Simon Barnes在《运动的意义》(The Meaning Sport)中留下一句箴言:“全部体育运动都有相同的内核。喜欢其一,相当于喜欢所有。”在这本书中,作者希望深刻剖析竞技体育的吸引力来源与核心意义。
这句话也反映出一项基本事实——尽管大多数运动都有共通之处,但个人对于不同项目、不同赛事的关注属于完全主观的个人选择。这似乎是个有违直觉的结论,毕竟很多粉丝对竞技项目都有着强烈的偏好与选择性。
确实,不同的运动会在观众当中激发不同的情感共鸣。由Freeview委托进行的一项最新研究,就试图通过AI技术观察参与者们在观看不同赛事时的感受,借此为讨论引入一点客观元素。
AI体育
“情感AI”已经在众多行业中被用于分析消费者情感信息,包括人力资源、医疗保健及市场营销等等。更重要的是,AI技术甚至能帮助企业通过收集调查数据整理出当事人自己可能都不甚了然的深层信息。
RealEyes的Emotional Recognition软件就能跟踪并分析面部表情,并根据眼睛、眉毛、鼻子和嘴巴的变化对不同对象进行情绪分类。计算机视觉及机器学习功能甚至可以检测到最细微的表情变化,借此对主体情感做出分类。 研究表明,居家观众们对于网球(18%)的正面情绪反馈最强,其快乐度相较于观看标准视频内容要高出50%。而且跟大多数人的印象不同,马术(29%)、花样游泳(28%)以及体操(25%)等对抗性相对不那么激烈的运动,却更容易引发紧张情绪。
F1赛车(18%)最容易引起观众的震惊情绪,这应该源自运动本身强烈的速度感与引发车祸的巨大风险。研究人员们表示,震惊的情绪主要依靠突然睁大眼睛以及张开嘴巴等动作进行检测。而拳击(5%)则因为猛烈的互殴过程与随时可能出现的击倒画面而引发不少观众的厌恶情绪。
这项技术甚至能够帮助我们了解体育观众的困惑情绪。网球引发困惑感受的比例高达25%,F1赛车则为12%。在观赛参与度方面,足球以24%的成绩遥遥领先,观众们会在观看比赛时做出各种各样的丰富表情;拳击则表现不佳,仅吸引到15%的观众。
具体反应也跟观众所处的年龄段相关。40岁或以上的观众对足球往往表现出轻蔑的态度,而年轻观众则在观看橄榄球赛时表现出强烈的紧张感乃至恐惧感。
虽然转播公司及赞助商在制定赛事投资判断时需要考虑多方面因素,但AI分析给出的这些结论在增强观众吸引力、说服商业合作伙伴时仍有着极为强大的现实意义。例如,如果某个品牌希望能让受众感到喜悦与兴奋之情,那么网球比赛显然更符合他们的形象定位。
体育组织自身也可以利用这些数据定制新的产品或数字化服务。例如,那种容易让观众陷入“困惑感”的运动可以发布新的移动应用,通过基于统计数据的洞察结论帮助人们快速理解比赛内容。F1主办方在最近几个赛季中已经在做出相应尝试,帮助更多刚刚入门的观众理解赛道比拼上的诸多细节。
虽然AI技术的应用不可能在一夜之间就颠覆一切,但此次调查证明随着体育产业的日益数字化,科技成果完全能够给行业的几乎各个侧面带来不同程度的增强。
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。