如何把足球AI教成梅西?人类退后试试无监督学习(附论文)

他少年时的足球英雄是齐达内,而现在他认为梅西是历史上最好的足球运动员。与足球有关的事Le都能轻松应对,但有一件事除外:

为了做好这件事,Le和他在加州理工的同事们,不得不放弃教学控制权,从教电脑踢球的一线后退一步。换句话说就是:无教胜有教。

这个团队发表的研究表明,机器学习可以让计算机发现足球世界的真谛,而且想要让计算机学好,人类专家最好不要插手学习的过程。

所谓“无监督学习”正在取得实质性突破,并准备把AI带到未知且不可想象的领域。无监督学习不仅可以催生新的产品和创新,而且可以成为科学小说的基础。更重要的是,这将挑战我们何以为人的理念。

2013年,NBA多伦多猛龙队推出一套名为“鬼影”的训练系统。这套系统分析球员的数据,并在球队的防守体系中发现漏洞。当然,这套系统也被用来发现对手的防守漏洞。

当Le和他加州理工的团队第一次听到“鬼影”时,并不知道这套系统具体如何工作,但他们知道这套系统的分析,是基于猛龙队教练团队的专业洞察。

也就是说,“鬼影”虽然可以称为一个篮球AI,但这个AI的各种“思路”,仍然受限于人类教练实现制定好的策略。也就是说,永远无法创新。

而无监督机器学习的方法则要有趣得多。所谓无监督学习,就是机器基于数据发现模式的过程中,不需要人类的插手,不需要参考人类规则。但是长期以来,研究人员没有搞明白这一方法如何在实践中解决问题。

虽然这一方法困难且耗时,但无监督学习可能是人工智能实现自主创新的一条出路。

“我们做这件事的原始动力,是想看看AI能否直接从数据中学会足球”,Le说。幸运的是,加州理工与迪士尼有深入合作,这意味着Le的团队可以从ESPN获得大量的足球数据,然后基础这些数据设计一个机器学习系统。

在监督学习中,研究人员可以给数据打上不同的标签;而在无监督学习中,Le和他的同事们无法让机器明白场上不同位置的球员,分别对应怎样的“角色”,所以他们把研究分为两个类别:进攻和防守。

或者说,左后卫在场上应该出现在什么位置?这是一个简单,而又难以明确回答的问题。通过使用无监督学习的方法,Le和团队直接让AI通过观察和追踪原始数据,来分辨场上不同位置的球员。

尽管这种方法不能给出左后卫的概念,但AI能发现场上11个追踪点中,总有一些存在非常相似的对应关系,而且这些追踪点的相似性在于行动方式,而不是“类别”相同;而且这种学习还能发现不同位置之间的相互关联。

这意味着,基于给定的一堆数据,AI可以快速学习一个团队的进攻或者防守策略。

“如果你是一个教练,就能问AI:在同样的情况下,另一个球队会如何应对”,Le说无论是整体战略,还是每个球员位置等细节,教练都能得到答案。

同样,这套AI可以用来分析自己球队,或者对手的策略。比方在某次防守中,教练想考察不同球员的重要性,可以直接让AI模拟出结果。

以一场富勒姆对阵斯旺西的英超比赛为例,当时富勒姆(红色)正在发起进攻,斯旺西(蓝色)一方进行防守。在实际的比赛中,富勒姆将球打进斯旺西的球门。

上图中左边是实际的比赛情况,模型预测:斯旺西的失球概率为69.1%。中间的部分,是AI按照英超平均水平模仿出的防守走位(白色),模型预测:失球概率为71.8%。而右边是基于曼城的数据,AI模仿出的防守走位,这次失球概率降为41.7%。

“只要有良好的追踪数据,这套AI就可以扩展到其他运动,例如是像篮球、曲棍球等”,Le特别希望这套系统能被应用到猛龙队,也就是激发他们灵感的源头。

Google的AlphaGo也应用了类似的技术,所以AlphaGo时常能有人类棋手不曾想到的下法,震惊并且影响整个人类围棋世界,推动围棋向前发展。

这类学习技术可以产生强大的机器智能,例如探索火星的机器人站在一个黑暗的火山口时,可以自己决定对什么物质感兴区,并且收集起来后续研究。

在筛选足球数据的过程中,AI看到了团队阵型和个体位置之间的关系,深刻的理解了比赛的战术战略。这表明,现代的机器学习算法可以产生这样一个AI,并且这个AI能够对比赛本身产生全新的见解。

见识过机器对足球的洞悉之后,并没有减弱Le对于足球的热爱。当然他认为人类足球队的教练方式,可能会发生从未有过的改变。

好啦,足球的故事讲到这里。想不想看看上面提到这个足球AI的论文?在量子位微信公众号(ID:QbitAI)对话界面,回复“足球AI”几个字,就可以得到。

我们正在招募编辑记者、运营等岗位,工作地点在北京中关村,期待你的到来,一起体验人工智能的风起云涌。

今天AI界还有哪些事值得关注?在量子位(QbitAI)公众号会话界面回复“今天”,看我们全网搜罗的AI行业和研究动态。笔芯~

另外,欢迎加量子位小助手的微信:qbitbot,如果你研究或者从事AI领域,小助手会把你带入量子位的交流群里。