喜爱足球的人都知道，最好的足球运动员不一定是那些身体技能最佳的人。因为在足球比赛中，成功与失败之间的区别往往在于是否能够在场上瞬间作出正确的决策，比如如何跑位、何时铲球、传球或射门。那么，足球俱乐部应该如何根据每位球员的特点进行有针对性地训练呢?
众所周知，训练球员、制定赛前战术、赛后对技战术进行复盘等都是足球教练的本职工作。然而，随着科技的发展，人工智能跨界进军绿茵场，代替人类执教球队将成为可能。
最近，英国拉夫堡大学的研究人员正与切尔西足球俱乐部合作开发一套系统，利用人工智能来衡量这些决策技能。研究人员通过分析几个赛季的数据来追踪每一场比赛中球员和球的位置，并开发出不同位置球员的计算机模型。计算机模型提供了一个基准来比较不同球员的表现。这样研究人员就可以独立于其他球员的行为来详细分析并衡量单个球员的表现。然后，再根据球员在不同情况下作出的决策，来具化赛事可能发生的情况。
在球赛中，足球评论员总是批评球员的行为，认为他们采取的战略战术不对，应该采取其他战术。但是毕竟没有任何真正的方法可以验证其所提出的建议是否正确。不过，这个计算机模型可以显示出这些建议的现实可能性。
如果一个足球评论员认为，比赛中的某个球员应该运带球而不是传球，那么计算机模型系统就会考虑替代方案产生的结果，比如考虑球员当时在比赛中的疲惫程度等因素，来检验足球评论员的建议是否正确。研究人员希望足球教练和球员能够利用这个系统帮助其在赛后反省自己的行为，从错误中汲取教训，并随着时间的推移逐步提高他们的决策能力。
模拟决策
当然，衡量这些技能是极其困难的。
首先，人类无法跟踪比赛期间发生的所有事件。其次，很难将一个球员的行为与其他球员的行为割裂开来看待。比方说，如果一个球员传球，几秒钟后球队失去了控球权，那么究竟是这个球员在错误的时间把球传给了错误的人，还是其他人的错呢？
为了解决这个问题，拉夫堡大学的研究人员使用人工智能的一个特殊分支技术，即模仿学习。这项技术是可以通过分析大量的历史数据来学习行为（如足球运动员在场上的行为）的计算机模型。简单地说，计算机模型学习模仿人类专家。
人工智能中的大多数决策系统都是基于强化学习的，比如那些用于棋盘游戏的系统。这是计算机通过反复试验各种动作来学习作出决定，直到系统反馈认为它做出了正确的事情，这就好像我们通过给予奖励来训练狗做某件事一样。但大多数现实世界的场景中并没有像棋盘游戏中的胜利那样的特定奖励。
另一方面，模仿学习通过观察专家如何执行一项任务，并尝试着模仿专家来理解其潜在的决策策略。但是，为足球教练（球员）建模是非常困难的，因为他们使用高超的球技作出的决策是很难在计算机上编程的，例如选择要注意什么，选择正确的处理球的方式以及预测其他球员接下来的行为。
因此，为了使计算机模型切合实际，其所基于的历史数据需要尽可能地反映现实世界。它不仅仅要显示球员如何跑位，还要记录他们的疲惫程度以及比赛情势。例如，球员是想进攻还是想防守，甚至是想赢还是想输。（因为在某些比赛中，一支球队可能选择要输掉一场比赛，是为了让自己在下一轮的位置中处于优势，能轻松地应战。)
改变赛后分析
如今，研究人员已经建立了一套系统，可以创建球员之间、球员与球之间相互运动关系的模型，从而用来分析研究球员的表现。
目前，他们正计划通过添加球员的身体姿势、心率（用来展现其疲劳程度）和比赛条件等细节来使模型更加逼真。随后，他们还要开发一套系统来衡量现有球员的技能，并希望在两年内使该系统功能齐全。
在研究人员看来，这将是球员和教练在分析比赛的方式上的一个阶段性改变，尤其是赛后分析的一大改变。球员能够通过看到自己的行为如何对赛事产生影响，来帮助自己进行更多的反思。球探和足球俱乐部也将能够利用这些重要决策技能的数据来选择球员，并识别人才。
诚然，将人工智能从受控的棋盘游戏式环境中扩展到复杂的现实世界的应用程序中仍是一个巨大的挑战。但是，人类非常善于适应复杂多变的环境，并在这种情境下作出决策。因此，通过学习模仿人类决策，人工智能将能够应对身处各种陌生环境中的人们所面对的问题。■