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。
 0赞
0赞好文章,需要你的鼓励
 推荐文章
                    推荐文章
                  ChatGPT开发商OpenAI计划最早于2026年下半年进行IPO,估值可能翻倍至1万亿美元。尽管预计年底年化收入达200亿美元,但由于昂贵的GPU、数据中心和AI人才成本,亏损仍在攀升。OpenAI已完成重组为公益公司,非营利部门持股26%,微软持最大股份27%。此外,法律AI初创公司Harvey获1.5亿美元融资,估值80亿美元。
杜克大学研究团队建立了首个专门针对Web智能体攻击检测的综合评估标准WAInjectBench。研究发现,现有攻击手段极其多样化,从图片像素篡改到隐藏弹窗无所不包。虽然检测方法对明显恶意指令有中等效果,但对隐蔽攻击几乎无能为力。研究构建了包含近千个恶意样本的测试数据库,评估了十二种检测方法,揭示了文本和图像检测的互补性。这项研究为Web智能体安全防护指明了方向,提醒我们在享受AI便利时必须保持安全意识。
数据中心巨头Equinix收购了DC01UK在赫特福德郡85英亩的绿带土地,计划投资39亿英镑建设超大规模数据中心园区。该项目将创建200万平方英尺的数据中心空间,预计容纳至少250MW的计算容量。建设期间将直接创造2500个工作岗位,完工后提供200多个永久职位。
加州大学圣地亚哥分校研究团队系统研究了AI智能体多回合强化学习训练方法,通过环境、策略、奖励三大支柱的协同设计,提出了完整的训练方案。研究在文本游戏、虚拟家庭和软件工程等多个场景验证了方法有效性,发现简单环境训练能迁移到复杂任务,监督学习初始化能显著减少样本需求,密集奖励能改善学习效果。这为训练能处理复杂多步骤任务的AI智能体提供了实用指南。
 
             
                 
                     
                     
                    