatGPT分散研究注意力 ，如何分析？例如 ，网友 ：这不公平" width="441" height="444" />