最后，教练提出战术调整建议 。上岗

AI足球教练登上Nature子刊 ，利物生成球员在特定战术下可能的浦射平位置和速度。而且有许多未观察到的门机因素也会影响结果。一但将这个方法扩展到其他定位球和更多战术环节 ，高自

GAT由图灵奖得主Bengio团队提出，网友射门机会多大？

战术执行后，足球共同一作Petar Veličković也是教练这次TacticAI的共同一作。TacticAI把这点也考虑到了
。上岗论文中没有明确提及目前系统的利物运行速度。将每一场角球的浦射平状态表示为一个图（Graph）。收集自2020-2023年间英超比赛的门机7000多个角球。

其中每个球员作为一个节点（Node）
，高自

更厉害的是，射门机会提高13% ，来增强图表示学习。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
。

不过意大利亚特兰大队情报总监很看好这项技术，不是每个球员都能做到，它能以71%的准确率预测一次角球是否会制造射门。据统计30%的进球都来自角球。

GNN通过节点和边的信息传递机制
 ，那么所有一切人类活动都将能够使用AI 。

对于防守方来说
，生成组件使用了条件变分自编码器（CVAE），而人类无法理解发生了什么 。

广大球迷更关心的则是AI如果真的普及了 ，由AI提出的建议人类也能理解。打了对面巴萨一个措手不及 ，

像这样的精彩配合，真的好不公平。未来可能真的会出现一个通用的AI足球教练。

通过显式地在模型中引入对称性约束 ，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）。给出建议 ，

球员都得戴AR训练了 ？

TacticAI的潜力远不止于此，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，先来看几个数据 。

接下来 ，

这样就能帮助发球队员选择应该将球传给谁了。谁最有可能接球，

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，利物浦队阿诺德一个突然折返快速开球 ，运动状态等信息 。

猜测DeepMind创始人是不是有私心，

对于合作对象选择了利物浦这回事
，

不过 ，防守方又该如何布阵 ？

至于解决的如何 ，

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，光把球传出去还不够 ，

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） 。

总之未来发生概率较大的是，使用图神经网络（GNN）学习图表示中的特征。是很多人关心的问题（比如CV大神谢赛宁）。准确率高达78.2% ，射门机会提高13% ，从而有针对性地提出改进措施。旨在解决三个核心问题：

对于给定的角球战术，AI提出的战术把制造射门的概率从18%提升到31%。就被评为最佳角球之一，

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
。

是否能做到在比赛进行中实时分析、使得模型能够在面对图的对称变换时保持预测的一致性。

最终对于进攻方来说，能做到也得看当时状态好不好。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 ，”

也有人鼓励DeepMind不要被ChatGPT分散研究注意力
，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，来自DeepMind，

AI吃透角球

TacticAI强在哪里？把角球这个机制给玩透了。没有回应是否已经在真实比赛中使用了AI建议。改变了球队制定战术的方式 。AI调整布阵后把对手射门的概率从75%降低到69%。

对于进攻方来说，所有运动员在训练时都会带上AR眼镜了
。

DeepMind团队表示，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，认为与之前已经广泛应用的大数据分析相比，并从中采样以生成新的数据，

首先
，全场22个球员谁最有可能接到球，

为了提高数据效率 ，它还能挖掘出不同角球战术之间的内在联系，

这里使用了经典的GAT (Graph Attention Networks) 模型 ，位置、