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
这项研究探索了如何通过"LLM情境调节"和"持续工作流程提示"技术来提高大型语言模型在验证化学分子式时的准确性。研究者发现,普通提示方法往往不可靠,因为LLM倾向于自动"纠正"错误而非指出它们。然而,通过精心设计的情境调节提示,研究成功引导Gemini 2.5 Pro不仅识别出文本中的错误,还发现了之前人工审阅未察觉的图像中的分子式错误。这一概念验证研究表明,即使不修改模型本身,也能通过适当的提示策略显著提高LLM在科学技术文档细节验证中的表现。
复旦大学研究团队开发的uLLSAM模型成功将多模态大语言模型(MLLMs)与分割一切模型(SAM)结合,解决了显微镜图像分析的跨域泛化难题。通过创新的视觉-语言语义对齐模块(VLSA)和语义边界正则化(SBR)技术,该模型在9个领域内数据集上提升了7.71%的分割准确度,在10个从未见过的数据集上也展现了10.08%的性能提升。这一统一框架能同时处理光学和电子显微镜图像,大大提高了生物医学图像分析的效率和准确性,为科研人员提供了强大的自动化分析工具。
斯坦福大学等机构研究团队利用强化学习训练大语言模型,使其能够优化汇编代码性能。研究构建了8,072个程序的数据集,并通过近端策略优化(PPO)训练模型生成既正确又高效的汇编代码。实验表明,训练后的Qwen2.5-Coder-7B-PPO模型实现了96.0%的测试通过率和1.47倍平均加速比,超越包括Claude-3.7-sonnet在内的所有其他模型。研究发现模型能识别编译器忽略的优化机会,如用单一指令替代整个循环,为性能敏感应用提供了有价值的优化途径。
这项研究提出了一种改进的声乐效果风格迁移方法,通过在推理时间优化过程中引入高斯先验知识,解决了传统ST-ITO方法忽视参数合理性的问题。研究团队基于DiffVox数据集构建了专业效果器参数分布模型,将风格迁移转化为最大后验概率估计问题。实验结果表明,该方法显著优于基准方法,参数均方误差降低了33%,并在主观听感测试中获得最高评分。这一创新为音频处理领域融合数据驱动和专业知识提供了新思路。