正如3D动态图形、高速摄影乃至全息影像入驻现代体育一样,人工智能技术的应用也越来越多地成为体育领域的固定要素。
现如今,AI正被更多用于提升体育中的各个领域,从运动员到观众、再到教练和裁判,甚至包括赛事的分析和点评。人工智能技术能够快速分析大量数据、发现数据中的模式及异常值,同时进行实时预测。这也显示出其在各个层级上推动体育发展进步的重大价值。
提升运动员表现
在竞技体育的世界中,鹿死谁手往往只取决于毫厘之间。事实上,每分每秒都将决定一切。因此通过详尽分析来把握并提高运动表现,人工智能技术正在提供高度个性化的训练计划,同时实时捕捉动作及对手。AI驱动的创新与洞见也在改变体育竞赛,革新并改善运动员们训练、竞技以及身体恢复的方式。
AI能够为运动员及教练提供关于个人表现以及团队和对手表现的深入见解。人工智能技术可以从速度、步态模式及耐力等多种不同维度对每位选手的表现做出分析。教练和运动员则可利用这些信息提炼出量身定制的改进建议。AI还在为每位运动员制定出超个性化的训练计划,帮助他们风范运动风险、增强营养补充。
AI系统还带来了策略层面的比赛建议。通过分析比赛镜头与成绩指标,AI可以识别出往往无法被肉眼所察觉的模式和趋势,并提供击败对手的最佳战术手段。AI还可以实时评估比赛。作为一种增强智能工具,AI可以帮助教练和运动员在比赛中随时进行战略调整,从容应对各种赛况与突发事件。
体育裁判和裁判员也在利用人工智能技术,这项技术让裁判员能够在赛场上做出更高质量的判罚,此外,它还能让裁判打出更准确、更公平的评分。
例如,世界各体操团体正在应用AI技术来帮助评判选手表现和得分。富士通与国际体操联合会(FIG)合作开发的AI辅助评判支持系统(JSS)就使用高清摄像头以3D形式捕捉并分析体操运动员的动作,这套公正系统将帮助为人类裁判提供精确的评分见解。该项技术能够在整个表演过程中跟踪体操运动员的每一个动作,并将这些动作与庞大的已识别体操元素数据库进行比较。
与人类裁判类似,该系统会实时自动打出分数,而且同样以难度分与表现分为评判标准。在体操评判中引入AI技术有助于减少人为错误,提高评估一致性,也有助于消除打分过程中的人为情绪。
通过人工智能增强观众参与度
人工智能还被用于向体育赛事的观众们提供前所未有的增强体验。
以2024年巴黎奥运会为例,奥林匹克广播服务公司使用AI来改善内部工作流程、增强观众体验、丰富叙事形式并更好地对某些体育项目做出解释。奥运会还为观众们提供由AI驱动的自动集锦生成功能。AI技术能够根据媒体版权所有者的偏好自动编辑并定制14种不同项目的精彩片段。这种体验能够在数字和社交媒体平台上,更有效地吸引观众们的注意力。
AI聊天机器人和大语言模型(LLM)则持续改善观众与专业运动团队之间的交互。
AI机器人能够对查询提供即时响应,允许观众随时随地参与互动。它还提供与团队及体育品牌方的无缝沟通。除此之外,这些AI驱动工具在处理各类任务方面同样展现出卓越的价值,例如回答常见问题、提供关于比赛和活动的实时更新、回答关于门票销售和场地选址相关的问题,以及创造更加量身定制的粉丝参与体验。
职业体育对应着庞大的市场体量,而人工还能技术能够对其整个流程产生积极的影响。从增强运动员的表现分析、预防伤病,到允许教练实时制定计划,人工智能技术已经对比赛的形式和呈现方式产生积极影响。
此外,观众参与也成为体育体验中的关键领域,人工智能技术正着力塑造更加个性化的粉丝感受,进而增强项目在市场上的关注度与号召力。
随着AI技术的不断发展,其在塑造体育未来方面的作用也将进一步提升,为更多体育项目探索出新的可能性空间。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。