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
在基于Chiplet的架构中,可观测性正成为系统设计的关键缺失环节。多位半导体行业专家指出,AI可从硅层遥测数据中挖掘价值,但前提是架构须提供一致的检测手段、近传感器数据压缩及可编程采集能力。专家们强调,多供应商Chiplet生态系统需要标准化、安全的遥测模式,以实现跨芯片、封装和互联域的故障定位,同时保护敏感运营数据。目前,AI在遥测分析阶段已展现出显著价值,但可观测性的扩展本质上仍是架构问题。
这项研究系统比较了四种AI图像分词策略在640000张星系图像上的表现,发现重建质量与物理属性预测能力之间存在根本性解耦,为天文基础模型的分词器选择提供了实验依据。
生命科学企业在全渠道战略和AI平台上投入巨大,但成效往往不尽如人意。问题根源不在于技术本身,而在于组织架构、数据治理和工作方式未能同步演进。许多转型项目止步于试点阶段,原因是各部门数据孤立、职责不清。要实现从传统CRM向智能互动的真正转型,企业需优先建立统一的数据基础和跨团队协作机制,并将AI能力嵌入日常工作流程,而非将其视为独立模块。
阿里Qwen团队研究如何将大模型的规模化训练思路迁移到机器人操作领域,通过统一多机器人表示与38100小时数据预训练,让机器人在陌生场景和陌生机型上也能完成复杂操作任务。