英超足球俱乐部在吸收年轻人才方面一直表现得很糟糕——钱没少花,却成效不显。
现代球探机制已经非常复杂,需要建立起全球人才发现网络,分析师团队,并整理大量数据与视频。
随着这项运动的专业化程度越来越高、全球化程度不断提升、相关技术愈发先进,整个球探体系的运作也更加复杂。全球人才发现网络加上敬业的内部分析人员,需要不断研究大量数据与视频片段,才能找到有望带领俱乐部走向新高峰的才俊。
如今,足球俱乐部需要监控各个年龄段的青年球员,分析谁有望顺利晋级。但也有不少球员被球探网络所遗漏,特别是在疫情影响下,业余球员越来越难以在低级别赛事中被及时发现。
低级联赛俱乐部显然拿不出顶级球队那样充裕的球探资源,世界上也还有很多地区完全游离于关注范围之外。某些意外落选的年轻人可能身负才能,也有一部分球员虽然得到了关注、却因为无意中的偏见而惨遭淘汰。
好消息是,以人工智能(AI)代表的前沿科技正推动足球运动中各项元素(特别是教练与比赛分析)的大众化。新的应用,有望彻底改变球探制度的运作模式。
AiSCOUT允许全球各地的任意用户拍摄自己的训练视频,使用视频识别技术衡量他们的运动表现。以此为基础,专业球探们将了解球员的技术、运动能力、认知水平与心理强度。更重要的是,AiSCOUT还能够与目前各专业俱乐部所使用的多种分析工具紧密集成。
AiSCOUT创始人兼CEO Darren Peries告诉我们,“一切的关键在于抓住机遇。有些球员可能永远无法被发现,而我们正在使用技术帮助他们崭露头角。”
他以本·格林伍德为例,提到他以往没有被任何俱乐部相中。格林伍德曾经接受过切尔西的筛选,但表现不佳。后来凭借着在业余比赛中的出色成绩,他已经成为伯恩茅斯足球俱乐部的签约球员。
AiSCOUT项目诞生于三年之前,旨在为切尔西在发掘新人方面提供宝贵的专业指导。如今,英超联赛球队伯恩利成为首支使用该平台进行公开选拔的俱乐部,任何年满14周岁的爱好者均可报名参加。
需要强调的是,AiSCOUT与伯恩利队背后都有着ALK Capital这家投资机构的支持,二者也借此机缘建立起合作伙伴关系。伯恩利方面也强调称,这次合作不只是要借用英超联赛的全球影响力提高人们对于AiSCOUT的了解,同时也要用真实结果证明这套平台的客观表现。
伯恩利俱乐部主席兼ALK Capital管理合伙人Alan Pace指出,“这是我们第一次尝试向足球俱乐部引入以数据为主导的新兴技术成果。通过为全球各地有志成为职业球员的年轻人们提供机会,伯恩利队也将由此开拓出新的足球疆域。”
“目前,新冠疫情导致兰开夏郡乃至整个英国的青少年足球赛事被迫停摆。此次试验将给足球运动员们一个开放而包容的机会,让足球运动员在自己的环境中完成一系列训练,最终接受英超俱乐部球探们的考察。”
除了伯恩利队之外,这套平台也将面向其他俱乐部开放。各顶尖俱乐部有望借此发现天纵之才,普通球队也可以借此扩大自己的人才储备,国家足球大联盟更能够为自己的国家队补充新鲜血液。
这不仅能够带来显著的商业收益,同时也将提供更多数据以增强AiSCOUT算法的实际功能。
Pace还提到,“我们正与其他多支重量级球队开展合作。任何英超联赛俱乐部都可以在这套平台上进行自己的试验性应用。”
数据对足球的影响越来越大,几乎渗透到这项运动中的各个角落。人工智能的应用将成为合乎逻辑的未来发展方向,但Peries本人坚信球探工作的主体将永远是人、而非AI。
他总结道,“我们并不是要取代现有方式,也不是要消灭传统球探。AiSCOUT只是要为球探们提供支持,包括提供数据以筛选值得进一步关注的新球员。”
好文章,需要你的鼓励
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。
这篇论文介绍了LegalSearchLM,一种创新的法律案例检索方法,将检索任务重新定义为法律要素生成。研究团队构建了LEGAR BENCH数据集,涵盖411种犯罪类型和120万案例,并开发了能直接生成关键法律要素的检索模型。实验表明,该模型在准确率上超越传统方法6-20%,且在未见犯罪类型上展现出强大泛化能力。这一突破为法律专业人士提供了更高效、精准的案例检索工具。