19 MARCH 2024
By Zhe Wang and Petar Veličković
作为我们与利物浦足球俱乐部（Liverpool FC）多年合作的一部分，我们开发了一套完整的人工智能系统，可以为教练提供角球（corner）建议。
“角球快速发出......奥里吉（Origi）！”
利物浦足球俱乐部在 2019 年欧洲冠军联赛半决赛中上演历史性逆转。最具代表性的时刻之一是特伦特·亚历山大-阿诺德的一记角球，迪沃克·奥里吉将球传给前锋，后者打进了利物浦足球俱乐部历史上最伟大的一球（https://www.liverpoolfc.com/news/first-team/454462-corner-taken-quickly-origi-voted-liverpool-s-greatest-ever-goal）。
角球的进球可能性很高，但制定一套策略需要结合人类的直觉和比赛设计，以识别对手的比赛模式并做出即时反应。
今天，我们在《自然通讯 Nature Communications》中介绍了 TacticAI：an AI assistant for football tactics （一种人工智能 (AI) 系统），它可以通过预测和生成 AI 为专家提供战术见解，尤其是角球方面的见解。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（geometric deep learning）方法帮助创建更通用的模型，取得了最先进的成果。
作为多年研究合作的一部分，我们与利物浦足球俱乐部的专家共同开发并评估了 TacticAI。与实践中看到的战术设置相比，TacticAI 的建议在 90% 的情况下更受人类专家评估者的青睐。
TacticAI 展示了辅助 AI 技术为运动员、教练和球迷带来革命性运动的潜力。足球等运动也是开发 AI 的一个活跃领域，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。推动体育 AI 发展可以转化为场内场外的许多领域——从电脑游戏和机器人到交通协调。
TacticAI 是一个完整的人工智能系统，结合了预测模型和生成模型，可以分析之前的比赛中发生的事情，以及如何进行调整以使特定结果更有可能实现。
与利物浦足球俱乐部制定比赛计划
五年前，我们开始与利物浦足球俱乐部进行多年合作，以推动人工智能在体育分析领域的发展。
我们的第一篇论文《Game Plan: What AI can do for Football, and WhatFootball can do for AI》（https://deepmind.google/discover/blog/advancing-sports-analytics-through-ai-research/）探讨了为什么应该使用人工智能来辅助足球战术，并重点介绍了分析点球等例子。2022 年，我们开发了Graph Imputer （https://www.nature.com/articles/s41598-022-12547-0），展示了如何将人工智能与预测系统原型结合使用，以完成足球分析中的下游任务。当没有可用的跟踪数据时，该系统可以预测镜头外球员的动作——否则，俱乐部就需要派球探亲自观看比赛。
现在，我们已将 TacticAI 开发为一个完整的 AI 系统，该系统结合了预测模型和生成模型。我们的系统允许教练针对每个感兴趣的常规动作抽样备选球员设置，然后直接评估这些备选方案的可能结果。
TacticAI 的建立是为了解决三个核心问题：
对于给定的角球战术设置，会发生什么？例如，谁最有可能接球，并且会尝试射门吗？
一旦设置完毕，我们能了解发生了什么吗？例如，过去类似的策略是否有效？
我们如何调整战术以实现特定的结果？例如，应如何重新定位防守球员以降低射门的概率？
利用几何深度学习（geometric deep learning）预测角球结果
当球触及防守队员并越过底线时，将判角球。预测角球结果很复杂，因为各个球员的游戏玩法和他们之间的动态都是随机的。这对人工智能建模来说也是一个挑战，因为可用的黄金标准角球数据有限——英超联赛每个赛季每场比赛只有大约 10 个角球。
（A）角球情况如何转换为图表示（graph representation）。每个球员都被视为图中的一个节点。图形神经网络（graph neural network）在此图上运行，使用消息传递（message passing）更新每个节点的表示。
（B）TacticAI 如何处理给定的角球。所有四种可能的反射组合都应用于角球，并输入到核心 TacticAI 模型中。它们相互作用以计算最终的球员表现，可用于预测结果。
TacticAI 通过应用几何深度学习方法成功预测了角球比赛。首先，我们通过将角球设置表示为图来直接建模球员之间的隐式关系，其中节点（nodes）表示球员（具有位置、速度、身高等特征），边（edges）表示他们之间的关系。然后，我们利用足球场的近似对称性。我们的几何架构是组等变卷积网络的变体（Group Equivariant Convolutional Network），它可以生成给定情况的所有四种可能的反射（原始、H 翻转（H-flipped）、V 翻转、HV 翻转），并强制我们对接球手和射门尝试的预测在这四种情况下相同。这种方法将我们的神经网络可以表示的可能函数的搜索空间缩小到尊重反射对称性的函数——并且用更少的训练数据产生更通用的模型。
向人类专家提供建设性建议
通过利用其预测和生成模型，TacticAI 可以协助教练找到类似的角球，并测试不同的战术。
传统上，为了制定战术和反制战术，分析师会重看许多比赛视频，以寻找类似的例子并研究对手球队。TacticAI 会自动计算球员的数值表示，这让专家能够轻松高效地查找相关的过去惯例。我们通过与足球专家进行广泛的定性研究进一步验证了这一直观观察，他们发现 TacticAI 的 top-1 检索在 63% 的时间内是相关的，几乎是直接分析球员位置相似性来推荐配对的方法中 33% 基准的两倍。
TacticAI 的生成模型还允许人类教练重新设计角球战术，以优化某些结果的概率，例如降低防守阵型的射门概率。TacticAI 提供战术建议，调整特定球队所有球员的位置。通过这些建议的调整，教练可以更快地识别重要的模式以及战术成败的关键球员。
（A）现实中角球射门的示例。
（B）TacticAI 可以生成一个反事实设置，其中通过调整防守队员的位置和速度来降低射门概率。
（C）建议的防守位置会导致进攻球员 2-4 的接球概率降低。
(D) 该模型能够生成多个这样的场景，教练可以检查不同的选项。
在我们的定量分析中，我们发现 TacticAI 能够准确预测角球接球手和射门情况，并且球员重新定位与真实比赛的展开方式相似。我们还在一项盲案例研究中对这些建议进行了定性评估，其中评估者不知道哪些战术来自真实比赛，哪些战术是 TacticAI 生成的。利物浦足球俱乐部的人类足球专家发现，我们的建议无法与真实角球区分开来，并且 90% 的时间都比原始情况更受青睐。这表明 TacticAI 的预测不仅准确，而且有用且可部署。
评估者更喜欢原始玩法的战略改进示例，TacticAI 建议：
（A）四名球员的推荐更受大多数评分者的青睐。
（B）距离角落最远的防守队员会更好地掩护跑动
（C）改进禁区内中路防守球员的掩护跑动
(D) 两名中后卫的追球跑动能力显著增强，同时球门区内另外两名后卫的站位也得到了更好的改善。
推动人工智能在体育运动中的应用
TacticAI 是一个完整的 AI 系统，可以为教练提供即时、广泛和准确的战术见解，这些见解在球场上也很实用。借助 TacticAI，我们开发了一款功能强大的足球战术 AI 助手，并在开发体育 AI 实用助手方面取得了里程碑式的成就。我们希望未来的研究能够帮助开发除球员数据之外扩展到更多多模式输入的助手，并以更多方式帮助专家。
我们展示了人工智能如何应用于足球，但足球也能让我们学到很多关于人工智能的知识。足球是一项高度动态且具有挑战性的运动，涉及从体能到心理等许多人为因素。即使是经验丰富的教练等专家也很难发现所有的模式。借助 TacticAI，我们希望吸取许多教训，开发更广泛的辅助技术，将人类专业知识与人工智能分析相结合，帮助现实世界中的人们。
贡献者
该项目是 Google DeepMind 团队和利物浦足球俱乐部之间的合作。TacticAI 的作者包括：Zhe Wang、Petar Veličković、Daniel Hennes、Nenad Tomašev、Laurel Prince、Michael Kaisers、Yoram Bachrach、Romuald Elie、Li Kevin Wenliang、Federico Piccinini、William Spearman、Ian Graham、Jerome Connor、Yi Yang、Adrià Recasens、Mina Khan、Nathalie Beauguerlange、Pablo Sprechmann、Pol Moreno、Nicolas Heess、Michael Bowling、Demis Hassabis 和 Karl Tuyls。
内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢