人工智能已经从根本上改变了医疗行业，它也很可能永远改变运输和国防等行业。同时，AI 也为体育领域带来了诸多变革。
以棒球为例，如今运动员们都会佩戴传感器将详细数据传输到数据中心，用于分析每一次挥棒或球员在场上的其他动作。外野中即便是一片树叶的晃动，AI 也能捕捉到。
让我们看看另一项运动：花样滑冰。这项运动也有其独特的精细之处。在这里，AI 数据系统的主要用途不是分析运动员多年的职业生涯数据，而是为了公平地评判表现。
评分系统
在一场关于 AI 在花样滑冰中应用的 TED 演讲中，Amelie Chan 提到了"总技术分"这样的评分指标，以及技术小组和评判小组如何协作给出成绩。
"听起来很简单，对吧？"Chan 反问道，随后她指出了一些观众在家看比赛时可能想不到的复杂性。
首先，裁判必须考虑花样滑冰表演中出现的小失误和停顿。
"冰面往往比较滑，"Chan 说道。
其次，还要考虑人性因素。
"这项运动有时会受到政治因素影响，"她说。"人为偏见始终存在。作为滑冰运动员，我们尽最大努力表现，但最终结果取决于裁判组。…… (某个花样滑冰论坛上) 最热门的帖子就是对评分系统的强烈抱怨。"
对每位滑冰运动员的测量需要高度的同步性，要关注身体线条和腿部角度等因素。
Chan 设想开发一个"Synchrobot"，能够对每位舞者进行一致且公平的分析。
个人与团队
在讨论建立 AI 分析系统基准的挑战时，Chan 指出在线视频数量有限，可能存在数据稀缺问题。此外，数据可能需要手动标注。
她表示，这需要使用卷积神经网络 (CNN)，这是早期计算机视觉深度学习中发展出的基础网络类型之一。
通过低、中、高层次以及滤波器和填充等技术，程序可以定义特征和边缘，提供 Chan 所说的"图像的层次表示"。
"它能自主学习最有效的特征检测滤波器，无需明确指出要寻找什么，"她谈到 CNN 的能力时说。
Chan 介绍了一系列可以应对这些挑战的验证和其他工具。
"我们可以使用 CNN 检测画面中的滑冰运动员，创建边界框，"她说。"然后，通过姿态估计和计算，我们可以帮助查看技术标准，例如，测量向量并计算运动员双腿之间的角度，或检测运动员的脚是否高于头部。"
还可以进行其他群体分析。
"这也可以用来指出同步性，"她解释道。"它可以向裁判建议同步时刻，如果运动员肢体角度都是平行向量，那么他们一定是匹配的。然而，当运动员处于不常见的姿势时，用普通姿态估计数据集训练的 CNN 最终会失效，这就是为什么我们可以通过使用 CMU 和 Facebook AI 研究人员开发的 shuffle and learn 方法来预训练 CNN。这是一个序列验证任务，使模型能够以无监督方式学习并获得有意义的结果。"
这些工具能否减少人为偏见？它们还能做什么？
"通过这个序列验证过程，模型可以专门针对花样滑冰的姿态估计获得敏感性和直觉。通过使用深度学习观察个人和团队，我们可以在自动化评分方面向前迈进，减少人为偏见，为花样滑冰的公平性做出贡献，但显然可能性是无限的。如果公平对我们来说意味着使用可获得的资源，这很容易被调整用于教练指导和自我反馈。"
Chan 认为，这一切都将改进花样滑冰动作和表演的评分。
"我们需要思考自己想用它做什么，以及我们希望在世界上看到什么样的改变，"她在结束时说道。
实际影响
想象一下十二名（或可能十六名）男女运动员，以精致优雅的队形和组合，随着共同的节奏同步移动。
现在设想机器能够识别精确的腿部角度和身体姿势，为赛场带来数据驱动的评分。
这就是新技术将在体育界产生的惊人影响，不仅仅是在滑冰领域，在其他运动中也是如此。因此，在迈入 2025 年之际，我们才刚刚开始看到这些有趣的技术对我们世界的影响。
