在过去的二十年里，教练们一直在体育运动中使用数据科学来帮助提高球员的表现。他们一直在利用大数据来帮助他们在瞬间做出场上决策，并依靠体育分析来帮助他们签下“下一件大事”。与此同时，裁判现在在足球中使用视频辅助技术 (VAR) 来帮助他们对重大决定做出更准确的判断，例如点球、任意球和红牌。现在人工智能，特别是深度学习已经介入，运动体验将会发生更大的变化。
人工智能裁判
那是1986年的世界杯。阿根廷队在墨西哥酷热的天气中以 0-0 战平他们的宿敌英格兰队，这时身材矮小的迭戈马拉多纳与英格兰队守门员一起站起来迎接传中。守门员是最喜欢接球的人——毕竟，他可以使用他的手臂。然而，顽皮的马拉多纳以某种方式更快地腾空而起，用头撞到了球——然后将球点进了球网。
当然，任何了解足球的人都知道事实并非如此。从马拉多纳接到球的那一刻起，英格兰后卫就气得中风，向裁判示意阿根廷巨星用手打进了非法进球。今天，如果使用 AI 裁判，这样的目标将在几分钟内被取消。所有改变比赛结果的重大决定都将得到更准确的判断，错误的余地会小得多——而且可以说，如果体育中的人工智能被用来帮助裁判，争议将会大大减少。英格兰和丹麦之间的 2020 年欧洲杯比赛，当拉希姆·斯特林在球门附近倒地时判罚有问题的点球，就是一个很好的例子。AI 会决定什么？基于在 V7 上训练的模型的 AI 裁判裁决确认：“与斯特林的任何“接触”都发生在丹麦到达球之前 150 毫秒。AI 裁判仍然会判给英格兰队点球。然而-如果可用于分析的摄像机角度多于 2 个，结果可能会有所不同。
自然地，自从运动出现以来，一场比赛的结果常常受到所谓的微分的影响——网球中的手球、橄榄球中的罚球线和 NBA 中的进攻犯规。多年来，数千起事件被裁判错误判罚，导致教练、球迷和俱乐部的愤怒。这些年来，情况几乎没有改善。
自 2015 年 3 月至 2018 年 6 月，NBA 共观看了 26,822 场比赛。在这 4,297 分钟的行动中，官员们错过或错误地吹罚了 2,197 次比赛，约占所有审查吹罚的 8.2%。这相当于在每场势均力敌的比赛的最后几分钟做出 1.49% 的错误决定。我知道，1.49% 听起来可能不是很多——但在体育运动中，这是一个巨大的数字。这可能是球队输赢的决定性因素，尤其是在像 NBA 这样的比赛中，比赛往往会一直进行下去。每一分都很重要——每一次裁判的判罚都很重要。体育现在已经准备好拥抱人工智能，不是为了改变体育赛事的结果，而是为了改进决策过程。
例如，头顶摄像机的越位检测可以在足球比赛中协助 VAR 以确保进球不会正确或错误地给出或拒绝，而现场跟踪系统（例如 Hawkeye）可以检测网球，以便更准确地判断线路呼叫。在网球中尤其如此，由于球的运动速度较慢，技术仍然无法 100% 准确地读取线路呼叫。计算机视觉还可以帮助识别运动中的潜在处罚，以减少错误和争议，并防止比赛因裁判决定不当而左右摇摆。与此同时，在英格兰队在 2010 年世界杯上与德国队的比赛中无法扳平比分后，球门线技术被引入足球。按照国际足联的定义，它是“一种即时判断球是否全部越线的技术手段”。
该技术使用磁场和相机产生了巨大的效果。有趣的是，GLT 需要满足多种标准才能获得国际足联的批准，其中包括能够“在不利条件下”准确运行。典型的 GLT 依赖于 14 个战略性定位的摄像头，这些摄像头被传输到一组计算机，这些摄像头使用先进的图像处理算法来 a.确定物体（球），b.将其与干扰物区分开来，例如球员的靴子，c.确认球是否全部越线。
个性化的训练和饮食计划
多年来，职业运动员的训练和饮食计划有了巨大的改善。在1990 年代的英国，足球运动员在训练后去酒吧喝啤酒并在回家的路上吃烤肉串并不少见。这是正常的。然而，在运动中引入人工智能可以帮助将训练和饮食计划的个性化提升到一个新的水平。 研究已经显示出在重量训练中使用人工智能的可喜成果。数据来自 15 名相当缺乏经验的参与者在腿部推举机上进行 3-5 组重复 10-12 次的测量结果。专业培训师的评估（使用视频分析）显示出良好的性能和预测结果。它表明了人工智能技术在自动评估重量训练设备的性能并为运动员提供及时建议方面的可行性和效力。
从本质上讲，AI 饮食计划使用机器学习根据不同玩家的需求和当前情况（第二天有比赛吗？今天是恢复日吗？）为不同玩家个性化制定不同的计划。FoodVisor 等应用程序已经在使用深度学习——特别是物体识别——来识别 1,200 多种食物，估计数量，并快速生成营养分解报告。而这只是冰山一角！
我们不要忘记充斥市场的人工智能辅助健身应用程序。多亏了称为人体姿势估计的计算机视觉技术，我们现在可以训练能够实时检测人体姿势的算法。这项技术在在线瑜伽和普拉提等领域得到了应用，在这些领域中，关键点骨骼模型可用于识别人体关节，并为用户提供如何正确锻炼的指导。
由于预测分析，人工智能在运动中用于提高性能和健康。随着收集有关应变和撕裂水平信息的可穿戴设备的出现，运动员可以避免严重受伤。但这仅仅是个开始。人工智能可以帮助团队制定战略、战术并最大限度地发挥他们的优势。得益于 AI，现在分析球员表现的方式比以往任何时候都更加复杂。使用数据和视觉效果，教练能够深入了解他们球队在任何一天的优势和劣势，从而使他们能够改变战术和策略，从而利用对手的任何弱点。
所有运动都是如此——从足球到网球，甚至是手球和游泳。例如，计算机视觉用于人体运动跟踪和分析。在手球运动中，用于跟踪球员的计算机系统的开发引起了人们的注意，一项研究描述了该过程：摄像头正在收集数据，输出结果将是所有玩家的时空轨迹。这些球员轨迹为体育专家提供了球员能力和表现的宝贵数据。
他们使用视频序列进行了三个实验，以确定自动跟踪玩家的最佳方法：
l仅使用运动检测进行跟踪
l色彩追踪
l颜色和模板跟踪的结合
l结果：C - 颜色和模板跟踪的组合被证明是最合适的，这要归功于与其他方法相比它的速度和最少的人工干预。
这就是玩家跟踪使用边界框进行对象检测的样子。与此同时，在游泳中，人体姿势估计已被用于使用滤水器上方和下方的单个固定相机来分析游泳者的表现。该方法最终将接管定量评估方法，该方法以前依赖于在每个视频帧中手动标注身体部位。全球球员追踪市场预计在未来 5 年内以 24.9% 的复合年增长率增长，精英甚至小联盟的球队都能够使用追踪解决方案来帮助他们了解球员的动作。
侦察和招募
如今，球队正在通过将人工智能添加到他们的球探和招募技巧中来进一步发展。运动场上发生的一切——棒球的挥杆、橄榄球的跑动、篮球的盖帽——都会被追踪，球队会积累数 TB 的数据。体育运动中的计算机视觉用于跟踪运动员在比赛中的动作和身体方向（视频中的对象跟踪）。这是足球运动员示例的样子， 使用关键点骨架工具标记数据然后训练模型将允许它跟踪然后预测球员的动作。
从本质上讲，机器学习算法使用聚合数据来“评估球员的技能和整体潜力，并将他们归入不同的类别。比如NHL的进攻前锋，NBA的控球后卫。团队还可以使用计算机视觉来发现有助于确定未来表现的特定属性，例如足球中的角球能力。这些数据为球队提供的洞察力使他们能够在未来做出更好的招聘选择，确保他们建立一支成功的球队并以低价收购未开发的球员，然后再培养他们并在以后出售他们以获利。
比赛预测
投注者多年来一直试图处理大量数据，以预测未来比赛的结果并赢得大量奖金。他们研究了网球比赛中的一发和二发率、Ace 球数、反手击球得分等，以预测比赛结果。不过，归根结底，人类无法处理 AI 驱动的足球算法预测所能处理的那么多数据，而且他们也无法准确预测足够多的比赛以成为百万富翁 (ha)。他们总是被人为局限所束缚——因此大多数人不会成为百万富翁。人工智能也无法准确预测每场比赛的结果。 但它可以通过预测算法比人类更接近。例如，计算机视觉用于确定控球时间。
研究人员在一组手动标记的 4,000 帧上运行了 pos-N-M 模型的多种配置，并在测试中达到了 85.5% 的准确率。尽管有几个问题，例如球很小而且不太明显，或者球有时会被球员挡住。当计算机视觉能够作为控球模型进行适当训练时，它可以帮助预测未来的比赛结果。
计算机视觉还可用于收集和分析基于以下方面的数据：
l队友之间的传球次数
l一个团队的形成
l进球数
l创造机会
l带来进球机会的关键传球
使用这些数据，该模型可以预测一支球队在未来的比赛中是赢、输还是平。售票处即使在 2021 年，精英运动队也出现了入场延误。比赛开始后，数千人被困在场外，南安普顿足球俱乐部不得不向球迷退款。在大型体育赛事中，球迷难以准时进入体育场观看比赛并不是什么新鲜事。事实上，它已经发生了几十年。直到现在（可能）都没有解决这个问题。例如，哥伦布机员队正在使用面部识别技术让他们的球迷无需出示门票即可进入体育场。
这使体育场入口方式更加高效并防止瓶颈。此外，它还将被证明非常有用，可以吸引对 COVID 持谨慎态度的支持者回到体育场内，他们不想排长队。与此同时，计算机视觉可以“监控体育场内的人群密度，当某些区域人满为患时，工作人员会收到警报。”
当然，在现代体育运动中很少会发生过度拥挤的情况——尤其是在 20 世纪 80 年代的欧洲足球中，发生过不止一次致命挤压的规模。然而，随着英国足球俱乐部自 1990 年代初以来首次引入站立区，使用计算机视觉来监控人群密度将提供额外的安全保障，以防止挤压。预测分析还可以预测可能的出席人数，以及预计支持者何时会出现。这有助于安排商品和食品并满足需求。
自动化体育新闻
体育新闻是一门大生意。但在许多精英运动中——尤其是棒球、足球和网球——有太多内容需要涵盖。有些人甚至会说要涵盖的内容太多了，尤其是当涉及到世界各地几乎每天都在举行的小联盟和锦标赛的统计数据和数据时。AI 正在减轻其他部门如此繁重的工作量——体育新闻业也是如此。例如，Wordsmith 是一个人工智能驱动的平台，它使用自然语言将来自 MiLB 的硬数据转化为叙述。它由 Automated Insights 开发，帮助 AP 提高了报告能力，覆盖 13 个联盟和 14 个 MLB 附属球队。
然后是比赛报告的小问题。每天都会举行数百场足球比赛——有时甚至有数千场。为了满足需求，人工智能机器人现在被用来编写准确的比赛报告，解释关键事件，提供统计数据，并通过维持所需的戏剧性来保持读者的参与度。
虽然有些人可能会争辩说“人工智能正在抢走我们所有的工作”，但看看这个：荷兰地区媒体集团 NDC 正在使用人工智能帮助它在一年内报道 60,000 场足球比赛，这基本上相当于每一场本地比赛。这是一项惊人的壮举，没有 AI 就无法合理实现。因此，在 AI 的帮助下，本地比赛现在正在被报道，这意味着通常不会出现在新闻页面上的球队、教练、球员和球迷正在享受阳光下的美好时光。
运动中的机器学习正在快速增长，每年都有新的发展和应用出现。除了游戏本身，一切都将通过数据和技术得到改善。当然，这一切都与平衡有关。在体育运动中实施人工智能在理论上听起来不错，但不能以牺牲球迷体验为代价。例如，虽然使用面部识别允许球迷在不需要门票的情况下进入体育场，从而避免了瓶颈并让球迷更快地进入体育场。然而，体育技术的未来无疑取决于人工智能。但我们肯定还没有到达最后的边界——事实上，我们才刚刚开始，这很令人兴奋。