网球有数百年的传统,因此作为一项运动来说网球界一直非常抗拒变化。其他体育项目已迅速采用数据和分析来改变运动员招募、训练和准备比赛的方式,以及他们在比赛中如何适应不断变化的环境,如何在比赛后分析成功和失败的原因。
国际网球联合会(ITF)的IT执行董事Mat Pemble表示:“可以公平地说,网球作为一项传统运动不负众望,但在采用新技术和数据分析方面,我们并不是最快的运动之一,尤其是在球场上。”
尽管如此,对创新的渴望依然是存在的。国际网球联合会科学和技术主管Jamie Capel-Davies指出,其中一个典型例子就是电子线路呼叫,还有智能球拍和腕带设备,第一波应用被证明是有限的,例如这些技术可以提供关于球员挥动球拍的速度的数据,但无法收集结果数据。
Capel-Davies说:“你不知道那是一个好球还是一个坏球,也不知道比赛时发生事情的任何其他背景。”
场边的比赛表现数据
21世纪初期,国际网球联合会开始与索尼Hawk-Eye Innovations合作,后者的计算机视觉系统使用来自多个高速摄像机的计时数据来三角测量球相对于球场的位置。该技术于2003年澳大利亚网球公开赛和2007年温网时首次亮相,为这项运动的电子线路呼叫奠定了基础。
“其中一个副产品是,你正在跟踪球,看球是进还是出,在这个过程中实际你获得了很多数据:击球的速度,从哪里击球,以及球落下的地方。”
国际网球联合会很快就利用了这些丰富的数据,但却难以为竞争对手释放其价值。因此,在2021年,国际网球联合会与微软合作,为BJK杯网球赛的比赛洞察平台提供支持。BJK杯网球赛是女子运动中规模最大的年度团体比赛,每年有16支国家队有资格争夺这一享有盛誉赛事的冠军头衔。就像男子戴维斯杯一样,这是为数不多的、允许队长在比赛中球队换场过程中指导球员的网球比赛之一。
该平台使用网球跟踪摄像头和3D雷达系统生成实时场上比赛数据,这些数据被输入Azure并结合实时比分数据以深入了解发球模式、回球和球员场上移动情况。在BJK杯决赛期间,这些洞察将通过微软Surface设备上的仪表板提供给队长。
“我们真正地开始关注如何使用这些数据来支持球员、教练、球队,以及所有赛事幕后参与者,”Pemble说。
BJK杯比赛通过允许场边指导,为国际网球联合会提供了一个独特的机会来展示该平台的比赛洞察力。
Capel-Davies说:“随着比赛的进行,他们会获得实时数据,这让球队有机会了解他们在比赛计划中的表现,计划是否需要更新或者顺应当前情况?”
通过赛场实时数据调整表现
国际网球联合会与微软以及BJK杯参赛球队展开密切合作,开发了分析功能和演示文稿,以确保仪表板能够提供有意义的洞察。当比赛过程中换场的时候,队长只被允许有几分钟的时间来指导他们的球员。
“我们正在研究的一个关键问题是,最重要的指标有哪些,如何有效地传达这些指标,该应用的优点在于它非常直观,而且还具有合理的定制空间。”
例如,该应用可以显示发球位置和回球,以帮助队长和球员发现其中的模式,此外它可以显示球员是如何返回断点的。去年总决赛之后,国际网球联合会和微软合作,根据反馈添加了多项新功能,包括“发球衔接”的可视化,可对第三发进行可视化。
Capel-Davies表示,除了球场洞察力之外,该平台还在赛前和赛后为球队提供价值。在比赛之前,该平台可以深入了解对手,了解他们的优势、劣势和倾向来帮助制定比赛计划。比赛结束之后,该平台可进行事后分析,深入了解哪些是有效的,哪些是无效的,以及球员在下一场比赛中可以改进哪些方面。
目前,该系统仅限于决赛,因为它需要部署4到12个针对特定球场校准的摄像头,而且无法用于红土球场,因为红土球场通常没有电子线路呼叫。
Capel-Davies说:“网球场的大小都是相同的,但实际上线并不总是在完全相同的位置,因此需要有一个把系统校准到线实际位置的过程,你还必须了解具体的地形,你不能假设球场是完全平坦的,必须把它映射出来。”
目前,只能获得BJK杯比赛过程中的洞察力,但Pemble和Capel-Davies相信,未来这将会带来一场变革。
Capel-Davies表说:“在创新和教练方面,网球运动一直在缓慢、缓慢地燃烧,我认为这证明了优秀的、高质量的教练和以教练为基础的良好信息,是可以真正提高比赛水平的。”
“吸引力正是来自于此,我认为这项技术将从那些规模最大的锦标赛、大满贯和世界锦标赛、戴维斯杯和BJK杯延伸开来。但现在我认为,目前正在向下延伸到一些较低级别的比赛中。现在我们可用的技术和数据要比两三年前多多了,这些正在渗透到俱乐部层面,而且从技术支持和团队方面来看,很多系统的部署和运行需要的精力少得多。我们看到基于AI的摄像头跟踪系统取得了很大的进展,推动了大量数据处理和分析生成的自动化。”
好文章,需要你的鼓励
亚马逊云服务部门与OpenAI签署了一项价值380亿美元的七年协议,为ChatGPT制造商提供数十万块英伟达图形处理单元。这标志着OpenAI从研究实验室向AI行业巨头的转型,该公司已承诺投入1.4万亿美元用于基础设施建设。对于在AI时代竞争中处于劣势的亚马逊而言,这项协议证明了其构建和运营大规模数据中心网络的能力。
Meta FAIR团队发布的CWM是首个将"世界模型"概念引入代码生成的32亿参数开源模型。与传统只学习静态代码的AI不同,CWM通过学习Python执行轨迹和Docker环境交互,真正理解代码运行过程。在SWE-bench等重要测试中表现卓越,为AI编程助手的发展开辟了新方向。
当今最大的AI数据中心耗电量相当于一座小城市。美国数据中心已占全国总电力消费的4%,预计到2028年将升至12%。电力供应已成为数据中心发展的主要制约因素。核能以其清洁、全天候供电特性成为数据中心运营商的新选择。核能项目供应链复杂,需要创新的采购模式、标准化设计、早期参与和数字化工具来确保按时交付。
卡内基梅隆大学研究团队发现AI训练中的"繁荣-崩溃"现象,揭示陈旧数据蕴含丰富信息但被传统方法错误屏蔽。他们提出M2PO方法,通过改进数据筛选策略,使模型即使用256步前的陈旧数据也能达到最新数据的训练效果,准确率最高提升11.2%,为大规模异步AI训练开辟新途径。