足球AI陷数据分散瓶颈 明星初创公司接连遭折价并购

足球AI陷数据分散瓶颈 明星初创公司接连遭折价并购 足球高度的随机性与核心竞技数据的私有封闭，导致AI无法提升球队胜率，也难以支撑独立的高估值商业模式。 本期节目深入探讨了AI在足球竞技领域遇到的瓶颈与商业困局。尽管利物浦、切尔西等顶级俱乐部尝试将AI用于战术和球探筛选，但受限于足球运动的高偶然性、非线性博弈以及核心数据的封闭分散，AI不仅难以提升胜率，更未能诞生独角兽企业，曾经的明星初创公司SciSports也以被收购告终。不过，在判罚辅助、赛事运营与观赛体验上，如美加墨世界杯中的半自动越位、内置传感器的智能足球和FIFA AI Pro分析平台，技术正展现出巨大价值。 尽管利物浦与 Google DeepMind 合作开发了定位球系统 TacticAI 并登上《Nature》，但数据统计显示利物浦近几个赛季的角球进球率并未显著提升，目前尚无确凿证据证明 AI 能实质性提高球队胜率或担任战术教练。 (0:00) 足球的高偶然性、非线性对抗关系以及关键软性变量的不可量化，使得 AI 极难建立准确模型；同时，肌纤维比例与微损伤等最具价值的竞技数据高度分散于各俱乐部，严重制约了数据规模化。 (4:26) 曾被誉为欧洲独角兽潜质的明星足球科技初创公司 SciSports 最终于 2024 年被收购，暴露出足球科技赛道面临受众狭窄、软件预算低、转会受政治人情影响等结构性瓶颈，单点分析工具普遍走向被体育巨头并购之路。 (10:12) 相比战术指导，AI 在判罚与赛事运营端落地成效显著：美加墨世界杯利用内置 500Hz IMU 传感器的足球与每场 16 台光学追踪摄像头采集超 1.5 亿数据点，结合 FIFA AI Pro 实现了厘米级半自动越位判定及 3D 赛事重建。 (17:35)

《硅谷101》调研指出，尽管科技界坚信“AI将改变一切”，但在足球竞技层面上，AI目前在提高胜率、战术指导或发掘冠军球员方面尚无确凿成效；其真正实现深度渗透与爆发的场景，集中在客观判罚裁决、工业化赛事运营以及转播交互体验。 竞技层面的数据失效与非线性对抗 (0:00) 针对AI颠覆绿茵场的设想，节目组调取数据发现，Google DeepMind与利物浦合作的角球系统TacticAI虽登上《自然》期刊（基于3个赛季7,176个角球训练），但利物浦近6个赛季的角球进球率除系统大概率尚未应用的2021-2022赛季外，基本恒定在3%左右，并无技术介入带来的数据改观；切尔西（AiSCOUT）与塞维利亚（IBM watsonx）等试水同样缺乏提升战绩的客观证据。 业内分析认为，足球是低进球、高随机性的非线性对抗项目。比赛结果由极少数关键事件决定，受到场地、天气、裁判尺度、心理波动、更衣室氛围与传统底蕴等不可量化维度的交织影响。高控球率不必然推导出高胜率，堆砌球星也常因化学反应不足而受挫（如身价极低的佛得角队连续逼平强敌）。这种规律随时被对手主动破坏的动态博弈，正是目前依赖历史相关性的AI算法最难攻克的盲区。 私有数据壁垒与无法复制的实验室指标 (7:02) 与拥有海量公开语料的大语言模型不同，足球竞技最具价值的核心数据高度分散在各俱乐部手中且极具私密性。公开的身高、体重等静态指标无法支撑有效建模，伤病预测与运动潜能评估真正依赖的是实验室级物理数据。 这些关键指标包括分区体脂分布、快慢肌纤维比例、肌肉横截面积（CSA）、乳酸阈值、重复冲刺速度衰减率、地面反作用力以及步态不对称性等。其采集必须由动作捕捉、测力台与肌电图同步完成。目前没有任何商业机构能跨俱乐部整合此类高壁垒资产，而单家俱乐部样本量又极其有限，导致竞技AI难以跨越有效训练的数据门槛。 商业困境：足球科技独角兽的缺位与并购 (10:12) 在资本层面，足球科技赛道十余年间未能催生任何一家独角兽企业，荷兰明星初创公司SciSports的兴衰是典型缩影。该公司曾试图通过SciSkill评分与BallJames球场3D计算机视觉系统预测球员身价，最终在2024年被VANAD Group低价收购，2017年融资后估值仅约1580万美元，远未达到独角兽预期。 该赛道面临四重商业瓶颈：首先，实际付费客群仅限少数职业机构与豪门，中小俱乐部预算极其微薄并常将分析工具压价为普通SaaS；其次，转会决策交织着教练偏好、更衣室政治、经纪人网络与薪资架构，AI推荐无法直接闭环落地；再次，球场多机位硬件标定与数据清洗极其沉重，扩张缓慢；最后，独立工具难以嵌入俱乐部原有的视频与医疗系统。这直接引致了行业的抱团与并购潮，StatsBomb、Second Spectrum和Sportlogiq等单点数据公司近年来相继被Hudl、Genius Sports和Teamworks等综合大平台吞并。 确定性场景突围：毫米级判罚与工业级运营 (17:35) 相较于竞技决策的停滞，AI与高精度传感硬件在裁判判罚与赛事运营等确定性领域取得了显著突破。在美加墨世界杯淘汰赛中，比赛用球内置的500Hz惯性测量单元（IMU）传感器实时捕捉微小加速度，精准识别出马塔诺维奇的轻微触球，为VAR判定越位进球无效提供了肉眼无法捕捉的依据。 在迈阿密赛事运营中心，联想协同国际足联部署了1.7万台设备与350名现场工程师，覆盖16座球场。赛场架设的16台光学追踪相机以每秒50次频率扫描球员29个人体节点，结合足球传感器，单场生成超过1.5亿个追踪数据点。这些底层基建支撑起误差10厘米以内的半自动越位告警、门线争议与视线遮挡的实时3D重建，并通过防抖算法将裁判佩戴摄像机画面的晃动降低50%–70%，同时借助“FIFA AI Pro”大模型支持分析师利用自然语言进行战术复盘。 视频总结指出，AI在世界杯深度重塑了判罚公平性、后勤保障与转播交互，但在竞技胜负核心层面，指导人类踢球仍为时尚早。联想FIFA项目负责人Myles Spittle与传奇教练米卢均提示，高精技术虽有效消除了人为失误，但足球不可预测的随机性、人性的情感张力与创造奇迹的特质，恰恰构成了这项运动抵抗AI完全支配的独特价值边界。

[0:00] 米卢: Not soccer. Football. [0:00] 米卢: 比起机器人我更喜欢看真人 [20:01] Myles Spittle: 以半自动越位为例，它是在帮助裁判、消除人为失误。这有好有坏。作为一个足球纯粹主义者，我觉得人为失误有时反而给比赛增添了戏剧性。但当赌注如此之高、边际如此之小时，你需要 100% 的准确。能不能检测到头发碰了球，可能就是进球与否、胜负之间的差别。 [20:01] Myles Spittle: 我也看到它在幕后影响着比赛，让运营运转得更顺畅，让球队更高效，降低赛事期间出岔子的风险。

[0:00] “Not soccer. Football.” [0:01] 带领中国男足进入世界杯的传奇教练米卢 [0:04] 纠正了我对足球的英文 [0:06] 并且告诉我 [0:07] 机器人和AI的发展不会替代足球这项比赛 [0:10] “比起机器人我更喜欢看真人” [0:13] 今年美加墨世界杯的一些场次 [0:15] 也在硅谷举办 [0:17] 众多科技大佬们也是前往观赛 [0:19] 那我有一个问题是 [0:20] 在硅谷人们信仰AI将改变一切 [0:23] 那么AI能否改变足球呢 [0:25] 我们《硅谷101》的世界杯小队 [0:27] 还真做了一些研究 [0:29] 发现过去几年 [0:30] 还真有初创公司和资本是花了大价钱 [0:33] 想要用AI去颠覆足球这项运动 [0:36] 但是 结果呢 [0:37] 你看完这个视频就知道了 [0:39] 这期视频中 [0:40] 我们受邀走进了FIFA赛事总部 [0:43] 看看世界杯背后的“大脑”和技术 [0:45] 是如何运转的 [0:46] 同时 我们也来聊聊顶级俱乐部们 [0:48] 是如何用AI去改造足球的 [0:50] 他们做了哪些尝试 [0:51] 有什么成功或者失败的案例 [0:54] 整个Football Tech垂类赛道 [0:55] 是如何拥抱和自我修正产业投资的 [0:58] 以及AI正在如何悄悄改变 [1:00] 你我参与足球和世界杯的方式 [1:03] 这里还有一个终极问题 [1:05] 中国的AI发展如此之迅速 [1:07] 能让男足进下一届的世界杯吗 [1:14] 这里我们先定义一下“足球AI” [1:16] 如果你对足球的AI想象是 [1:18] AI能够提高他的胜率 [1:20] 成为一个“AI教练” [1:21] 能够帮助球队拿冠军 [1:23] 那目前来看 [1:24] 没有什么证据能够表明AI有什么帮助 [1:26] 哪怕我们把范围再缩小一点 [1:28] 比如说AI能够帮助俱乐部签下更好的球员 [1:31] AI能够帮助提高角球的进球率 [1:34] 遗憾的是 [1:35] 结论或许也是一样的 还不行 [1:38] 目前已经有一些俱乐部 [1:39] 做了一些大胆的尝试了 [1:41] 比如说大名鼎鼎的“红军”利物浦 [1:43] 与谷歌DeepMind合作开发了 [1:45] 名为“TacticAI”的定位球系统 [1:48] 曾经就被媒体宣传为 “足球AI的里程碑” [1:52] DeepMind还为此 [1:53] 专门在《Nature》上面发表了论文 [1:55] 切尔西与一家名为AiSCOUT的公司合作 [1:58] 用于队内的青训系统 [2:00] AI会分析年轻球员的各项技术动作 [2:03] 帮助青训部门发现好球员 [2:06] 类似的合作 [2:06] 还有西甲的塞维利亚队与IBM合作 [2:09] 推出了Scout Advisor [2:11] 这是基于IBM watsonx [2:12] 后来也使用过Meta的Llama模型 [2:15] 这套系统能够理解 [2:17] 球探报告里面的自然语言 [2:19] 比如说“擅长任意球” [2:21] 就能够帮助球探们从大量的球探报告当中 [2:24] 去快速找到合适的球员 [2:27] 我们以最知名的利物浦 [2:29] 和DeepMind的合作为例 [2:30] 看看AI能不能带来想象中的 [2:32] 竞技层面的提升 [2:34] 根据《Nature》上的论文 [2:35] DeepMind用了三个赛季当中 [2:37] 利物浦的7176个角球用于训练和评估 [2:41] 完成训练的模型 [2:42] 理论上可以预测谁更可能第一个触球 [2:45] 这次角球会不会形成射门 [2:47] 以及可以建议球员怎么移动 怎么站位等等 [2:51] 一个足球豪门配一个顶尖的AI公司 [2:54] 还在《Nature》上发论文 [2:56] 是不是听上去就高大上 [2:58] 但是具体的效果呢 [2:59] 利物浦到底有没有在角球中提高进球率呢 [3:02] 我们搜遍了主流的科技媒体和体育媒体 [3:05] 也没有这方面的进一步结论 [3:06] 于是我们自己统计了一下 [3:08] 我们让AI从StatBunker中调取了 [3:11] 过去6个赛季利物浦的角球进球数 [3:14] 从StatMuse中调取了 [3:15] 过去6个赛季利物浦获得的角球数量 [3:19] 然后算出了角球进球率 [3:21] 大家可以看一下屏幕上的这个数据对比 [3:24] 可以看出来 [3:25] 除了2021到2022年赛季 [3:26] 其他赛季的角球进球率 [3:28] 没有什么显著的变化 [3:30] 都是百分之三点几 [3:31] DeepMind和利物浦都没有披露 [3:33] 这套AI系统什么时候开始使用 [3:35] 但是我们看到《Nature》上 [3:36] 论文发表的时间是2024年3月 [3:38] 所以 2021到2022赛季 [3:40] 这套AI系统大概率还没有开始使用 [3:42] 也就是说 到目前为止 [3:44] 与DeepMind合作的模型 [3:46] 尚且还没有对利物浦的角球 [3:48] 形成任何有数据支撑的改善 [3:51] 我们《硅谷101》 [3:52] 其实在之前内部有讨论过这个选题 [3:54] 也给Google DeepMind发了采访邀约 [3:56] 但是对方没有回复 [3:58] 那我们基于这个统计的疑问 [4:00] 再放大一点 [4:01] 为什么AI在其他领域都在狂飙 [4:03] 但是在足球领域 [4:05] 一直没有听说哪个AI产品 [4:06] 能够对竞技成绩产生颠覆性的影响呢 [4:10] 我们和一些业内人士聊了聊 [4:12] 大家认为一个可能的答案是 [4:14] 足球是所有体育运动当中 [4:16] 偶然性最高、变量最多的项目之一 [4:19] 这使得任何单一的因素 [4:21] 对于比赛结果的影响来说 [4:23] 都难以被量化和验证 [4:29] 一场比赛的结果受到太多变量的影响 [4:32] 多到甚至无法统计 [4:33] 天气、裁判、场地条件、球员状态 [4:36] 现场氛围、互相的关系和协作 [4:38] 甚至球员的心理状态 [4:40] 都能够决定比赛结果 [4:42] 当然 还有一些阴谋论当中的假球 [4:45] 这些复杂的变量还会相互影响 [4:47] 比如说现场的氛围会影响球员状态 [4:50] 而裁判的判罚会影响现场氛围等等 [4:53] 同时 有些变量会随着时间的推移而变化 [4:56] 比如说球员成名前很自律 [4:58] 但是成为了亿万富翁之后可能就飘了 [5:01] 这里没有影射任何人 [5:03] 先声明一下 [5:04] 有些变量的权重也会发生变化 [5:07] 并且很难预测 [5:08] 比如说同样一个不自律的球员 [5:10] 年轻的时候对球场表现影响不大 [5:12] 但是年纪大了之后 [5:14] 就会出现明显的状态下滑 [5:16] 但是这里有个反例是 [5:18] 同样是体重超标 [5:19] 但是大罗依然是世界顶级 [5:22] 那这就形成了一个悖论 [5:24] AI无法控制变量 导致模型提高缓慢 [5:27] 俱乐部哪怕成绩提高了 [5:29] 也无法证明是AI [5:30] 而不是其他因素导致了成绩的变化 [5:34] 足球当中很多变量是无法量化的 [5:36] 更无从量化这些变量 [5:38] 对于比赛结果的影响权重 [5:40] AI可能理解不了什么叫阅读比赛的能力 [5:43] 什么叫球员之间的化学反应 [5:45] 什么叫为了国家荣誉而战 [5:48] 这些不可量化的变量 [5:49] 还可以几乎无穷尽地列下去 [5:51] 比如说强队底蕴、对胜利的渴望 [5:54] 更衣室的氛围、裁判尺度的松紧等等 [5:58] 以本届世界杯的最大黑马佛得角为例 [6:00] 一个几十万人的岛国 [6:02] 球员们大多混迹于低级别联赛 [6:05] 全球队的身价加起来也没有梅西高 [6:08] AI如何能够预测出这样一个球队 [6:10] 能够连续逼平西班牙和乌拉圭 [6:13] 还能够把阿根廷几乎逼上绝境 [6:16] 一份符合国际职业球探组织标准的球探报告 [6:19] 不仅要包括速度、耐力、弹跳等可量化标准 [6:22] 还要包括很难量化的位置感、领导力 [6:25] 决策力、比赛态度等等 [6:27] 著名教练穆里尼奥 [6:28] 就要求手下的球探评估球员的性格 [6:30] 是否自律、有钱之后是否张扬等维度 [6:33] 足球中的因果关系往往是非线性的 [6:36] 比如说 增加控球率不一定会提高胜率 [6:38] 反而可能因为防守反击而输球 [6:41] 让11个超级巨星组成一支球队 [6:43] 不一定会拿到冠军 [6:44] 反而可能因为更衣室中谁也不服谁 [6:47] 导致成绩还不如平民球队 [6:49] 所以 足球当中这种非线性关系 [6:52] 就是AI最怕的那一种类型 [6:54] 还有一个点 [6:55] 为什么AI对足球这项运动的效果会这么差 [6:57] 原因就在于 数据 [7:03] 大家想一想 足球的数据是什么呢 [7:06] 足球是人踢的 [7:07] 所以 球员的竞技身体数据 [7:09] 分散在全世界的几千家俱乐部当中 [7:12] 足球界从来都没有自己的BookCorpus [7:15] 或者像WebText这样的大型文本数据集 [7:18] 球员的公开身体数据 [7:19] 比如说身高体重等 [7:21] 最多用来制作球星卡 [7:23] 竞技身体数据则是完全不一样 [7:27] 比如说我们来看看 [7:28] 一篇俱乐部的不公开球员报告 [7:30] 大概都包含了哪些数据 [7:32] 这包括 球员的局部体脂分布 [7:35] 也就是腹部、大腿前侧/后侧 [7:37] 臀部、肩背的分区体脂 [7:40] 这决定了球员的爆发力、对抗能力 [7:42] 还有伤病风险 [7:44] 快肌或慢肌的纤维比例 [7:46] 这决定球员是更加偏向爆发型还是耐力型 [7:49] 属于天生属性、极难后天改变 [7:52] 肌肉横截面积（CSA） [7:54] 比如股四头肌、腘绳肌、臀肌 [7:57] 这直接关联对抗能力、射门力量 [7:59] 还有伤病概率 [8:00] 乳酸阈和实测最大摄氧量 [8:03] 直接关联球员能够扛多久的高压比赛 [8:06] 重复冲刺能力指的是 [8:07] 连续5-10次冲刺之后的速度衰减率 [8:10] 这是高压逼抢战术的核心指标 [8:13] 地面反作用力指的是 [8:14] 急停、变向、起跳的时候脚对地面的压力 [8:17] 这能判断球员的动作合理性 [8:20] 还有发力链时序 [8:21] 这是指射门或者传球的时候 [8:23] 髋关节到膝关节到脚踝的发力先后 [8:26] 能够判断球员的动作合理性 [8:29] 也是针对性训练的重要参考 [8:31] 采集方法 [8:32] 是动作捕捉+测力台+肌电图同时采集 [8:36] 哪怕AI公司使用多角度摄像机+AI姿态模拟 [8:39] 也很难达到实验室的精度 [8:42] 也就是说 这样相关的数据 [8:43] 都是AI公司 [8:45] 绝无可能从公开渠道去获取的数据 [8:48] 我们再以AI公司初期聚焦的 [8:51] 伤病预测模型为例 [8:52] 俱乐部的私有数据中 [8:54] 有球员的细胞内外液比例 [8:56] 能够判断水肿、肌肉炎症、过度疲劳 [8:59] 步态不对称性指的是 [9:01] 左右腿发力差和落地重心偏移 [9:04] 这是肌肉拉伤、十字韧带撕裂等 [9:06] 严重伤病的前兆 [9:08] 另外还有关节松弛度和韧带稳定性 [9:11] 能够看出脚踝、膝盖、髋关节的松动程度 [9:14] 是伤病的高危信号 [9:16] 还有隐性微损伤和软组织疤痕硬度 [9:19] 能够判断旧伤术后的肌腱弹性、疤痕粘连度 [9:23] 直接决定再次受伤的概率 [9:26] 而这些分散在几千家俱乐部中的数据 [9:29] 没有任何一个组织或者商业公司 [9:31] 能够完整地获得 [9:32] 同时每一个俱乐部它掌握的数据 [9:34] 又样本量不够 [9:36] 所以我们来总结一下 [9:37] 为什么AI对足球失效了 [9:39] 第一 足球是得分低、高随机的运动 [9:42] 信号极弱 [9:43] 第二 胜负由少量的关键事件决定 [9:46] 而非整体统计规律 [9:48] 第三 球场上是对抗性的动态博弈 [9:51] 规律会被对手主动破坏 [9:54] 第四 AI只能理解历史相关性 [9:56] 无法理解真实因果 [9:58] 不可量化的数据过多 [10:00] 所以 AI在足球上去复刻“ChatGPT时刻” [10:02] 或者“Cluade Code时刻”就非常非常困难 [10:05] 而在商业上 [10:06] 一度让资本非常期待的Football Tech [10:08] 也是经历了一轮自我修正的周期 [10:14] 全世界AI公司的估值都在暴涨 [10:16] 沾上点AI概念股价就能飙升的今天 [10:18] 一个AI足球技术的独角兽却不见踪影 [10:23] 在这里我们来讲一个 [10:24] 曾经的Football Tech的明星初创公司 [10:26] SciSports的案例 [10:28] 同时也透过它的故事 [10:29] 来看看这个产业背后的困境 [10:32] 2013年 荷兰恩斯赫德市的一间学生公寓里 [10:36] 三个年轻人有了一个 [10:37] 听起来非常硅谷的想法 [10:39] 如果《Football Manager》 [10:40] 可以在游戏里预测球员潜力 [10:43] 那么现实世界里为什么不行 [10:45] 于是他们决定做一个 [10:47] 帮助职业俱乐部判断球员价值 [10:50] 预测球员潜力 [10:51] 甚至理解比赛本身的足球数据智能系统 [10:55] 这家公司叫做SciSports [10:57] 在当时 这个故事几乎是完美踩中了 [11:00] 所有热门的关键词 [11:02] 足球、AI、机器学习、计算机视觉 [11:05] 转会市场、全球化数据库 [11:07] 还有职业俱乐部客户 [11:09] 朋友们想象一下 [11:10] 如果你能够提前一年发现下一个哈兰德 [11:13] 贝林厄姆或者姆巴佩 [11:15] 你是不是就能够帮俱乐部省下几千万欧元 [11:19] 如果一个软件能够参与转会决策 [11:22] 它是不是应该成为一家 [11:23] 十亿美元估值的公司 [11:26] 但是十多年过去了 [11:27] SciSports没有上市 [11:29] 没有成为全球家喻户晓的AI足球独角兽 [11:33] 2024年 它被荷兰VANAD Group收购 [11:36] 为什么一个看起来如此正确的创业方向 [11:38] 最后没有变成足球世界的Palantir [11:41] 我们先来看一下SciSports的产品 [11:44] 早期SciSports做的是数据化球探 [11:47] 它把球员的比赛数据、联赛强度 [11:49] 出场时间、位置、球队表现 [11:51] 年龄和成长曲线放进模型里面 [11:54] 试图去建立一个 [11:55] 全球可以比较的球员评分系统 [11:58] 叫做SciSkill Index [12:00] 这个切入点其实很聪明 [12:02] 因为在足球里面 [12:03] 转会是最昂贵 [12:05] 也最容易犯错的决策之一了 [12:08] 一个球员买错了 [12:09] 损失可能是几百万、几千万欧元 [12:11] 但如果一个数据系统 [12:13] 能够提前帮你发现低估资产 [12:15] 那它的价值是不是听上去就巨大 [12:18] 但是SciSports [12:19] 并不满足去做一个球员数据库 [12:21] 它开始去做更重的东西 叫BallJames [12:24] 这个系统的野心是用计算机视觉 [12:27] 把比赛视频转成实时的3D数据 [12:30] SciSports曾经把它形容成 [12:32] 足球比赛的“球场MRI” [12:35] 就像扫描人体一样去扫描整块球场 [12:38] 在2016年 荷兰俱乐部Heracles Almelo [12:42] 就成为了第一个安装BallJames的 [12:44] 职业俱乐部之一 [12:45] 这些痛点找得很准 [12:47] 以至于SciSports后来被贴上过一个 [12:49] 很有想象力的标签 [12:50] 说它是Next European Unicorn [12:53] 就是下一个欧洲的独角兽 [12:55] 但是它为什么没有成功呢 [12:57] 首先 客户少 预算窄 [12:59] 足球看起来是一个全球市场 [13:02] 但是真正愿意为高级数据分析 [13:04] 付大钱的客户 [13:06] 主要是职业俱乐部、联赛、足协 [13:08] 还有经纪公司 [13:09] 但这中间有个悖论 [13:11] 顶级俱乐部有钱 [13:13] 但是数量有限 [13:14] 中小俱乐部数量很多 [13:15] 但是软件预算很薄 [13:17] 你可以帮一支球队省下 [13:19] 上千万欧元的转会费 [13:21] 但是它未必愿意为软件每年付你几百万 [13:24] 这就是体育科技最尴尬的地方 [13:27] 你创造的是“决策价值” [13:29] 但是你收费的时候 [13:30] 客户就可能把你当成是“订阅软件” [13:34] 第二个问题 [13:34] AI的答案很难直接变成决策 [13:37] 你想 如果一个电商推荐系统说 [13:39] 这个用户可能会买鞋 [13:41] 平台就可以立刻推送广告 [13:43] 但是一个足球AI说 [13:45] 这名边锋潜力很高 [13:46] 那俱乐部不能立刻地刷卡下单吧 [13:49] 它还要考虑教练喜不喜欢 [13:52] 战术适不适配 [13:53] 还有语言文化、伤病史、经纪人、合同 [13:56] 薪资结构、更衣室性格 [13:58] 甚至老板的个人偏好 [14:00] 所以 足球转会是一个数据、政治、人情 [14:04] 和风险共同作用的复杂决策 [14:07] 第三个问题是底层数据太重了 [14:10] BallJames不得不说很先进 [14:12] 但是如果一个系统需要球场安装 [14:15] 摄像机部署、标定、维护、数据清洗 [14:18] 那它的扩张速度 [14:19] 就很难像纯SaaS一样进行指数级的增长 [14:23] 所以后来的行业趋势 [14:24] 其实更加偏向另外一条路 [14:27] 从现有的转播画面 单机位视频战术机位中 [14:30] 直接提取追踪数据 [14:32] 而不是把整个球场和比赛给3D化 [14:34] 也就是说谁能够更低成本地 [14:37] 去把普通视频变成结构化数据 [14:40] 谁就更容易规模化 [14:41] 这里面算的还是经济账 [14:44] 换句话说 [14:44] SciSports很早看到了正确的方向 [14:47] 但是早期的实现路径可能就太重了 [14:50] 第四个问题 [14:51] 俱乐部不想再多买一个孤立的工具 [14:54] 足球俱乐部里面已经有视频平台 [14:56] 球探系统、体能系统、医疗系统 [14:59] 还有沟通工具 还有数据提供商 [15:02] 而分析师最怕的 [15:03] 就是外部的软件不能很好地 [15:04] 嵌进内部工作流和数据 [15:06] 这样看起来 [15:07] 传统SaaS的模式是不适合SciSports的 [15:09] Palantir的模式对于SciSports来说 [15:12] 它的客户也没那么多钱让它去单独部署 [15:15] 这就是为什么Football Tech这个行业 [15:17] 后来出现了大量的并购 [15:19] 比如说StatsBomb [15:20] 一度是职业足球里面很有影响力的 [15:22] 高级事件数据和模型公司 [15:24] 2024年 它被美国体育视频平台Hudl收购 [15:27] Hudl的逻辑很清楚 [15:29] 它本来就做视频分析和教练工作流 [15:31] 把StatsBomb的高级数据接进来 [15:33] 就能够把“视频+数据+球探+比赛分析” [15:36] 打包卖给职业队 [15:38] 再比如说Second Spectrum [15:39] 它曾经是NBA、英超和MLS的官方数据追踪 [15:43] 和分析提供商之一 [15:44] 可以把比赛中的球员和球 [15:46] 转化为机器可读的数据 [15:48] 再服务教练、分析师、媒体和转播方 [15:50] 但在2021年 [15:51] 被体育数据公司Genius Sports [15:54] 以大约2亿美元收购 [15:56] 还有Sportlogiq [15:57] 主战场是冰球 [15:58] 2026年 它被美国公司Teamworks收购 [16:01] Teamworks自己的定位是 [16:02] “体育行业操作系统” [16:04] 想要把球队运营、运动员管理、表现分析 [16:07] 和AI洞察整合在一个平台里面 [16:09] Sportlogiq的收购价格没有披露 [16:11] 但是第三方数据库Dealroom给过一个 [16:13] 大约2000万到3000万美元的 [16:15] 企业价值的估算 [16:16] 最后就是我们前面重点提到的SciSports [16:19] 2024年 [16:20] SciSports被荷兰VANAD Group收购 [16:22] 交易价格没有披露 [16:23] 但是如果看早期的融资口径 [16:26] Wellfound显示 [16:27] SciSports 2017年融资之后的估值 [16:29] 大约是1580万美元 [16:31] 可以说是让早期 [16:32] “成为下一个欧洲科技独角兽”的愿望落空了 [16:36] 你说市场巨大吗 [16:37] 毋庸置疑 [16:38] 足球是全球第一运动 [16:40] 球迷数以十亿计 [16:41] 转会市场很贵吗 [16:43] 当然贵了 [16:44] 头部俱乐部每年花的钱像天文数字 [16:47] AI有用吗 [16:48] 数据确实可以提高球探、分析和训练效率 [16:50] 但是这些东西加在一起 [16:52] 不自动等于一家十亿美元软件公司 [16:54] 因为足球作为“文化产业”很大 [16:56] 但是作为“职业俱乐部软件市场” [16:59] 但没有想象中的那么大 [17:01] 这就是SciSports故事里面最重要的反转 [17:04] 所以Football Tech [17:05] 如果想要靠一个数据模型 [17:07] 一个球探评分、一个视频分析工具 [17:10] 很难支撑一家超级独角兽 [17:13] 但是如果它被整合进一个大平台上 [17:16] 成为“视频、数据、球探、训练、转播” [17:19] 链条的一部分 [17:20] 它依然有商业价值 [17:22] 到这里 似乎我们就找到答案了 [17:23] 真正的问题不是AI没用 [17:26] 而是足球俱乐部的软件预算太窄 [17:29] 销售周期太长 [17:30] 而且工作流太碎 [17:32] 让单点产品很难独立地长成巨头 [17:38] 虽然AI在提高球员成绩、提高球队质量上 [17:41] 暂时还不行 [17:42] 但是如果我们不单单说足球 [17:45] 而是说世界杯这样的体育赛事 [17:47] 技术含量确实是越来越高了 [17:49] 同时AI也在慢慢地改变观赛体验 [17:52] 最好的例子 [17:53] 就是最近葡萄牙对克罗地亚的这场淘汰赛了 [17:56] 在7月3号的 [17:57] 这场美加墨世界杯1/16决赛当中 [18:00] 视频助理裁判系统介入 [18:02] 发现克罗地亚球员越位 [18:04] 主裁判判定进球无效 [18:06] 这帮助葡萄牙队2比1逆转克罗地亚 [18:09] 而替裁判做出最终判决的 [18:12] 是一枚在比赛用球里配置的 [18:14] 500Hz惯性测量单元（IMU） [18:17] 实时追踪三维空间中的加速度和细微动作 [18:20] 这才捕捉到克罗地亚球员 [18:22] 马塔诺维奇的头部极其轻微地碰到了球 [18:26] 而这在之前没有IMU足球和VAR的时候 [18:30] 不可能被人类裁判捕捉到的 [18:35] 而就在决赛的前两天 [18:36] 我们飞了一趟迈阿密 [18:38] 走进了这届世界杯的“大脑” [18:40] 它藏在Coral Gables一条很安静的街道上 [18:44] 一栋外面没有任何标识的六层小楼 [18:46] 叫做赛事总部 [18:48] 48支球队、104场比赛、16座球场 [18:52] 加上北美600多个站点 [18:54] 除了转播之外的一切 [18:56] 都从这栋楼里面调度 [18:58] 而把FIFA技术指挥中心和赛事运营中心 [19:00] 共同搭起来的是联想 [19:02] 它也是国际足联历史上 [19:04] 第一个官方技术合作伙伴 [19:06] 1.7万台设备、350名工程师 [19:09] 分布在16座球场、广播中心和各队大本营 [19:13] 联想作为国际足联官方技术合作伙伴 [19:16] 在腾讯新闻寻梦之夜上 [19:18] 向我们披露了 [19:19] 许多AI和其他技术的创新应用 [19:21] 这包括了分析工具FIFA AI Pro [19:24] 在以往的世界杯比赛中 [19:26] FIFA经常向各国家队提供大量的赛后数据 [19:29] 这动辄五六十页的数据报告 [19:32] 结合大量的摄像机画面 [19:34] 一股地脑塞给教练和分析师去消化 [19:37] 这其实是挺大工作量的 [19:39] 而FIFA AI Pro为分析师们 [19:41] 提供了一个GenAI平台 [19:43] 仅仅用自然语言就可以操作 [19:45] 可以询问比如说 [19:47] “C罗在这场比赛中最活跃的位置” [19:49] 这样的问题 [19:50] 还有一点很酷的是 [19:51] FIFA AI Pro还可以辅助交互图表、视频 [19:55] 甚至用户也可以解锁比赛的3D视角 [19:58] 从球员的角度来观察赛场的情况 [20:01] 我们看到 今年世界杯在数据采集上 [20:03] 也是下了真血本了 [20:05] 16个比赛场地 [20:07] 每个场地架16台光学追踪摄像头 [20:10] 每秒扫29个点、采50次 [20:12] 再加上足球里面那颗 [20:14] 每秒采500次的传感器 [20:16] 一场比赛下来 [20:17] 能够攒下超过1.5亿个追踪数据点 [20:20] 对比一下 [20:21] 上届这套系统才采了60万个数据点 [20:25] 这回是直接翻了好几百倍 [20:27] 那么攒这么多数据干什么呢 [20:29] 主要是三件事 [20:31] 第一件事就是越位的判定更准了 [20:34] 现在只要球员越位超过10厘米 [20:37] 系统也足够确信 [20:38] 助理裁判的耳麦里面 [20:40] 就会直接响起音频提示 [20:42] 当场就能够举旗 [20:44] 而为了判得准 [20:45] 这届1248名球员 [20:47] 都在赛前做完了全身的3D扫描 [20:50] 等于人手一个虚拟分身 [20:52] 喂给越位系统当判罚依据 [20:54] 第二件事是专治那些 [20:56] “出没出界、过没过线”的世纪悬案 [20:58] 还记得上届日本对西班牙的那颗球吗 [21:01] 三笘薫在底线边上把球给捞回来了 [21:04] 肉眼去看怎么都像出界了 [21:06] 结果VAR磨了两分钟 [21:09] 认定球还有那么一丝压在线上 进球有效 [21:13] 德国也因此被淘汰回家 [21:15] 这种毫米级的生死判罚 [21:18] 现在有了整场比赛的实时3D重建 [21:21] 再配上球里的传感器锁定精确轨迹 [21:24] VAR就不用再靠几张模糊的截图来猜了 [21:28] 对于越位干扰也是一样的 [21:30] 球员到底有没有挡住门将的视线 [21:32] 3D视角一拉就一目了然 [21:35] 第三件事是给转播和观众的 [21:38] 转播画面里面你也能够看3D分身 [21:41] 部分转播伙伴还能够拿到这套数据 [21:43] 把精彩的镜头 [21:44] 甚至整场比赛做成3D版本重新呈现 [21:48] 此前 裁判随身佩戴的摄像机抖动很严重 [21:51] 没法用于转播 [21:52] 但今年 联想专门为跑动时的画面 [21:55] 做了稳定处理 [21:56] 测试中抖动减少了50%–70% [21:59] 并且通过“边缘计算+混合AI+多个针对性小模型”的架构 [22:04] 满足实时转播的低延迟要求 [22:07] 这届世界杯还有一些有趣的看点 [22:09] 比如说为了打击世界杯期间的犯罪活动 [22:12] 墨西哥是花了14.5万美元 [22:14] 是买了一堆的机器狗 [22:16] 协助警方对任何冲突现场进行初步干预 [22:20] 从而保护警官的人身安全 [22:24] 当我们说AI改变足球的时候 [22:25] 到底AI改变了足球这场比赛本身 [22:28] 还是整个的背后运营呢 [22:30] 世界杯期间 [22:31] 50天连轴转的 [22:32] 联想FIFA项目DWS负责人Myles Spittle [22:36] 在FIFA中心接受《硅谷101》的采访中 [22:38] 是这样说的 [22:39] 以半自动越位为例 [22:43] 它是在帮助裁判、消除人为失误 [22:48] 这有好有坏 [22:50] 作为一个足球纯粹主义者 [22:52] 我觉得人为失误 [22:53] 有时反而给比赛增添了戏剧性 [22:55] 但当赌注如此之高、边际如此之小时 [22:59] 你需要100%的准确 [23:01] 能不能检测到头发碰了球 [23:03] 可能就是进球与否、胜负之间的差别 [23:09] 我也看到它在幕后影响着比赛 [23:15] 让运营运转得更顺畅 [23:18] 让球队更高效 [23:20] 降低赛事期间出岔子的风险 [23:24] 所以 不得不说 [23:25] 世界杯正在变得更加技术、更加AI [23:28] 但是这样的尝试 [23:29] 还在非常非常早期的阶段 [23:31] 目前来说 技术的主要用途还是在判罚 [23:34] 比赛数据收集和观赛体验上 [23:36] 但是真正要让AI能提高人类足球成绩 [23:39] 甚至指导人们踢球还为时尚早 [23:43] 米卢对我说 [23:44] 在未来 一切皆有可能 [23:46] 甚至机器人也有可能代替人类踢球 [23:49] 以后我们也会有机器人或者AI世界杯 [23:52] 但是足球对于人类来说 [23:54] 是特别的 也是珍贵的 [23:56] 这里是人类创造奇迹的地方 [23:58] 也是充满惊喜、信念和泪水的地方 [24:01] 在人类面对AI“节节败退”的时候 [24:04] 也许足球会成为人类“最后的堡垒” [24:07] 也让我们在陷入“AI狂热”的时候 [24:10] 重新思考AI的边界究竟在哪里 [24:13] 以及 是的 你怎能不爱足球啊 [24:18] 以上就是我们这期视频的所有内容啦 [24:20] 很开心在墨西哥的一个活动上 [24:22] 能够见到米卢 [24:23] 大家很感激这位传奇教练 [24:26] 在24年前带给中国球迷的惊喜 [24:29] 也希望这样的惊喜可以再来一次 [24:32] 你们的点赞、转发和留言 [24:33] 是支持我们《硅谷101》 [24:34] 做好深度科技和商业内容的最佳动力 [24:36] 我是陈茜 [24:37] 那我们就下期视频再见啦 拜