最近一段时间,似乎人人都在讨论最新AI项目ChatGPT,反应或是兴奋、或是恐惧。事实上,ChatGPT已经成为一种文化现象,其网站目前正超负荷运转,甚至无法随时正常访问。整个使用体验如同打客服热线,对方会先留下你的电话号码,表示有空闲座席时会发出短信通知。
与此同时,AI技术也已经在影响各个行业,特别是给体育行业带来深远的、甚至是颠覆式的冲击。理由很简单:结果预测在体育运动中具有重大意义,在此之上作出的实时决策往往能够扭转战局。这种基于数据分析的预测思路并不新鲜,奥克兰运动家队及其总经理比利·比恩 (Billy Beane)所能调动的总薪资只有4400万美元,但却依靠数学计算与薪资总额高达1.25亿美元的洋基队等顶尖队伍打了个有来有回。布拉德·皮特出演的《点球成金》一片就是以此为原型。
《点球成金》的理论基础就是统计分析,例如重击率和上垒率。比恩认为这种预测方法要比传统的商业直觉更加稳定可靠。当时,奥克兰运动家队的老板卢·沃尔夫押下一笔重注,决定在比恩这套理论未经充分验证之时就给他个机会。沃尔夫坦言,“当时,人们觉得我这种让比恩靠统计数据、而非棒球专家做判断的行为完全是疯了。”
而时至今日,所有主要体育联盟都已经将AI引入自身运营体系,特别是球迷参与的各个层面。
NFL就借助亚马逊之力收集AI洞见。他们推出了一款包含7套AI模型的AI工具,可用于在传球之前预测本次决策的价值,进而评估四分卫的传球表现。NBA也将AI整合至参与工具当中,帮助球迷们在能够想到的几乎所有角度对球队表现做深入分析。
虽然ChatGPT目前还不涉及预测分析,但它的强大表现已经证明AI完全可以通过收集大量数据以输出高质量决策。这些决策可以与球员和比赛进程密切相关,同时给球探、教练和俱乐部经理等可能左右赛事结果的重要人物以支持和影响。
无论是该不该换人,还是开场首发抑或中后期登场,这些赛场上的传统难题都将在AI的分析之下迎刃而解。
在棒球比赛中,最重要的决策无疑就是替补何时上场、何时选择代打。同样的替补选择与上场时机问题也出现在篮球和足球赛场上。比赛的各个阶段都各有不同,每场比赛会生成海量统计数据。借助AI的力量,我们可以实时检查数百万个数据点,由此得出的结论自然要比比恩单凭重击率和基础百分比的粗糙预测可靠得多。如此一来,运动员是否首发、何时登场,甚至是整个职业生涯的预期表现和受伤几率,都将成为AI能够预测的一项指标。
但这样的发展趋势,也着实有些令人生畏。湖人队就是个好例子,他们正在努力为勒布朗·詹姆斯寻找合适的搭档。有了先进的AI,球队不必再依靠球探报告或者纯直觉,数据会直接给出适配度最高的人选。由此看来,职业经理人和球探恐怕都将被机器学习所淘汰。
教练恐怕也难以幸免。预测分析会提示队伍何时需要换人,当前的最优对抗策略是什么。想象一下,机器人教练将快速绘制出数据图表,在比赛结束之前就基本拿捏整个过程。可AI能跟詹姆斯这样的超级巨星和谐相处吗?如果运动员跟机器人观念不一致,比赛又该如何进行?
总有人觉得AI的全面普及必将造就一个反乌托邦的世界。我觉得不一定,毕竟一切都只是猜测。詹姆斯,这事你怎么看?
好文章,需要你的鼓励
这项来自麻省理工和滑铁卢大学的研究质疑了在AI文本排序中"思考过程"的必要性。研究者比较了三种文章重排模型:直接判断的StandardRR、先推理再判断的ReasonRR,以及禁用推理功能的ReasonRR-NoReason。实验结果表明,不仅推理过程没有提高排序质量,有时甚至会降低效果。主要原因是推理导致模型倾向于极端判断,难以表达"部分相关"这种微妙关系。即使应用"自洽性"等改进技术,简单直接的判断方式仍然更为高效有效。研究为信息检索系统设计提供了新视角:有时,少即是多。
TAGS是一种创新的医学问答框架,结合了泛医和专医两种视角,通过层次化检索和不确定性验证机制提升医学AI回答的准确性。该框架由穆罕默德·本·扎耶德人工智能大学等机构的研究团队开发,无需任何模型微调即可显著提升包括GPT-4o和DeepSeek-R1在内的大型语言模型在九个医学问答基准测试上的表现。TAGS通过模拟医疗专家协作、结构化知识检索和质量控制,解决了现有方法在复杂医学推理中的短板,为构建更可靠的医学AI系统提供了新思路。
这篇研究提出了时间抽象值学习(OTA)方法,解决离线目标条件强化学习中的长期规划问题。研究团队发现现有分层方法失败的关键在于高层策略无法生成合适子目标,原因是价值函数在长期规划中估计不准确。OTA通过"选项"概念实现时间抽象,有效缩短规划视野,使价值函数能提供更准确的优势信号。在复杂迷宫导航和视觉机器人操作任务中,OTA显著优于现有方法,证明了该方法在处理长期任务时的有效性。
这项研究探索了大语言模型内部可解释特征的形成过程,分析了它们在训练过程中(时间)、模型层级间(空间)和不同规模模型(尺度)的行为变化。研究团队使用稀疏自编码器技术,成功识别出特定语义概念在神经激活中出现的时间点和位置。研究结果显示,不同领域的知识概念在模型训练和规模扩展中存在明确的激活阈值,且在空间分析中发现了早期层特征会在后期层重新激活的现象,这挑战了对变换器模型表示动态的传统认知。