如果足球戰術都是 AI 設計的，那很難想象其他事情有什麼不可以。
足球界最炙手可熱的年輕教練既不是勒沃庫森的阿隆索、蘭斯的斯蒂爾，也不是博洛尼亞的莫塔，它可能是個 AI，來自谷歌 DeepMind。
球迷朋友們可能還記得，利物浦在 2019 年 5 月 8 日歐洲冠軍聯賽半決賽中實現的歷史性翻盤。其中最具標誌性的時刻是下半場阿諾德出其不意的角球，奧裡吉打進了利物浦可能是歷史上最偉大的進球。
在那場比賽，利物浦上演了不可思議的大逆轉，人們稱之為「安菲爾德奇蹟之夜」，當時克洛普的戰術哲學也讓很多球迷津津樂道。
賽後的球員訪談中有人提到，利物浦教練組觀察到巴塞羅那隊定位球防守時習慣於花時間安排站位，所以特意提醒球員可以嘗試定位球快發。
這不知是看完多少盤錄影帶才得出的結論。而現在，AI 已經可以提供不遜於人類專家的戰術指導了。
在今天的《自然》雜誌子刊 Nature Communications 中，我們看到了谷歌 DeepMind 與利物浦足球俱樂部合作的一項成果：TacticAI。這是一種透過預測和生成式 AI 為專家提供戰術見解的 AI 系統，特別是角球方面的見解。
在足球運動中，每支隊伍需要派出 11 名球員，並且比賽的場地非常大（長 105 米，寬 65 米），進球往往需要高度的戰略性團隊合作。此類比賽孕育了細緻入微的戰略和戰術的演變，最終形成了現代職業足球聯賽充滿戲劇性的觀感。
另一方面，球員在場上商定的計劃執行是高度動態和不完美的，取決於許多因素，包括球員的健康和疲勞、球員移動和位置的變化、天氣、球場的狀況以及對方球隊的反應。相比之下，定位球提供了對結果施加更多控制的機會，因為比賽中的短暫中斷允許球員根據練習和預先商定的模式之一重新定位，並嘗試進球。此類定位球的範圍包括任意球、角球、球門球、界外球和點球。
在定位球中，角球尤為重要，對角球戰術的改進可能會極大地改變比賽結果，並且有助於進行原則性、戰術性和詳細的分析。
儘管角球方面的黃金標準資料有限，但 TacticAI 透過使用幾何深度學習方法來幫助建立更通用的模型，從而實現了最先進的結果。與實踐中看到的戰術設定相比，TacticAI 的建議在 90% 的情況下都受到人類專家評估者的青睞。
TacticAI 是一個完整的人工智慧系統，結合了預測和生成模型，可以分析之前的比賽中發生的情況，以及如何進行調整，使特定結果更有可能發生。
三年的合作
谷歌 DeepMind 與利物浦足球俱樂部的合作已經持續三年了，某種意義上，TacticAI 可以看作是二者推進人工智慧體育分析層面應用的集大成者。
二者最初合作的一篇論文《比賽規劃》（Game Plan）探討了為什麼人工智慧應該用於輔助足球戰術，並重點介紹了分析點球等例子。2022 年的 Graph Imputer 展示瞭如何將人工智慧與足球分析下游任務的預測系統原型結合使用。當沒有可用的跟蹤資料時，該系統可以在鏡頭外預測球員的動作 —— 否則，俱樂部需要派球探親自觀看比賽。
如今，TacticAI 被開發為一個完整的人工智慧系統，將預測模型和生成模型結合在一起。該系統允許教練針對每個感興趣的例程對替代球員設定進行取樣，然後直接評估此類替代方案的可能結果。
TacticAI 旨在解決三個核心問題：
1. 對於給定的角球戰術設定，會發生什麼？例如，誰最有可能接球，是否會有射門嘗試？
2. 一旦戰術設定完成，能理解發生了什麼嗎？例如，類似的策略過去是否有效？
3. 如何調整策略來實現特定的結果？例如，防守球員應該如何重新設計佔位以減少對方射門的可能性？
利用幾何深度學習預測角球結果
足球規則中，當球觸碰防守方球員後越過底線時，判罰角球。由於各個球員的職責以及他們之間的動態變化具有隨機性，預測角球的結果非常複雜。這對於 AI 建模來說也是一個挑戰，畢竟可用的黃金標準角球資料有限。每個賽季英超每場比賽只有大約 10 個角球。
TacticAI 從原始的時空球員跟蹤資料中學習角球戰術的有效表示，透過將每個角球情況表示為圖表來有效利用這些資料。這是對球員之間關係進行建模的自然表示。
下圖（A）為角球情況如何轉換為圖形表示，其中每個球員都被視為圖中的一個節點。圖神經網路在此圖上執行，並使用訊息傳遞更新每個節點的表示。
圖（B）為 TacticAI 如何處理給定的角球。所有四種可能的反射（reflections）組合都應用於角球區，並饋送到核心 TacticAI 模型。這些組合相互作用來計算最終的球員表示，這可以用來預測結果。
TacticAI 透過應用幾何深度學習方法成功預測角球比賽。首先透過將角球設定表示為圖表，來直接建模球員之間的隱式關係，其中節點表示球員（包括位置、速度、高度等特徵），邊表示他們之間的關係。然後利用足球場的近似對稱性。
下圖為在 TacticAI 生成的潛在空間中表示的角球。
DeepMind 採用的幾何架構是群等變卷積網路（Group Equivariant Convolutional Networks）的一個變體，它生成了給定情況（original、H-flipped、V-flipped 和 HV-flipped）的所有四種可能的反射，並迫使對接球手和射門嘗試的預測在這些反射中保持相同。
論文地址：https://proceedings.mlr.press/v48/cohenc16.pdf
這種方法將本文神經網路可以表示的可能函式搜尋空間減少到遵循反射對稱性的函式，並使用更少的訓練資料生成更通用的模型。
下圖為利用 TacticAI 改進角球策略的示例。
向人類專家提供建設性提議
透過利用自身的預測和生成模型，TacticAI 可以幫助教練找到類似的角球並測試不同的戰術。
根據傳統做法，為了制定防守戰術和反擊戰術，分析師們會重新觀看大量比賽錄影，以尋找類似的角球並研究對手球隊。TacticAI 自動計算球員的數字表示，使專家能夠輕鬆高效地查詢相關的過往慣例（routines）。
DeepMind 透過與足球專家的廣泛定性研究進一步驗證了這一直觀觀察，並發現 TacticAI 的 top-1 檢索在 63% 的時間內呈現相關性，幾乎是基於直接分析球員位置相似性方法中 33% 基準結果的兩倍。
TacticAI 的生成模型還允許教練重新設計角球戰術，以最佳化某些結果的機率，例如減少防守中被射門的機率。TacticAI 提供戰術建議，調整特定球隊中所有球員的位置。從這些提議的調整中，教練可以更快地識別重要的模式，以及戰術成功或失敗的關鍵球員。
下圖 (A) 為現實中存在射門嘗試的角球示例。(B) 為 TacticAI 可以生成一種反事實設定，透過調整防守球員的位置和速度來降低射門機率。(C) 為建議的後衛位置會降低進攻球員 2-4 的接球機率。(D) 為 TacticAI 能夠生成多個此類場景，教練可以檢查不同的選項。
下圖為 TacticAI 建議的策略改進示例。
在定量分析中，DeepMind 表明了 TacticAI 在預測角球接球手和射門方面是準確的，並且球員的重新定位與真實比賽的展開方式類似。他們還在盲案例研究中定性評估了這些提議，其中評估者不知道哪些戰術來自真實比賽，哪些是 TacticAI 生成的。
下圖為案例研究任務的統計學分析。
對此，利物浦足球俱樂部的人類足球專家發現， TacticAI 給出的建議非常符合真實的角球區情況，並且在 90% 的情況下更受青睞。這表明，該模型的預測不僅準確，而且有用、可部署。
與原始比賽相比，評估者更青睞的策略改進示例。TacticAI 建議如下：
(A) 大多數評估者更青睞對四位球員的建議；
(B) 距離角球最遠的防守球員改善全場跑動；
(C) 改善禁區內中後衛的跑動；
(D) 兩名中後衛盯人防守效果明顯更好，同時兩名邊後衛在球門區內站位也更好。
總的來說，TacticAI 展示了輔助人工智慧技術為運動員、教練和球迷帶來體育革命的潛力。像足球這樣的運動也是開發人工智慧的動態領域，因為它們具有現實世界、多智慧體互動和多模式資料的特點。谷歌 DeepMind 表示，推進體育人工智慧可以轉化為賽場內外的許多領域 —— 從電腦遊戲和機器人到交通協調。
參考連結：https://www.nature.com/articles/s41467-024-45965-x