如果足球战略都是 AI 设计的，那很难想象其他事情有什么不可以。
足球界最炙手可热的年轻锻练既不是勒沃库森的阿隆索、兰斯的斯蒂尔，也不是博洛尼亚的莫塔，它能够是个 AI，来自google DeepMind。
球迷朋友们能够还记得，利物浦在 2019 年 5 月 8 日欧洲冠军联赛半决赛中实现的历史性翻盘。其中最具标志性的时刻是下半场阿诺德出其不意的角球，奥里吉打进了利物浦能够是历史上最伟大的进球。
在那场较量，利物浦上演了不可思议的大逆转，人们称之为「安菲尔德奇迹之夜」，当时克洛普的战略哲学也让很多球迷津津乐道。
赛后的球员访谈中有人提到，利物浦锻练组观察到巴塞罗那队定位球防卫时习惯于花时间安排站位，所以特意提醒球员可以实验定位球快发。
这不知是看完多少盘录像带才得出的结论。而现在，AI 已经可以提供不逊于人类大师的战略指导了。
在今天的《自然》杂志子刊 Nature Communications 中，我们看到了google DeepMind 与利物浦足球俱乐部合作的一项成果：TacticAI。这是一种通过猜测和生成式 AI 为大师提供战略见解的 AI 系统，特别是角球方面的见解。
在足球运动中，每支队伍需要派出 11 名球员，并且较量的场地非常大（长 105 米，宽 65 米），进球往往需要高度的战略性团队合作。此类较量孕育了细致入微的战略和战略的演变，最终形成了现代职业足球联赛充满戏剧性的观感。
另一方面，球员在场上商定的计划执行是高度动态和不完美的，取决于许多因素，包括球员的健康和疲劳、球员移动和位子的变化、天气、球场的状况以及对方球队的反应。相比之下，定位球提供了对结果施加更多控制的机会，因为较量中的短暂中断允许球员根据练习和预先商定的模式之一重新定位，并实验进球。此类定位球的范围包括任意球、角球、球门球、界外球和点球。
在定位球中，角球尤为重要，对角球战略的改进能够会极大地改变较量结果，并且有助于进行原则性、战略性和详细的分解。
尽管角球方面的黄金标准数据有限，但 TacticAI 通过使用几何深度学习方法来帮助创建更通用的模型，从而实现了最先进的结果。与实践中看到的战略配置相比，TacticAI 的发起在 90% 的情况下都受到人类大师评价者的青睐。
TacticAI 是一个完整的人工智能系统，结合了猜测和生成模型，可以分解之前的较量中发生的情况，以及如何进行调整，使特定结果更有能够发生。
三年的合作
google DeepMind 与利物浦足球俱乐部的合作已经持续三年了，某种意义上，TacticAI 可以看作是二者推进人工智能体育分解层面应用的集大成者。
二者最初合作的一篇论文《较量规划》（Game Plan）探讨了为什么人工智能应该用于辅助足球战略，并重点介绍了分解点球等例子。2022 年的 Graph Imputer 展示了如何将人工智能与足球分解下游任务的猜测系统原型结合使用。当没有可用的跟踪数据时，该系统可以在镜头外猜测球员的动作 —— 否则，俱乐部需要派球探亲自观看较量。
如今，TacticAI 被开发为一个完整的人工智能系统，将猜测模型和生成模型结合在一起。该系统允许锻练针对每个感兴趣的例程对替代球员配置进行采样，然后直接评价此类替代方案的能够结果。
TacticAI 旨在解决三个核心问题：
1. 对于给定的角球战略配置，会发生什么？例如，谁最有能够接球，是否会有射门实验？
2. 一旦战略配置完成，能理解发生了什么吗？例如，类似的策略过去是否有效？
3. 如何调整策略来实现特定的结果？例如，防卫球员应该如何重新设计占位以减少对方射门的能够性？
利用几何深度学习猜测角球结果
足球规则中，当球触碰防卫方球员后越过底线时，判罚角球。由于各个球员的职责以及他们之间的动态变化具有随机性，猜测角球的结果非常复杂。这对于 AI 建模来说也是一个挑战，毕竟可用的黄金标准角球数据有限。每个赛季英超每场较量只有大约 10 个角球。
TacticAI 从原始的时空球员跟踪数据中学习角球战略的有效表现，通过将每个角球情况表现为图表来有效利用这些数据。这是对球员之间关系进行建模的自然表现。
下图（A）为角球情况如何转换为图形表现，其中每个球员都被视为图中的一个节点。图神经网络在此图上运行，并使用消息传递更新每个节点的表现。
图（B）为 TacticAI 如何处理给定的角球。所有四种能够的反射（reflections）组合都应用于角球区，并馈送到核心 TacticAI 模型。这些组合相互作用来计算最终的球员表现，这可以用来猜测结果。
TacticAI 通过应用几何深度学习方法成功猜测角球较量。首先通过将角球配置表现为图表，来直接建模球员之间的隐式关系，其中节点表现球员（包括位子、速度、高度等特征），边表现他们之间的关系。然后利用足球场的近似对称性。
下图为在 TacticAI 生成的潜在空间中表现的角球。
DeepMind 采用的几何架构是群等变卷积网络（Group Equivariant Convolutional Networks）的一个变体，它生成了给定情况（original、H-flipped、V-flipped 和 HV-flipped）的所有四种能够的反射，并迫使对接球手和射门实验的猜测在这些反射中保持相同。
论文地址：https://proceedings.mlr.press/v48/cohenc16.pdf
这种方法将本文神经网络可以表现的能够函数搜索空间减少到遵循反射对称性的函数，并使用更少的训练数据生成更通用的模型。
下图为利用 TacticAI 改进角球策略的示例。
向人类大师提供建设性提议
通过利用自身的猜测和生成模型，TacticAI 可以帮助锻练找到类似的角球并测试不同的战略。
根据传统做法，为了制定防卫战略和反击战略，分解师们会重新观看大量较量录像，以寻找类似的角球并研究对手球队。TacticAI 自动计算球员的数字表现，使大师能够轻松高效地查找相关的过往惯例（routines）。
DeepMind 通过与足球大师的广泛定性研究进一步验证了这一直观观察，并发现 TacticAI 的 top-1 检索在 63% 的时间内呈现相关性，几乎是基于直接分解球员位子相似性方法中 33% 基准结果的两倍。
TacticAI 的生成模型还允许锻练重新设计角球战略，以优化某些结果的概率，例如减少防卫中被射门的概率。TacticAI 提供战略发起，调整特定球队中所有球员的位子。从这些提议的调整中，锻练可以更快地识别重要的模式，以及战略成功或失败的关键球员。
下图 (A) 为现实中存在射门实验的角球示例。(B) 为 TacticAI 可以生成一种反事实配置，通过调整防卫球员的位子和速度来降低射门概率。(C) 为发起的后卫位子会降低进攻球员 2-4 的接球概率。(D) 为 TacticAI 能够生成多个此类场景，锻练可以检查不同的选项。
下图为 TacticAI 发起的策略改进示例。
在定量分解中，DeepMind 表明了 TacticAI 在猜测角球接球手和射门方面是准确的，并且球员的重新定位与真实较量的展开方式类似。他们还在盲案例研究中定性评价了这些提议，其中评价者不知道哪些战略来自真实较量，哪些是 TacticAI 生成的。
下图为案例研究任务的统计学分解。
对此，利物浦足球俱乐部的人类足球大师发现， TacticAI 给出的发起非常符合真实的角球区情况，并且在 90% 的情况下更受青睐。这表明，该模型的猜测不仅准确，而且有用、可部署。
与原始较量相比，评价者更青睐的策略改进示例。TacticAI 发起如下：
(A) 大多数评价者更青睐对四位球员的发起；
(B) 距离角球最远的防卫球员改善全场跑动；
(C) 改善禁区内中后卫的跑动；
(D) 两名中后卫盯人防卫效果明显更好，同时两名边后卫在球门区内站位也更好。
总的来说，TacticAI 展示了辅助人工智能技术为运动员、锻练和球迷带来体育革命的潜力。像足球这样的运动也是开发人工智能的动态领域，因为它们具有现实世界、多智能体交互和多模式数据的特点。google DeepMind 表现，推进体育人工智能可以转化为赛场内外的许多领域 —— 从电脑游戏和机器人到交通协调。
参考链接：https://www.nature.com/articles/s41467-024-45965-x