当前位置:全讯网 > 全讯资讯 >

向球队展示他们本可以取得多大的成功

发布日期:2017-04-28  来源:Www.DedeMao.Com
 
  HoangLe从小就是个球迷,他童年时的英雄是齐达内,作为一名来自西班牙的移民,他认为巴塞罗那足球俱乐部的梅西是有史以来最好的球员。Le对足球可以说是了如指掌,但是为了教计算机踢足球,最近,Le和他在加州理工学院的团队不得不公开了他们的权威控制研究,并且不能参与教学过程。
 
  事实证明,球迷所提供的专业知识,计算机一点都用不上。该研究团队在2017年3月发表的研究报告显示,虽然机器学习方法可以让计算掌握足球的真正原理,但它会拒绝人类足球专家的参与。
 
  所谓的“无监督学习”已经开始取得实际的突破,它不仅让人工智能进入了一个未知的领域,也让它进入了一个不受监管的领域。无监督学习不仅能带来了新产品,还能为科幻小说提供素材,甚至可能会挑战我们对人类本质的定义。
 
  这一突破其实始于足球之外。2013年,NBA的多伦多猛龙队引进了一种叫做“鬼影”的指导软件,它能够分析球员数据,寻找自身和对方球队在防守中的漏洞。
 
  当Le和加州理工学院的团队听说了“鬼影”的时候,他们并不知道它的工作原理,只知道它是基于对猛龙队教练的分析。这就意味着,虽然这个软件很可能是基于一种人工智能,但它仍然像那些有战略偏好的教练一样,难免会受到限制。
 
  无监督的机器学习方法对研究人员来说是很有趣的,但显然,这种方法过于分散,不能有针对性地地解决问题。现在,在没有人类指导的情况下,它们复杂的自我定向模式对数据来说是很有用的。虽然让人工智能实现自我引导是一项艰难且耗时的工作,但这是能够让人工智能产生人类无法想象的结果的唯一方式。
 
  Le说:“我们最初的动机是想看看能否直接利用数据来教人工智能。”幸运的是,加州理工学院正在与迪斯尼进行合作,这意味着他们也与ESPN有业务联系。该团队能够获得大量准确的数据,特别是足球方面的数据,并立即着手设计一个机器学习系统来处理这些数据,从中得到一些结论。
 
  不过,监督学习的好处在于,开发者可以以标签数据的形式给它更多支持。相比之下,Le和他的同事们很难让其人工智能区分不同类型的球员,甚至不能区分防守与进攻,因而容易把各个角色的数据弄混。
 
  这些机器所需要的最基本的信息表明,即使是足球专家也很难回答他们所熟知的系统设计基本问题。
 
  通过使用无监督方法,该团队可以简单地通过人工智能观察球员的真实动作来对球员进行分类。虽然人工智能没有关于“左卫”的概念,但它可以注意到,大约有十一分之一的轨迹基本相同,而且它们倾向于遵循的规则与数据点遵循的规则有很大差异。这些自动位置分配是通过观察不同个体的不同位置,以及比赛中无数的瞬间变化来实现的,例如当一个目标接近时,所人都在防守。
 
  这意味着,他们只需要大量的跟踪数据就可以让人工智能快速了解一个新团队的策略。“如果你是一名教练,你可以问,在同样的情况下,另一支球队会做出怎样的反应?”Le说,“对于大规模的信息策略或者每分钟的细节,这都是成立的。你可以以此分析自己或对手的策略。”
 
  如果一名教练想要融合另一种防守风格的优点,那么他们就可以互换自己中意的球员,并重新安排比赛,向球队展示他们本可以取得多大的成功。
 
  “我们认为,如果有高质量的追踪数据,这也许能够应用到其他体育项目中,尤其是像篮球和曲棍球这样的连续运动项目。”Le希望,他们的方法最终能够在猛龙队教练的手中发挥作用,正是猛龙队最初的“鬼影”刺激了这种新方法的产生。
 
  当然,无监督学习可以应用的范围远远超出了足球这一体育活动。就像足球人工智能可以自动理解杂乱无章的数据一样,谷歌开发出的令人难以置信的AlphaGo,震惊了围棋界。
 
  这是很复杂的,必须基于对某项运动基本、公正的理解,基于人工智能本身的条件,且不引入人类容易产生的成见。
 
  在筛选足球数据以得出潜在球员结构时,人工智能观察了整个团队的组成方式以及各位置之间的协调方式,真正地分析了球赛的策略。它不是AlphaGo的翻版,不会为不存在的顶级2D足球比赛定制策略,但它的能力表明,现代学习算法能够创造这样的人工智能,也将能够对比赛提出全新的见解。
 
  这是一种可以产生强大机器智能的学习技术,它可以自动探索火星上的暗坑,并自行决定收集哪些有用的东西,以便日后进行分析。
 
  现在,Le正在致力于研究如何将无监督方法应用到无人驾驶飞机的机器视觉中,以提高在一个复杂、高动能的世界中完成实时自动穿越的能力。
 
  尽管人工智能的分析会暴露出足球比赛的很多漏洞,但他对足球的热爱并没有因此减少。他确信人工智能终将改变比赛的本质,而这是人类教练永远也无法做到的。