球探最糟糕的噩梦莫过于花了半天时间驾车去观看别人推荐的足员,却发现球员水平远低于所需的标准,但人工智能很快将可以让球探们无需再舟车劳顿。
从本赛季开始,包括切尔西(Chelsea)、诺丁汉森林(Nottingham Forest)和奥林匹亚科斯在内的几家足球俱乐部将开始使用一款名为AiSCOUT的移动应用程序帮助他们寻找新球员。
AiSCOUT可为球探们提供足球运动员的运动能力、认知能力和技术能力的数据,球探们因此能够更精准地搜索。球员自己上传根据俱乐部设定的练习动作视频。这些练习动作是俱乐部现役球员要做的,所以可作为基准判断被甄选球员的水平。
AiSCOUT的首席运营官和体育科学主管Richard Felton表示,在过去,切尔西经常收到比赛录像,但如果不知道球员所面对的对手的水平,这些录像基本上没有用。而对比切尔西现役球员进行基准测试,俱乐部就可以知道应用程序上的球员是否值得更仔细地看看。
Felton表示,职业球员数百万英镑的签约价格基于许多的数据,但这些数据却只有在球员已经成了职业球员时才被收集。AiSCOUT应用程序将有助于为球探们提供业余球员的数据,如此球探们就可以找到目前系统遗漏的任何人。
AiSCOUT应用程序上的练习动作范围包括运球速度、注意力的测量、反应时间的认知测试等等。球员只需要一部智能手机、一个足球、一些可以用作标记的东西以及一个可以进行练习的场地就可以完成这些练习动作。Felton表示,AiSCOUT已经在各种手机上进行过测试,可以针对不同的场地表面进行调整,例如在光滑的人工草皮或沙地上运球。
使用AiSCOUT应用程序的俱乐部可以准确地敲定他们要找的特质,例如,切尔西在甄选过程的早期阶段专注于力量和速度。缺乏这些特质的球员永远不会成为切尔西的球员,但也许他们的其他特质使得他们很适合其他俱乐部。
AiSCOUT除了作为一个预筛工具外还可以帮助球探找到他们可能错过的任何球员。
AiSCOUT在早期的测试中曾发掘过一个名为Ben Greenwood的球员,切尔西后来邀请他进行了一天的试用。最后他在切尔西呆了十周。他目前在Bournemouth跟一号队一起踢球,曾代表青年爱尔兰队上过场。
Greenwood的家离切尔西的训练场只有几英里远,但在使用AiSCOUT之前,他从未被切尔西或任何其他职业俱乐部关注过。
切尔西有那么多有才华的年轻人,俱乐部可能不需要太多的帮助就可以找到新球员。人工智能真正有用的地方是帮助那些没有相同球探资源的球队找新球员。
例如一些小型国际球队,加勒比岛国球队参加过CONCACAF比赛,该球队在世界各地有很多人有资格为他们效力,但却没有球探资源去找到这些球员。甚至智利Blackburn Rovers的前锋Ben Brereton Diaz据说也是在球迷通过《足球经理》电脑游戏发现了他的智利血统后才找到的。
这一类的国家队就可以利用AiSCOUT这个应用程序寻找潜在的新球员并邀请他们参加训练营。在世界各地有数以百万计的有天赋的年轻人,他们没有参加过足球比赛,但可能拥有在比赛中取得成功的所有特质。如果人工智能可以到这些球探自己永远不会看的地方去挖掘,谁知道可以找到什么样的人才呢。
在许多足球电影中都可以看到用烂了的桥段,一名球员匆匆离开某个重要场合赶往比赛现场,就为了让曼联球探看到自己。假若诸如AiSCOUT一类的人工智能得到广泛使用,那么该球员早就已经在俱乐部的雷达上了,还可能已经被邀请过来进行试用过了。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。