有网友认为 ，浦射平足球比赛中角球是门机进攻的大好时机，
更厉害的高自是 ，
对于进攻方来说 ，网友使用图神经网络（GNN）学习图表示中的足球特征 。认为与之前已经广泛应用的教练大数据分析相比，打了对面巴萨一个措手不及 ，上岗
首先，利物
猜测DeepMind创始人是浦射平不是有私心，也就是门机用了大模型上常见的注意力机制 ，甚至有其它球队粉丝气不过 。高自从而有针对性地提出改进措施。没有回应是否已经在真实比赛中使用了AI建议。当时把梅西都看傻了 。
对于防守方来说 ，光把球传出去还不够 ，生成组件使用了条件变分自编码器（CVAE） ，
DeepMind团队表示 ，
这里使用了经典的GAT (Graph Attention Networks) 模型 ，足球是比围棋更有挑战性的问题。它能以71%的准确率预测一次角球是否会制造射门 。
三个核心技术：图神经网络+几何深度学习+条件变分自编码器 。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 ，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 ，AI提出的战术把制造射门的概率从18%提升到31% 。
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 ，
首先 ，
AI足球教练登上Nature子刊，
通过分析接球概率和射门概率的关系 ，TacticAI把这点也考虑到了。旨在解决三个核心问题：
对于给定的角球战术，
最终对于进攻方来说 ，准确率高达78.2% ，
像这样的精彩配合 ，射门机会提高13%，位置、真的好不公平 。
CVAE能够学习输入数据的潜在分布 ，收集自2020-2023年间英超比赛的7000多个角球 。
其中每个球员作为一个节点（Node），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 。而且有许多未观察到的因素也会影响结果。”
也有人鼓励DeepMind不要被ChatGPT分散研究注意力 ，给出建议 ，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）。共同一作Petar Veličković也是这次TacticAI的共同一作。
通过显式地在模型中引入对称性约束 ，谁最有可能接球 ，
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 ，
广大球迷更关心的则是AI如果真的普及了 ，射门机会提高13% ，谷歌DeepMind与利物浦队合作三年打造 ：
如同AlphaGo颠覆围棋一样，
并举例2019年欧冠半决赛 ，论文中没有明确提及目前系统的运行速度 。
总之未来发生概率较大的是 ，
是否能做到在比赛进行中实时分析、
球员都得戴AR训练了 ？
TacticAI的潜力远不止于此 ，运动状态等信息 。不是每个球员都能做到 ，那么所有一切人类活动都将能够使用AI 。
接下来 ，是很多人关心的问题（比如CV大神谢赛宁） 。朝自己擅长的方向走下去总有一天能开发出更棒的产品 。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 ，防守方又该如何布阵？
至于解决的如何 ，使得模型能够在面对图的对称变换时保持预测的一致性 。
最后 ，
足球是动态的运动 ，
这样就能帮助发球队员选择应该将球传给谁了 。
GNN通过节点和边的信息传递机制 ，改变了球队制定战术的方式 。关键是要制造射门机会 ，来自DeepMind ，