至顶网CIO与CTO频道 12月09日 评论分析(文/王聪彬):体育赛事中使用人工智能一直都有着很高的关注度,越来越多的赛事或者运动队伍都开始花费大量精力用于收集、整理以及分析数据,希望从数据中发现趋势、规律,以发现更好的人才,更科学地训练运动员,更多机会赢得比赛。
从左至右:F1专家技术顾问Rob Smedley、职业足球焦点联合创始人兼首席执行官、NBC体育频道周日橄榄球之夜播音员Cris Collinsworth、新西兰橄榄球首席创新官Jason Healy
“过去在赛事上,更多的关注点都在赛场的球上,现在使用人工智能可以看到赛场上所有的一切情况。” 职业足球焦点联合创始人兼首席执行官、NBC体育频道周日橄榄球之夜播音员Cris Collinsworth说道。
每一项体育赛事都是复杂的,新西兰橄榄球首席创新官Jason Healy表示,新西兰橄榄球的机器学习还在早期使用阶段,其可以帮助更好的了解英式橄榄球这项运动。
人工智能为赛队出主意
F1一级方程式赛车是一个非常敏捷比赛,是非常依靠工程力量获胜的比赛项目。F1专家技术顾问Rob Smedley指出,我们会在2个半小时的比赛中从车上300多个传感器上采集GPS数据、车手数据等等,同时车上还有20多个信号转发。
像利用数据可以为进站、超车等环节提供策略。当赛车进入到维修站进行短期维修时,所有维修人员都必须就位,F1通过开发算法作出最佳的方案,机器学习会显示车什么时候需要进站维修。
Cris Collinsworth提到人工智能带来的变化,原来球队周日比赛收集数据到周三才能得到分析结果,到现在只要几小时就行可以得到结果。
通过这些比赛数据,可以去思考某一些球员的动作可能要怎样调整,为教练提供指导意见。在几十年的执教过程中,其实教练早已形成了自己的工作方式,而且很多老牌的橄榄球队教练,也会请大学教授来为他们出主意。
“但是过去几百年橄榄球教练在做决策时很多都是错的,现在数据科学家告诉那些常胜将军你做的是错的,这是非常颠覆的。”Cris Collinsworth说道,超级碗的比赛投入了大量的经费进行分析,用数据分析为什么会失利等等。
当然战略战术的决定涉及到很多的决策,人工智能并不能保证你最终是赢还是输。
人工智能改变受众体验
同时运动赛事的受众也可以因为人工智能受益,使用人工智能可以让转播商进一步提高观赛体验,当然可使用的技术不仅仅只有一个。
Rob Smedley表示,技术人员和非技术人员在看比赛的角度是不一样的,技术人员给到老板的意见是经过挑选的洞见,而且这是一个多米诺不是静止不动的,当然我们也不主张将过多的数据呈现在观众面前,太过炫技可能会喧宾夺主,让注意力分散。
大家喜欢体育赛事主要是因为比赛的关键还是运动精神,所以要跟上比赛的速度,观众希望时时的了解,当然其中还蕴含了一些体育文化上的因素。
“在F1比赛的转播已经有50年之久,需要让车迷持续不断的保持收看是不容易的。”Rob Smedley说道,想要吸引观众看赛车一圈一圈的在赛道上跑,需要更加有代入感,要将更多有趣的洞见给到观众。
Jason Healy看到多屏同步已经成为一个趋势,而且是需要思考的问题。因为观众在看电视的同时也在使用手机或其他电子设备,很可能错过一个精彩的进球,所以你要做的就是把数据收集起来,聪明的喂给观众。
当然对于比赛而言,培育新的观众也是当务之急,需要找到很棒的技术伙伴,把比赛的体验尽可能好的提供给中间年龄段的观众。Rob Smedley提到,现在观众的观看习惯都在改变,需要把比赛数据自上而下推到金字塔的底端。
好文章,需要你的鼓励
大数据可观测性初创公司Monte Carlo Data推出全新Agent Observability产品,为AI应用提供全方位数据和AI可观测性。该工具帮助团队检测、分类和修复生产环境中AI应用的可靠性问题,防止代价高昂的"幻觉"现象,避免客户信任度下降和系统宕机。新产品采用大语言模型作为评判器的技术,能够同时监控AI数据输入和输出,提供统一的AI可观测性解决方案。
Meta与特拉维夫大学联合研发的VideoJAM技术,通过让AI同时学习外观和运动信息,显著解决了当前视频生成模型中动作不连贯、违反物理定律的核心问题。该技术仅需添加两个线性层就能大幅提升运动质量,在多项测试中超越包括Sora在内的商业模型,为AI视频生成的实用化应用奠定了重要基础。
网络安全公司Aikido披露了迄今最大规模的npm供应链攻击事件。攻击者通过钓鱼邮件获取维护者账户凭证,向18个热门JavaScript包注入恶意代码,这些包每周下载量超过26亿次。恶意代码专门劫持加密货币交易,监控浏览器API接口将资金转移至攻击者地址。受影响的包括chalk、debug等广泛使用的开发工具库。虽然攻击在5分钟内被发现并及时公开,但专家警告此类上游攻击极具破坏性,可能与朝鲜黑客组织相关。
上海AI实验室发布OmniAlign-V研究,首次系统性解决多模态大语言模型人性化对话问题。该研究创建了包含20万高质量样本的训练数据集和MM-AlignBench评测基准,通过创新的数据生成和质量管控方法,让AI在保持技术能力的同时显著提升人性化交互水平,为AI价值观对齐提供了可行技术路径。