
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
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。