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
IBM Spyre加速器将于本月晚些时候正式推出,为z17大型机、LinuxONE 5和Power11系统等企业级硬件的AI能力提供显著提升。该加速器基于定制芯片的PCIe卡,配备32个独立加速器核心,专为处理AI工作负载需求而设计。系统最多可配置48张Spyre卡,支持多模型AI处理,包括生成式AI和大语言模型,主要应用于金融交易欺诈检测等关键业务场景。
加拿大女王大学研究团队首次对开源AI生态系统进行端到端许可证合规审计,发现35.5%的AI模型在集成到应用时存在许可证违规。他们开发的LicenseRec系统能自动检测冲突并修复86.4%的违规问题,揭示了AI供应链中系统性的"许可证漂移"现象及其法律风险。
意大利初创公司Ganiga开发了AI驱动的智能垃圾分拣机器人Hoooly,能自动识别并分类垃圾和可回收物。该公司产品包括机器人垃圾桶、智能盖子和废物追踪软件,旨在解决全球塑料回收率不足10%的问题。2024年公司收入50万美元,已向谷歌和多个机场销售超120台设备,计划融资300万美元并拓展美国市场。
这项由剑桥大学、清华大学和伊利诺伊大学合作的研究首次将扩散大语言模型引入语音识别领域,开发出Whisper-LLaDA系统。该系统具备双向理解能力,能够同时考虑语音的前后文信息,在LibriSpeech数据集上实现了12.3%的错误率相对改进,同时在大多数配置下提供了更快的推理速度,为语音识别技术开辟了新的发展方向。