英格兰足球协会正在与谷歌云技术合作,通过数据分析提升备受瞩目的英格兰女足国家队在选拔、发展、训练和比赛表现等方面的能力。
这一合作伙伴关系特别专注于利用数据支持足协的"激发积极变革"战略,通过使足球运动更加开放和包容来实现目标。该战略旨在通过提供平等的机会获取途径、提高参与度以及在精英层面支持可持续成功,来改变女子足球运动。
充分利用有限的备战时间
英格兰球员为各自俱乐部完成比赛后,距离世界杯或欧洲锦标赛等夏季大赛开始之间,往往只有非常短暂的时间窗口。结果是球队经常只有很短的时间来进行备战。
因此,为了最大化利用可用时间并确保球员在身体和精神上都做好准备,英格兰足球协会严重依赖数据和技术的力量来提供帮助。为此,足协于2019年与谷歌云建立合作伙伴关系,以提升所有英格兰国家队在选拔、发展、训练和表现方面的能力。
在2025年欧洲杯和其他近期锦标赛之前,谷歌云在为教练和体能训练师提供所需的数据和处理能力方面发挥了关键作用,帮助他们选出最佳的女足阵容。
云技术赋能的数据驱动选才
在这一背景下,核心应用是足协内部开发的球员表现系统(PPS),该系统运行在谷歌云平台上。PPS测量英格兰各支国家队球员的训练、体能和状态数据。其目标是了解哪些球员处于最佳状态,使教练和工作人员能够发现人类球探可能遗漏的行为和表现模式。
该系统通过采集来自训练课程的数千小时视频和比赛统计数据来实现这一目标。然后生成有关个人球员和团队表现的洞察,甚至为教练及其工作人员提供如何最好地提升表现的指导建议。
PPS也是Helix管理工具的核心组成部分,该工具跟踪超过3500名男女职业足球运动员的活动。这相当于从竞技比赛和训练课程中收集的超过2200万个数据点。Helix还包括球员档案、球探报告和医疗信息。
优选最佳女足球员
一旦数据被分析完成,集成的可视化工具为教练及其工作人员提供多个定制化视图,将之前分散的数据整合起来。这些视图在几分钟内为他们提供了关于球员和团队表现的全新独特洞察。
结果是教练们能够很好地优化他们的战术选择。这为女足雄狮军团提供了优势,帮助她们一路夺得2022年UEFA女子欧洲杯冠军,进入2023年世界杯决赛,并在去年的瑞士欧洲杯中再次夺冠。
Q&A
Q1:球员表现系统PPS是什么?它如何帮助英格兰女足?
A:PPS是英格兰足协内部开发的球员表现系统,运行在谷歌云平台上。它通过分析数千小时的训练视频和比赛统计数据,测量球员的训练、体能和状态,帮助教练发现人类球探可能遗漏的表现模式,并为提升球员表现提供指导建议。
Q2:Helix管理工具能处理多大规模的数据?
A:Helix管理工具跟踪超过3500名男女职业足球运动员的活动,相当于从竞技比赛和训练课程中收集超过2200万个数据点。该工具还整合了球员档案、球探报告和医疗信息,为教练提供全面的数据支持。
Q3:数据分析技术给英格兰女足带来了什么成绩?
A:通过与谷歌云的合作和数据分析技术的应用,英格兰女足获得了显著的竞技优势。她们成功夺得了2022年UEFA女子欧洲杯冠军,进入2023年世界杯决赛,并在去年的瑞士欧洲杯中再次夺冠。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。