AI足球教练登上Nature子刊，足球来增强图表示学习 。教练

足球是上岗动态的运动 ，据统计30%的利物进球都来自角球。来自DeepMind ，浦射平由AI提出的门机建议人类也能理解。能够学习到节点的高自高维潜在特征如球员的角色
、

总之未来发生概率较大的网友是
，

是足球否能做到在比赛进行中实时分析、

广大球迷更关心的教练则是AI如果真的普及了，足球是上岗比围棋更有挑战性的问题 。能做到也得看当时状态好不好 。利物位置、浦射平TacticAI能预测角球传中后 ，门机来自DeepMind
，高自改变了球队制定战术的方式。“如果体育运动都能用上AI了
，

所以TacticAI的研发目标，谁最有可能接球，全场22个球员谁最有可能接到球，

猜测DeepMind创始人是不是有私心 
，光把球传出去还不够 ，使得模型能够在面对图的对称变换时保持预测的一致性 。”

也有人鼓励DeepMind不要被ChatGPT分散研究注意力，生成组件使用了条件变分自编码器（CVAE） ，没有回应是否已经在真实比赛中使用了AI建议。

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，给出建议 ，射门机会提高13%，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 ，不是每个球员都能做到 ，

GAT由图灵奖得主Bengio团队提出，AI提出的战术把制造射门的概率从18%提升到31%。足球比赛中角球是进攻的大好时机，未来可能真的会出现一个通用的AI足球教练
。那么所有一切人类活动都将能够使用AI。打了对面巴萨一个措手不及，并且人类专家在90%的情况下青睐AI的建议！谷歌DeepMind与利物浦队合作三年打造
：

如同AlphaGo颠覆围棋一样，

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。是很多人关心的问题（比如CV大神谢赛宁）。

首先，如何分析 ？例如
，

更厉害的是，会发生什么 ？例如，

并举例2019年欧冠半决赛 ，就被评为最佳角球之一 ，真的好不公平 。

利物浦队阿诺德一个突然折返快速开球，准确率高达78.2%，而人类无法理解发生了什么。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。也就是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。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
，它能以71%的准确率预测一次角球是否会制造射门。

最后 ，论文中没有明确提及目前系统的运行速度 。射门机会提高13%
，用AI黑科技增强他自己最喜欢的球队，妥妥超过人类专家
 。

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，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）
。防守方又该如何布阵？

至于解决的如何 ，它还能挖掘出不同角球战术之间的内在联系，

球员都得戴AR训练了？

TacticAI的潜力远不止于此 ，

这里使用了经典的GAT (Graph Attention Networks) 模型，旨在解决三个核心问题 ：

对于给定的角球战术，收集自2020-2023年间英超比赛的7000多个角球。朝自己擅长的方向走下去总有一天能开发出更棒的产品
。节点之间的连接（Edges）表示球员间可能的互动。

不过意大利亚特兰大队情报总监很看好这项技术，

像这样的精彩配合，使用图神经网络（GNN）学习图表示中的特征 。

有网友认为，

通过显式地在模型中引入对称性约束，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 ，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，从而有针对性地提出改进措施。

首先，当时把梅西都看傻了 。生成球员在特定战术下可能的位置和速度 。AI调整布阵后把对手射门的概率从75%降低到69% 。将每一场角球的状态表示为一个图（Graph）。而且有许多未观察到的因素也会影响结果。

DeepMind团队表示 ，运动状态等信息
。

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） 。

对于进攻方来说，

对于防守方来说，关键是要制造射门机会，

CVAE能够学习输入数据的潜在分布 ，提出战术调整建议
。一但将这个方法扩展到其他定位球和更多战术环节 ，认为与之前已经广泛应用的大数据分析相比
，射门机会多大？

战术执行后 ，TacticAI把这点也考虑到了。

接下来，网友 ：这不公平" width="441" height="444" />