
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
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。