通过与体育分析和科技公司STATS合作,开创性地使用人工智能来加强他们的球探和分析部门。
《福布斯》随后发布了一些统计数据,以便更深入地了解魔术队所开创的具体技术,以及在不久的将来,它将如何被更多的职业球队和大学级别的球队所使用。
据先前报道,奥兰多魔术队与STATS的合作将包括AutoStats软件,该软件“通过专利的人工智能和计算机视觉技术,直接从视频中提供全面的球员跟踪数据”。由于高校比赛现场的场内跟踪系统非常有限,这项新技术使得魔术队能够获得以往无法实现的高校级赛事跟踪数据。
通俗地讲,这意味着STATS将能够仅通过一个实时或之前录制的游戏视频源,就可以向魔术队提供球员的跟踪数据和分析功能。在过去,STATS公司依赖于SportVu硬件通过场内摄像机来捕捉球员的跟踪数据,但这将数据范围仅限于NBA正规赛和一小部分大学,且无法用于解析已经录制好的以往比赛。
现在,这一切已成为过去。
STATAS公司计算机视觉负责人兼AutoSTAT and POSE软件首席开发者Sujoy Ganguly表示,“我们开发出了一台「时光机」。”
“我们做到的最酷的事情之一,就是回到过去,把数据与视频处理能力回溯至乔丹时代。我们能够用我们的姿势软件(POSE)进行分析,直接比较乔丹与勒布朗的赛场表现。”
“通过这种方式,关于谁更强的争论终将告一段落。”
所谓的POSE技术是一款专有软件,可以跟踪、测量并分析人体运动,例如挥动球棒、投篮、甩肩或者运动员进行的任何其它与运动相关的活动。
Ganguly反复强调,他们的计划是为各个运动队伍——特别是之前提到的奥兰多魔术队——提供软件,让他们全权决定自己想学什么,并从比赛资料中总结经验并吸取教训。
Ganguly解释称,“我们并非向使用POSE的队伍直接提供数据。我们希望构建起个性化的运动模型,而非强制为团队指定具体使用方式。”
通过双方的独家合作,STATS希望从魔术队学习经验,而魔术队也可以借此摸索如何使用这种新型软件工具。
“我们希望确保我们提供的信息是有用的和必要的,让奥兰多魔术队能够借此回答他们正需要解决的问题。到目前为止,我们已经将该技术应用于棒球试验当中,用以追踪运动与疲劳之间的关系。”
▲ 图为奥兰多魔术队主教授Steve Clifford史无前例地利用新的AI球探软件培养有价值球员。
可以假设,利用新的AI解决方案,NBA将能够立足身体能力(例如跑步与跳跃能力)、投篮准确率等基本信息,对球员的能力进行全面评估。到目前为止,对于篮球技术的研究一直缺少真正科学的方法,人们只能通过肉眼观察与统计数据进行结合衡量。从理论上讲,球员应该能够为投篮及其它运动动作设定基准,并将各位球员的实际表现与预期模型进行比较。
Ganguly解释称,“我们已经能够通过输入视频获取姿势信息,包括3D图像。”
这意味着POSE软件也可用于分析大学中的潜在优秀球员,或者观察一个特定的球员从大学到职业生涯中的任何一个特定阶段的能力发展情况。
STATS方面表示,只要视频的清晰度达到480 P或者更高,该软件就能给出公平的分析结论。
目前,我们还无法断言,魔术队究竟如何使用这款软件,以及其在球探工作当中发挥的具体作用。但可以肯定的是,随着NBA选秀以及6月自由球员交易期的到来,他们肯定会充分利用这项技术,以识别任何可能代表球员竞争优势的指标。
对于体育领域的其它运动项目而言,我们也期待看到AI技术的更多表现,包括其将如何逐步得到明确定义与发展。Ganguly和他的STATS团队对于自己的成果很有信心,并认为这项技术翻开了体育竞技的新篇章。
Ganguly表示,“目前,如果单从视频角度出发,我们已经能够回溯至上世纪九十年代中期。我们也在尝试处理较为粗糙的低分辨率影片。我们使用低延迟范式,每次处理的负载量较少,因此目前的处理周期还比较长。”
着眼于未来,除了NBA之外,STATS公司还希望能够将自己的软件用于大学校队的比赛规划与运动员培养。
STATS方面指出,“目前我们正在与奥兰多魔术队开展短期合作,并计划开发成功之后逐步扩展相关成果。”
“大学高校是我们接下来的关注重点。我们希望了解AI技术能够给大学运动队伍带来怎样的助益,这个问题目前还没有明确的答案。我希望利用它来比较比赛风格、找出其它风格相似的队伍,同时借此进行运动员培养——包括投篮技巧以及运球方法等。”
时间将证明这项技术在球探与球员培养方面的可行性与实用性。如果奥兰多魔术队能够从STATS的AI成果当中获得符合预期的收益,那么这也许真的会是一场激动人心的“魔术”。
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。