AI 能为足球分析做什么，足球又能为 AI 做什么？

足球是 AI 的双向试验场

论文的答案指向两个方向。对足球而言，AI 提供预测性和规范性工具，可以辅助主教练、教练组和球员做决策；对 AI 而言，足球提供了一个要求高、数据丰富的环境，统计学习、计算机视觉和博弈论必须协同工作，而不是各自为战。作者把这一交叉领域称为 AI 研究的微观缩影。

这一框架是一份研究议程，并不表示某个集成系统已经存在。论文回顾了研究现状，指出三个领域的交汇点，并深入展示其中一个交汇点。作者的长期目标是自动视频助理教练（AVAC）：一个能处理原始转播画面、在赛前、赛中、赛后为教练组提供建议的系统。AVAC 被描述为未来以人为中心的 AI 研究愿景，而不是已经部署的产品。

足球为何在数据科学上起步较晚

论文把足球与棒球、篮球和网球作对比：在这些项目中，预测分析已被研究数十年，棒球数据自 19 世纪起就被系统收集。论文称足球的数据科学转型仍处于起步阶段，涉及转会、球探以及赛前赛后分析的决策只是近年才开始借助数据。

作者把这种滞后归因于比赛结构和足球文化。足球在户外更大的场地上进行，球员多、换人少、连续比赛片段比篮球更长，因此更难控制和解析。长期以来，足球决策的可信度也主要来自主教练、退役球员和球探，而不是数据专家。论文引用 Kuper 和 Szymanski 的说法——“直到最近，足球一直游离于启蒙运动之外”——来描述这种文化上的迟疑。

三个领域交汇的三条前沿

论文围绕三个基础 AI 领域组织足球分析：统计学习（SL）、计算机视觉（CV）和博弈论（GT）。每个领域都已单独作出贡献。主成分分析等统计学习工具可以识别球员类型，模型可以预测轨迹，传球或抢断等动作则按其对比分概率的影响来估值。计算机视觉支持球员追踪、姿态估计，以及基于步态和疲劳分析的伤病预测。博弈论则揭示点球中的策略互动，并把球员决策与有数学依据的基准作比较。

作者的贡献在于命名这些交汇点。前沿 1 把博弈论与统计学习结合；前沿 2 把统计学习与计算机视觉结合；前沿 3 把博弈论与计算机视觉结合。论文指出，当前最先进的足球分析大多只属于其中单一领域，前沿 2 已有一些初步工作，而在足球乃至整个体育领域，前沿 1 和前沿 3 都没有发现值得注意的研究活动。微观缩影则是需要三个领域同时参与的集成领域。

点球是一场收益可量化的博弈

论文的详细案例研究位于前沿 1。它重新审视 Palacios-Huerta 关于点球的研究，并加入对球员属性的统计学习。博弈论设定是一个双矩阵博弈：两名参与者——罚球者和守门员——各自从一组策略中选择，收益记录在两个矩阵中。混合策略是这些选择上的一个概率分布，纳什均衡则是一种策略组合，任何一方都无法通过单方面偏离获益。

论文还定义了 ε-纳什均衡：某一方可以通过偏离获益，但收益被 ε 所限制。这些定义之所以重要，是因为它们设定了衡量真实点球行为的基准。作者把经验博弈论描述为一种从真实交互数据或模拟中构建此类博弈的方法，并指出经验博弈论分析可以扩展到定位球的元博弈模型，自动聚类并识别有用的元策略。

15000 个点球的数据集带来什么

案例研究使用一个包含超过 15000 个点球的数据集，数据来自欧洲主要联赛，并可视化了其中的射门分布。论文还说明了“自然侧”与“非自然侧”的区别，这一概念用于分析射门落点。

关键一步是把博弈论分析与对球员属性的统计学习结合起来。论文称这种做法把博弈论分析与学习到的预测模型融合，从而提供更细粒度的分析工具，并认为这种结合比仅用经典分析更能深入理解点球主罚。作者还把它与反事实分析联系起来：预测模型可以用来考察从未真正发生过的替代情景的结果，而轨迹预测模型支持“幽灵化”，即预测另一支球队或另一名球员在特定进攻中会采取什么行动。

球员向量把动作变成可比较的属性

统计学习部分依赖球员向量，它沿用 Decroos 和 Davis 对比赛风格的定义：球员偏好的场上区域，以及他们在每个区域倾向于执行的动作。构建过程很具体。作者收集 2017 至 2019 年利物浦足球俱乐部参加的所有英超比赛的事件流数据，并筛选出传球、带球、射门和传中。对每名球员和每种动作类型，他们在球场上叠加一个 60×40 的网格，统计该球员在每个格子中执行该动作的次数。

随后每个网格矩阵被重塑为向量，并用非负矩阵分解压缩，得到一个更小的向量，其各维度量化该球员在特定区域执行该动作类型的偏好。每名球员最终得到四个向量，每种动作类型一个，再拼接成一个 18 维的最终向量。这就是论文与博弈论点球分析相结合的学习表示，也是评估球员对球队的贡献或衡量一对球员之间默契等相关应用的基础。

视觉为其他领域提供原始输入

计算机视觉是把视频转化为其他领域可用数据的领域。论文把多人姿态估计描述为基于视觉的足球分析的核心部分，并把方法分为两类：自底向上的方法先检测人体关节，再把它们组合成姿态实例；自顶向下的方法先检测人体实例，再对每个实例运行单人姿态估计。自顶向下方法的计算成本随图像中人数线性增长，而自底向上的成本保持不变；当实例重叠明显时，自顶向下方法通常更准确。

作者用 G-RMI 这一自顶向下方法做了实验。第一阶段用 Faster-RNN 检测人体实例；第二阶段用全卷积网络密集判断每个空间位置是否靠近某个关键点类别，并用偏移量修正预测，再用一种特殊的 Hough 投票聚合结果。论文给出了预测示例，并表示计划在此基础上应对其识别出的挑战。这是对一次实验和一项计划的报告，而不是经过验证的端到端足球系统。

议程的价值在于尚未被占据的交汇点

论文最具决策相关性的主张是一个优先级排序，而不是某个性能数字。论文指出，最相关的研究问题位于统计学习、计算机视觉和博弈论尚未充分探索的交汇处，并且在足球乃至整个体育领域，前沿 1 和前沿 3 都没有发现值得注意的研究活动。点球案例研究是论文用来证明前沿 1 能产生新洞见的证据：把均衡分析与学习到的球员属性结合，超越了经典的博弈论处理。

作者还认为，足球是一个独特的、具有挑战性的 AI 领域：与其他物理领域相比，它受到相当好的控制；它涉及技能组合和伤病风险等异质的人类因素；而且由于即使在职业比赛中进球也相对稀少，它存在长期的因果反馈回路。他们认为，多模态传感数据的快速普及使足球成为开发和评估 AI 算法的理想平台。论文最后指出可向其他体育项目（真实和虚拟）延伸的下游影响，但这些仍属于设想中的影响，而非已展示的结果。

本文引用的文献