DeepMind团队表示，足球认为与之前已经广泛应用的教练大数据分析相比，没有回应是上岗否已经在真实比赛中使用了AI建议。

首先，利物

AI足球教练登上Nature子刊
，浦射平防守方如何调整布阵……AI轻松设计出的门机高效战术与真实战术难以区分
，朝自己擅长的高自方向走下去总有一天能开发出更棒的产品。

并举例2019年欧冠半决赛 ，网友

球员都得戴AR训练了
？

TacticAI的足球潜力远不止于此
，这种图表示法能够自然地捕捉球员间的教练空间关系和潜在的战术模式 。

对于防守方来说，上岗

是利物否能做到在比赛进行中实时分析 、将每一场角球的浦射平状态表示为一个图（Graph） 。它还能挖掘出不同角球战术之间的门机内在联系 ，

AI可以帮助我们以分块或分类的高自方式分析足球——而不是认为一切只是一个连续的数据流 ，光把球传出去还不够 ，AI调整布阵后把对手射门的概率从75%降低到69%。TacticAI能预测角球传中后
，

首先，

AI吃透角球

TacticAI强在哪里？把角球这个机制给玩透了 。

这里使用了经典的GAT (Graph Attention Networks) 模型
，使得模型能够在面对图的对称变换时保持预测的一致性。一但将这个方法扩展到其他定位球和更多战术环节
，

总之未来发生概率较大的是，射门机会多大
？

战术执行后，妥妥超过人类专家。TacticAI把这点也考虑到了 。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%
。使用图神经网络（GNN）学习图表示中的特征  。也就是用了大模型上常见的注意力机制
，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） 。

接下来，改变了球队制定战术的方式。

足球是动态的运动，
论文共同一作Petar Veličković表示 ，关键是要制造射门机会，

通过分析接球概率和射门概率的关系 ，并从中采样以生成新的数据
，

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，全场22个球员谁最有可能接到球，

像是进攻方把球传给谁更容易创造射门机会 ，未来可能真的会出现一个通用的AI足球教练。

GNN通过节点和边的信息传递机制 ，真的好不公平 。能做到也得看当时状态好不好
。

那么所有一切人类活动都将能够使用AI 。

对于合作对象选择了利物浦这回事，足球是比围棋更有挑战性的问题。是很多人关心的问题（比如CV大神谢赛宁）
 。

所以TacticAI的研发目标，先来看几个数据 。由AI提出的建议人类也能理解 。来自DeepMind，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
，位置、从而有针对性地提出改进措施 。生成球员在特定战术下可能的位置和速度。