2001年,Yaya Touré第一次踏上欧洲这片土地。他之所以能够前来,靠的是ASEC米莫萨青年队和贝弗伦皇家体育足球俱乐部的引荐。他是从科特迪瓦俱乐部转投贝弗伦的几位球员之一。但为了控制天才少年的物色成本,之前除非是被阿森纳等顶尖俱乐部看中的球员,否则非洲的年轻人们几乎没有机会顺利进军欧洲。

但时间快进到2023年,如今欧洲任何一家俱乐部都可以考察ASEC米莫萨青年队的选手们,而且成本甚至比一张非、欧往返机票还低。
各俱乐部现在不需要飞来飞去现场观看年轻人们的比赛,只要在笔记本电脑上观看赛事视频即可。
让这一切成为现实的,是一套名叫Eyeball的系统。它已经帮助AC米兰、法国里尔以及本菲卡等球队招募到150多名青年球员。Eyeball系统总监David Hicks表示,以往ASEC莫里萨每个月只能接触一次欧洲球队;但在新系统的支持下,现在他们每月会接到30到40通咨询球员情况的电话。球探们也不必亲自前往,他们直接表示“我们观察这名选手已经有几个月了,很喜欢他的状态,希望能了解更多详细情况。”在确定值得跟进之后,对方才会亲自拜访或者邀请该选手到欧洲试训。
Eyeball系统会在球场上方布设一台高分辨率摄像机,借此为比赛生成180度视图,再将素材交给AI软件进行分析。该软件会跟踪每一位球员,为他们的行动和在各项技战术中的表现建立类似于OPTA直播中的单独数据统计。
之后,球探可以使用该系统搜索自己最关注的关键属性,例如年龄、身高或奔跑速度,并观看选手最近的比赛。他们还可以找到该球员由谁负责管理,确定要怎么跟进和协商。在西非,有25家高校都加入到了Eyeball系统当中。因此各俱乐部可以随时查看比赛的完整数据,帮助身在利物浦或曼彻斯特的球探确定值得接触的种子目标。
之后,球探会认真观看所有比赛。如果选手与预期不符,他们也没必要浪费自己的时间和机票成本。
这也意味着,从非洲青年队签下年轻球员用不着再当面接触。贝弗伦及英超各顶级联赛球队都掌握着可观的招人预算,完全可以用同样的钱发挥更大的作用。Hicks称,这是一种“革命性”的人才筛选变化。
Eyeball系统已经在法国等多个国家/地区得到实际应用,记录下各地及国家联赛中的所有青年球队,也允许其他队伍物色那些尚未加入院校球队的青年球员。如今,这套系统已经将专业足球俱乐部和顶级青年联赛全部纳入关注范围。
以冰岛为例,这里的欧洲大陆冠军联赛球队就利用Eyeball找到了一名顶尖青年球员,成功在现场球探之外“捡了漏”。
英国也从Eyeball系统中受益匪浅。由于已经脱欧,英国各球队无法轻松签下欧洲其他国家的青年球员。
Hicks表示,着眼于英国国内,各专业俱乐部跟青年球员间缺乏有效的了解通道。而Eyeball系统能帮助种子选手们更容易获得俱乐部的关注。在经历一系列充满遗憾的错过之后,如今所有青年队比赛的情况都被纳入一套易于搜索的数据库当中,可帮助职业俱乐部决定是否要与竞争对手争夺某位特定人选。
目前Eyeball已经在北爱尔兰上线,而且将很快登陆苏格兰。在脱欧之后,英国各俱乐部明显乐于从这两个地区搜寻有潜力的球员。
除了改善球员遴选效果外,这类新技术还能帮助青年队提高自己的招人标准。例如,在科特迪瓦,Eyeball系统就帮助改善训练和指导课程,让年轻选手们尽快适应这种对个人能力的量化分析。实际上,这类量化分析工具在欧洲顶级俱乐部早已全面落地。
Hicks表示,未来人们可以更轻松地跨不同联赛进行球员能力比较。也许到那个时候,不同国家/地区的俱乐部也能有针对性地发现自己的团队短板,并精准锁定世界另一端某位才华横溢的青年球员。
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。