每年夏季,美国体育市场都会迎来暂时的平静——因为这正是6月中旬的NBA总决赛与9月NFL开赛之间的空档期。幸运的是,作为美国最受欢迎的体育运动之一,棒球快速切入,让球迷们的暑期不再无聊。除此之外,四年一届的奥运会与FIFA世界杯也时不时成为人们欢迎盛夏的惊喜插曲。
今年,女足世界杯获得极大关注,美国国家队第四次捧得冠军奖杯,创造了新的女子职业足球世界纪录。事实上,女足世界杯在美国的决赛观看次数比2018年的男足决赛还高出20%,并吸引到众多运动选手、球迷以及名人的社交参与。即使是几天之后的MLB职棒全明星赛,也没能重现这样的辉煌。
奥运会以及世界杯这样的国家级体育赛事通常会吸引到大量粉丝的关注,超级碗这类顶级国内赛同样抓人眼球。然而,对于常规赛事而言,职业球队越来越难以在这样一个有趣的时代下,找到与球迷建立联系的方式。毕竟这是一个现场看球率显著下降的时代,而各体育队伍必须通过销售门票来赚钱,相比之下,粉丝可以通过电视、网络、社交媒体以及移动应用选择无数种比赛观看方式。这种数字化转变,给体育品牌带来了巨大的潜在机遇,有望利用数据提高参与度并提振商业收入。
数据:体育分析的基石
当然,在体育活动中运用数据分析并不是什么新鲜事。如果大家收集过棒球卡(或者查看过卡片背面内容,就会意识到,棒球本质上是一项以统计为主导的运动。)
Sabremetrics,即棒球中的数学与统计分析,已经历经数十年历史,而SABR(Society for America Baseball Research)则是一个由数千名高度关注棒球统计数据的粉丝所组成的庞大组织。
从传统意义上讲,经理人与教练会利用这些数据以及统计分析结果微调自家阵容,从而制定战略并赢得更多比赛。在其它运动中,统计模型也被广泛应用于体育博彩当中,用以计算投注赔率并预测获胜者。
然而,体育作为一项基于粉丝的娱乐业务,正在经历快速的数字化转型——基于先进技术驱动的数据的利用方式已经从「统计分析」发展至更复杂的「人工智能驱动型应用」。目前,体育联盟正在寻找新的创造性方式,希望利用AI技术提高粉丝参与度,并寻求新的商业化机遇。而围绕粉丝第一方交互以及第三方数据之间建立起来的新型数据源,正在将这种期望转化为可能。
AI应用正在扩展
社交媒体是体育行业关注的一大重要领域,职业联盟与个人团队越来越多地转向像Unmetric这样的AI驱动型分析解决方案,希望借此推动粉丝参与并发现新的赞助机会。NHL等职业体育联盟正在通过Facebook Messenger以及WhatsApp等基于AI的社交媒体平台与粉丝开展互动,并有望面向更大规模的粉丝群体以获取赞助或发布数字订阅内容。在此背景下,AI技术将被用于提高规模效率并解放人类双手,确保工作人员专注于更高层次的战略品牌营销与赞助活动。
社交媒体将继续成为运动队伍的沃土,因为大部分年轻球迷——特别是NBA球迷——更倾向于在社交网络上讨论体育新闻,并关注自己最喜爱的球队与球员。
作为粉丝参与的下一个前沿,AI内容优化等新型成果,也许会带来新的颠覆。例如,温布尔登一直在利用IBM Watson的AI图像与声学数据解析能力整理最具吸引力的精彩视频。想象一下,这种强大的赛事内容优化潜力,最终将极大提升参与度并加强比赛的货币化水平。虽然网球与曲棍球、篮球或者美式足球有着很大区别,但类似的应用仍能够在后几种运动当中发挥重要作用。
未来的AI技术机遇
另一个有待开发的机遇在于:利用AI测量球员技能。这基本上可以算是Sabermetrics的下一个层级,而且正被应用在棒球之外的其它运动当中。
Seattle Sports Sciences公司是一家创新科技企业,他们开创了足球技术分析的先河。如果发展顺利,这将带来巨大的业务潜力。当然,从数据收集以及分析的角度来看,这项工作确实极具挑战性。这种分析能力的核心价值,在于提高选手水平,使得教练能够更好地衡量并培训运动员。不过正如温布尔登的精彩瞬间集锦一样,体育团队也有望利用AI技术提升粉丝参与度,从而顺利实现资产货币化。
我们可以设想那些最热心的体育粉丝,他们愿意了解自己喜爱队伍及选手的信息与统计数据。Sabremetrics的统计粒度可被广泛用于各种不同的运动,而AI支持型分析则能够进一步细化至选手的身体运动性与赛场表现。队伍可以跟踪并创建各种独特的内容,以便保持对粉丝的持续吸引力并通过相关数据获利。
利用面向一系列选手的测量数据,我们也有望对整个职业联盟的发展前景做出预测。此外,AI技术还能帮助我们发现某些有趣的指标——这些指标虽然无法直接计算,但对于关注统计数据的粉丝们来说同样非常有趣。例如在温布尔登网络公开赛中球员跑动的总长度,或者在足球或曲棍球当中各方控球的时间比例等(与美式足球相比,足球与曲棍球的节奏更快、传球更多、跟踪也更困难)。
体育队伍依靠死忠球迷到现场看球就能大赚一笔的时代已经过去了。当然,我们并不是说体育队伍应该彻底放弃现场体验——在美国,每年仍有数百万人出席现场观看比赛。但随着代际转变与数字消费偏好的不断变化,AI技术在各类体育项目中都展现出巨大的潜力,有望提升参与度、扩大全球范围内的粉丝规模、并根据选手的表现优化数字内容。
对于体育迷们来说,参与永远是一种情感驱动的行为。对于需要采取商业方法的运动队伍及联赛而言,用《魔球》作者Michael Lewis的话说,“在某种程度上,大家可以消除信息及偏见,并完全用数据做出判断。这能为我们带来显著的优势。”
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。