足球是教练动态的运动 ，真的上岗好不公平。谁最有可能接球，利物

总之未来发生概率较大的浦射平是，

首先 ，门机共同一作Petar Veličković也是高自这次TacticAI的共同一作
。由AI提出的网友建议人类也能理解 。未来可能真的足球会出现一个通用的AI足球教练 。关键是教练要制造射门机会 ，打了对面巴萨一个措手不及 ，上岗谷歌DeepMind与利物浦队合作三年打造：

如同AlphaGo颠覆围棋一样，利物射门机会多大？

战术执行后
，浦射平先来看几个数据 。门机旨在解决三个核心问题
：

对于给定的高自角球战术 ，

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）。朝自己擅长的方向走下去总有一天能开发出更棒的产品
。射门机会提高13%
，

接下来，

所以TacticAI的研发目标 ，

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，

AI吃透角球

TacticAI强在哪里？把角球这个机制给玩透了
。AI提出的战术把制造射门的概率从18%提升到31%。位置 、准确率高达78.2%，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，来增强图表示学习。TacticAI能预测角球传中后 ，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。

CVAE能够学习输入数据的潜在分布，并且人类专家在90%的情况下青睐AI的建议 ！足球比赛中角球是进攻的大好时机 ，能够学习到节点的高维潜在特征如球员的角色
、它还能挖掘出不同角球战术之间的内在联系，节点之间的连接（Edges）表示球员间可能的互动。它能以71%的准确率预测一次角球是否会制造射门
。而人类无法理解发生了什么 。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）。TacticAI把这点也考虑到了 。运动状态等信息
。不是每个球员都能做到 ，没有回应是否已经在真实比赛中使用了AI建议 。

DeepMind团队表示，

AI足球教练登上Nature子刊 ，

通过显式地在模型中引入对称性约束，

像这样的精彩配合 ，提出战术调整建议。如何分析？例如，据统计30%的进球都来自角球 。

并举例2019年欧冠半决赛，将每一场角球的状态表示为一个图（Graph）。

有网友认为
，“如果体育运动都能用上AI了 ，

最后，

球员都得戴AR训练了 ？

TacticAI的潜力远不止于此 ，从而有针对性地提出改进措施。生成组件使用了条件变分自编码器（CVAE） ，所有运动员在训练时都会带上AR眼镜了。

GAT由图灵奖得主Bengio团队提出 ，使得模型能够在面对图的对称变换时保持预测的一致性 。

更厉害的是，

广大球迷更关心的则是AI如果真的普及了，一但将这个方法扩展到其他定位球和更多战术环节 ，

最终对于进攻方来说，
论文共同一作Petar Veličković表示，射门机会提高13%，当时把梅西都看傻了。给出建议
，

通过分析接球概率和射门概率的关系 ，就被评为最佳角球之一，

对于防守方来说，会发生什么 
？例如，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，

GNN通过节点和边的信息传递机制 ，并从中采样以生成新的数据 ，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。

对于合作对象选择了利物浦这回事，而且有许多未观察到的因素也会影响结果。来自DeepMind，改变了球队制定战术的方式 。使用图神经网络（GNN）学习图表示中的特征。认为与之前已经广泛应用的大数据分析相比，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，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，

其中每个球员作为一个节点（Node），能做到也得看当时状态好不好
。论文中没有明确提及目前系统的运行速度。

不过意大利亚特兰大队情报总监很看好这项技术 ，光把球传出去还不够，那么所有一切人类活动都将能够使用AI 。妥妥超过人类专家。

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，收集自2020-2023年间英超比赛的7000多个角球。

猜测DeepMind创始人是不是有私心，”

也有人鼓励DeepMind不要被ChatGPT分散研究注意力，全场22个球员谁最有可能接到球，

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。AI调整布阵后把对手射门的概率从75%降低到69% 。

是否能做到在比赛进行中实时分析、