本文來自AI新媒體量子位（QbitAI）
Hoang Le從小就是足球迷。
他少年時的足球英雄是齊達内，而現在他認為梅西是曆史上最好的足球運動員。與足球有關的事Le都能輕松應對，但有一件事除外：
如何教會電腦優雅的踢球？
為了做好這件事，Le和他在加州理工的同僚們，不得不放棄教學控制權，從教電腦踢球的一線後退一步。換句話說就是：無教勝有教。
這個團隊發表的研究表明，機器學習可以讓計算機發現足球世界的真谛，而且想要讓計算機學好，人類專家最好不要插手學習的過程。
所謂“無監督學習”正在取得實質性突破，并準備把AI帶到未知且不可想象的領域。無監督學習不僅可以催生新的産品和創新，而且可以成為科學小說的基礎。更重要的是，這将挑戰我們何以為人的理念。
這個突破從足球之外開始。
2013年，NBA多倫多猛龍隊推出一套名為“鬼影”的訓練系統。這套系統分析球員的資料，并在球隊的防守體系中發現漏洞。當然，這套系統也被用來發現對手的防守漏洞。
當Le和他加州理工的團隊第一次聽到“鬼影”時，并不知道這套系統具體如何工作，但他們知道這套系統的分析，是基于猛龍隊教練團隊的專業洞察。
也就是說，“鬼影”雖然可以稱為一個籃球AI，但這個AI的各種“思路”，仍然受限于人類教練實作制定好的政策。也就是說，永遠無法創新。
在機器學習領域，Le和他的團隊知道使用監督機器學習算法的局限性。
而無監督機器學習的方法則要有趣得多。所謂無監督學習，就是機器基于資料發現模式的過程中，不需要人類的插手，不需要參考人類規則。但是長期以來，研究人員沒有搞明白這一方法如何在實踐中解決問題。
雖然這一方法困難且耗時，但無監督學習可能是人工智能實作自主創新的一條出路。
“我們做這件事的原始動力，是想看看AI能否直接從資料中學會足球”，Le說。幸運的是，加州理工與迪士尼有深入合作，這意味着Le的團隊可以從ESPN獲得大量的足球資料，然後基礎這些資料設計一個機器學習系統。
在監督學習中，研究人員可以給資料打上不同的标簽；而在無監督學習中，Le和他的同僚們無法讓機器明白場上不同位置的球員，分别對應怎樣的“角色”，是以他們把研究分為兩個類别：進攻和防守。
那麼，怎樣才算左後衛？
或者說，左後衛在場上應該出現在什麼位置？這是一個簡單，而又難以明确回答的問題。通過使用無監督學習的方法，Le和團隊直接讓AI通過觀察和追蹤原始資料，來分辨場上不同位置的球員。
盡管這種方法不能給出左後衛的概念，但AI能發現場上11個追蹤點中，總有一些存在非常相似的對應關系，而且這些追蹤點的相似性在于行動方式，而不是“類别”相同；而且這種學習還能發現不同位置之間的互相關聯。
這意味着，基于給定的一堆資料，AI可以快速學習一個團隊的進攻或者防守政策。
“如果你是一個教練，就能問AI：在同樣的情況下，另一個球隊會如何應對”，Le說無論是整體戰略，還是每個球員位置等細節，教練都能得到答案。
同樣，這套AI可以用來分析自己球隊，或者對手的政策。比方在某次防守中，教練想考察不同球員的重要性，可以直接讓AI模拟出結果。
以一場富勒姆對陣斯旺西的英超比賽為例，當時富勒姆(紅色)正在發起進攻，斯旺西(藍色)一方進行防守。在實際的比賽中，富勒姆将球打進斯旺西的球門。
我們從防守的角度來進行分析：斯旺西還有多少改進空間？
來看看人工智能的答案。
上圖中左邊是實際的比賽情況，模型預測：斯旺西的失球機率為69.1%。中間的部分，是AI按照英超平均水準模仿出的防守走位(白色)，模型預測：失球機率為71.8%。而右邊是基于曼城的資料，AI模仿出的防守走位，這次失球機率降為41.7%。
這個過程用下面的動圖可以更清晰的展示出來：
“隻要有良好的追蹤資料，這套AI就可以擴充到其他運動，例如是像籃球、曲棍球等”，Le特别希望這套系統能被應用到猛龍隊，也就是激發他們靈感的源頭。
當然，無監督學習的應用，遠遠不限于足球領域。
Google的AlphaGo也應用了類似的技術，是以AlphaGo時常能有人類棋手不曾想到的下法，震驚并且影響整個人類圍棋世界，推動圍棋向前發展。
這類學習技術可以産生強大的機器智能，例如探索火星的機器人站在一個黑暗的火山口時，可以自己決定對什麼物質感興區，并且收集起來後續研究。
不依靠人類的先入之見，AI自行深刻的了解了遊戲。
在篩選足球資料的過程中，AI看到了團隊陣型和個體位置之間的關系，深刻的了解了比賽的戰術戰略。這表明，現代的機器學習算法可以産生這樣一個AI，并且這個AI能夠對比賽本身産生全新的見解。
見識過機器對足球的洞悉之後，并沒有減弱Le對于足球的熱愛。當然他認為人類足球隊的教練方式，可能會發生從未有過的改變。
“這是一個非常激動人心的時刻”，他說：
“你覺得，AI下一步會幹什麼？”
好啦，足球的故事講到這裡。想不想看看上面提到這個足球AI的論文？在量子位微信公衆号(ID：QbitAI)對話界面，回複“足球AI”幾個字，就可以得到。
△ 論文截圖
以前量子位也有過幾篇運動與AI的報道，這裡推薦一下：
另外，明天就是周一了。不上班~
本文作者：若樸
原文釋出時間：2017-04-30