TacticGen：當(dāng)AI開始「生成」足球戰(zhàn)術(shù)軌跡

TacticGen想做的，不只是“看懂一段比賽”，而是“生成一套可供比較的戰(zhàn)術(shù)跑位方案”。

過去的足球 AI 更擅長(zhǎng)回答一個(gè)問題：這球接下來大概率會(huì)怎么發(fā)展？ 例如誰更可能接球、一次進(jìn)攻是否會(huì)形成射門、球員接下來會(huì)怎么跑。

但真正走進(jìn)教練組的工作流，會(huì)發(fā)現(xiàn)他們關(guān)心的往往不只是“預(yù)測(cè)結(jié)果”，而是另一個(gè)更主動(dòng)的問題：如果我們希望拉開寬度、加強(qiáng)前場(chǎng)壓迫、占領(lǐng)肋部空間，球員接下來應(yīng)該怎么跑？

這正是香港中文大學(xué)（深圳）劉桂良教授團(tuán)隊(duì)聯(lián)合Real Analytics、伯明翰城足球俱樂部、利物浦大學(xué)、西蒙菲莎大學(xué)以及中山大學(xué)提出的 TacticGen 想要解決的問題。

更直白一點(diǎn)說，TacticGen想做的，不只是“看懂一段比賽”，而是“生成一套可供比較的戰(zhàn)術(shù)跑位方案”。

項(xiàng)目鏈接：https://shengxu.net/TacticGen/

第一作者：徐圣，香港中文大學(xué)（深圳）博士生，研究方向?yàn)閺?qiáng)化學(xué)習(xí)及其在具身智能、體育分析的應(yīng)用，曾在 ICLR，ICML，NeurIPS 等頂級(jí)會(huì)議以第一作者發(fā)表論文。

通訊作者：劉桂良，香港中文大學(xué)（深圳）助理教授，研究主要聚焦于具身智能決策與強(qiáng)化學(xué)習(xí)。在包括NeurIPS、ICML、ICLR在內(nèi)的國際機(jī)器學(xué)習(xí)頂級(jí)學(xué)術(shù)會(huì)議和期刊上發(fā)表論文30余篇，擔(dān)任NeurIPS、ICLR領(lǐng)域主席。

01

這篇論文到底在解決什么問題？

過去幾年，足球 AI 已經(jīng)能比較穩(wěn)定地處理軌跡預(yù)測(cè)任務(wù)：給定過去一小段時(shí)間的場(chǎng)上狀態(tài)，預(yù)測(cè)接下來幾秒球員和皮球會(huì)如何移動(dòng)。

但真正的戰(zhàn)術(shù)分析，往往不止于“接下來大概率會(huì)發(fā)生什么”，還會(huì)追問：

如果邊鋒拉得更開一點(diǎn)，會(huì)不會(huì)把對(duì)手邊后衛(wèi)和中衛(wèi)之間的間距撕出來？

如果中場(chǎng)在球側(cè)形成更好的接應(yīng)三角，持球人會(huì)不會(huì)多一個(gè)向前傳遞線路？

如果防守方更快形成向球側(cè)收縮，是否能更早封鎖肋部和中路通道？

TacticGen 正是把這個(gè)問題向前推進(jìn)了一步。它把戰(zhàn)術(shù)理解為一段目標(biāo)驅(qū)動(dòng)的多智能體未來軌跡：輸入當(dāng)前比賽上下文，給定一個(gè)戰(zhàn)術(shù)目標(biāo)，生成滿足該目標(biāo)的后續(xù)跑位方案。也就是說，它不是只復(fù)現(xiàn)真實(shí)比賽里已經(jīng)發(fā)生的移動(dòng)，而是可以圍繞明確的戰(zhàn)術(shù)目標(biāo)，生成“另一種可能更優(yōu)的跑法”。

這讓足球 AI 的角色發(fā)生了變化。它不再只是賽后分析復(fù)盤工具，而開始接近一個(gè)可交互的戰(zhàn)術(shù)反事實(shí)推演系統(tǒng)。

圖1｜研究動(dòng)機(jī)：從“軌跡預(yù)測(cè)”走向“目標(biāo)驅(qū)動(dòng)的戰(zhàn)術(shù)軌跡生成”

這張圖其實(shí)把整篇論文的立意講得很清楚。

左上部分代表傳統(tǒng)方法，重點(diǎn)是估計(jì)“比賽接下來會(huì)怎么發(fā)展”；右上部分則轉(zhuǎn)向generative football tactic design，開始回答“圍繞某個(gè)戰(zhàn)術(shù)目標(biāo)，球隊(duì)接下來應(yīng)該怎么跑”。圖里給出的Stretch Play、Zone 14、Deep Defending和Press Carrier，本質(zhì)上都在說明一件事：模型處理的不是抽象標(biāo)簽，而是可以被明確引導(dǎo)的攻防跑位目標(biāo)。

中間和下方則進(jìn)一步概括了這篇論文的關(guān)鍵詞：給定場(chǎng)景條件+用戶目標(biāo)，生成可控的多智能體軌跡，并同時(shí)強(qiáng)調(diào)Accuracy、Adaptability、Scalability和Utility。換句話說，這篇工作不只關(guān)心“像不像”，還關(guān)心“能不能被引導(dǎo)”“能不能隨著模型和數(shù)據(jù)規(guī)模繼續(xù)提升”，以及“對(duì)真實(shí)戰(zhàn)術(shù)決策有沒有用”。

02

TacticGen 是怎么做的？

從任務(wù)定義上看，TacticGen 始終圍繞“未來軌跡”展開。

輸入端，模型接收的是比賽上下文，包括球和 22 名球員的一段歷史軌跡、事件類型、時(shí)間信息、比分信息，以及其他反映局勢(shì)的條件；

輸出端，模型要么預(yù)測(cè)后續(xù)的球員與足球軌跡，要么在給定目標(biāo)約束下生成新的球員協(xié)同移動(dòng)軌跡。

論文里給了兩個(gè)實(shí)際工作模式。

TacticGen-Predictive 更接近短時(shí)窗軌跡預(yù)測(cè)：根據(jù)最近的場(chǎng)上觀測(cè)，預(yù)測(cè)接下來一段時(shí)間的真實(shí)發(fā)展，用于軌跡建模和基準(zhǔn)評(píng)測(cè)。

TacticGen-Conditional 則更接近戰(zhàn)術(shù)生成：當(dāng)皮球未來線路被給定或較強(qiáng)約束時(shí)，模型圍繞這條球路去生成更可控的球員移動(dòng)方案。這個(gè)設(shè)定尤其適合 what-if 式的戰(zhàn)術(shù)推演，因?yàn)榉治鰩熁蚪叹毥M往往會(huì)先鎖定一個(gè)傳球或推進(jìn)意圖，再去討論無球隊(duì)員怎樣跑位最合理。

圖2｜整體框架：一個(gè)能被目標(biāo)引導(dǎo)的多智能體擴(kuò)散生成器

這張圖可以分成“訓(xùn)練”和“推理”兩部分來看。

上半部分是基于 Diffusion 的訓(xùn)練階段：模型從帶噪的未來軌跡中學(xué)習(xí)還原真實(shí)軌跡，而且不是逐個(gè)球員孤立建模，而是把球和 22 名球員放進(jìn)同一個(gè)多智能體框架里聯(lián)合學(xué)習(xí)。

下半部分是推理階段，也是它最像“戰(zhàn)術(shù)工具”的地方：同一個(gè)生成器可以在不重訓(xùn)的情況下，被規(guī)則、自然語言或價(jià)值模型引導(dǎo)，生成服務(wù)于不同戰(zhàn)術(shù)目標(biāo)的軌跡方案。

03

數(shù)據(jù)集為什么值得強(qiáng)調(diào)？

這篇工作很重要的一點(diǎn)，是它不是靠少量數(shù)據(jù)集和 demo 支撐起來的。

論文背后使用的是一個(gè)大規(guī)模、對(duì)齊后的足球數(shù)據(jù)集，覆蓋2018到 2025年的 1,432場(chǎng)比賽，包含3,374,599個(gè)對(duì)齊后的事件，以及97,760,895個(gè)處理后的 tracking frames。

這套數(shù)據(jù)把兩類關(guān)鍵數(shù)據(jù)對(duì)齊在一起：一類是類似 Opta 風(fēng)格的 analyst-annotated event logs，也就是人工標(biāo)注的比賽事件流；另一類是 full-pitch optical tracking，也就是整片球場(chǎng)范圍內(nèi)對(duì)皮球和全部球員位置的連續(xù)跟蹤數(shù)據(jù)。

論文把事件流和 tracking 流連接成統(tǒng)一的訓(xùn)練樣本。這樣，模型看到的就不只是“某個(gè)時(shí)刻誰在什么位置”，而是“某個(gè)戰(zhàn)術(shù)事件發(fā)生時(shí)，前后這一整段局勢(shì)是如何演化的”。

從聯(lián)賽覆蓋看，數(shù)據(jù)主體來自高水平職業(yè)賽事，其中包括：英超、英冠、MLS、荷甲等多個(gè)聯(lián)賽。

為了讓建模更穩(wěn)定，tracking 數(shù)據(jù)坐標(biāo)統(tǒng)一映射到 105×68 米標(biāo)準(zhǔn)球場(chǎng)，并把進(jìn)攻方向標(biāo)準(zhǔn)化為統(tǒng)一朝右。對(duì)機(jī)器學(xué)習(xí)來說，這一步很關(guān)鍵，因?yàn)樗巡煌荣悺⒉煌瑘?chǎng)地、不同鏡頭體系下的數(shù)據(jù)，整理成了可比較、可學(xué)習(xí)的統(tǒng)一戰(zhàn)術(shù)坐標(biāo)系。

04

真正讓人眼前一亮的，

是它可以被“戰(zhàn)術(shù)意圖”直接引導(dǎo)

很多生成模型的強(qiáng)項(xiàng)，是生成與真實(shí)數(shù)據(jù)分布相似的結(jié)果。但 TacticGen 更進(jìn)一步，它追求的不是單純“生成得像”，而是“圍繞明確戰(zhàn)術(shù)目標(biāo)生成得有用”。

更關(guān)鍵的是，這種能力并不是靠在訓(xùn)練階段額外注入戰(zhàn)術(shù)條件來實(shí)現(xiàn)的。因?yàn)檫@類做法在推理時(shí)往往只能處理有限的條件，本質(zhì)上仍然是在已有數(shù)據(jù)分布內(nèi)做條件擬合。TacticGen 采用的是 test-time guidance：在推理階段直接把生成軌跡朝目標(biāo)方向引導(dǎo)，因此同一個(gè)預(yù)訓(xùn)練生成器就能靈活服務(wù)于不同戰(zhàn)術(shù)意圖。論文給出了三種具體的引導(dǎo)方式。

▎規(guī)則引導(dǎo)：把戰(zhàn)術(shù)原則轉(zhuǎn)成可執(zhí)行跑位

第一種是規(guī)則引導(dǎo)。你可以直接寫出希望球隊(duì)滿足的戰(zhàn)術(shù)原則，例如：對(duì)進(jìn)攻方來說，可以支援持球人、保持寬度、創(chuàng)造傳球線路、占領(lǐng)Zone 14或右側(cè)半空間；對(duì)防守方來說，可以更快壓迫、向球側(cè)收縮、壓縮中路與傳球通道。此外，還可以基于場(chǎng)地控制值（Pitch Control Value）做引導(dǎo)。

圖3｜規(guī)則引導(dǎo)示例：把抽象戰(zhàn)術(shù)原則變成可執(zhí)行跑位

圖 3 的重點(diǎn)，不在于模型“隨便改了幾條線”，而在于它展示了規(guī)則如何真正落到球員移動(dòng)上。如果你熟悉比賽分析就會(huì)知道，這些都不是“視覺上更好看”的位移，而是非常具體的戰(zhàn)術(shù)結(jié)構(gòu)變化。在每個(gè)規(guī)則引導(dǎo)的案例里，模型都在重新組織球隊(duì)的空間結(jié)構(gòu)、層次關(guān)系和協(xié)同方式，以滿足特定的戰(zhàn)術(shù)目標(biāo)。

▎自然語言引導(dǎo)：把教練指令轉(zhuǎn)成具體跑位

第二種是自然語言引導(dǎo)。這意味著你不一定需要自己寫規(guī)則。你可以直接用接近教練語言或分析語言的方式告訴模型：“讓前場(chǎng)球員更堅(jiān)決地前插”“讓右邊鋒貼邊外拉，牽引邊后衛(wèi)，為右側(cè)半空間騰出通道”。實(shí)現(xiàn)上，模型會(huì)自動(dòng)調(diào)用 LLM，先把這類語言指令轉(zhuǎn)換成可執(zhí)行的引導(dǎo)函數(shù)，再在推理階段用這些函數(shù)去約束采樣方向，從而生成符合目標(biāo)的軌跡。

圖4｜語言引導(dǎo)示例

圖 4 展示了 TacticGen 如何根據(jù)自然語言描述的教練指令生成對(duì)應(yīng)的具體跑位。無論是“讓進(jìn)攻方更積極前壓”，還是“讓右邊鋒外拉，主動(dòng)牽扯防線”，模型都能把抽象的語言要求轉(zhuǎn)化為符合戰(zhàn)術(shù)意圖、可執(zhí)行、可視化的戰(zhàn)術(shù)移動(dòng)。

▎價(jià)值引導(dǎo)：讓軌跡朝更高長(zhǎng)期收益搜索

第三種是價(jià)值引導(dǎo)。論文額外訓(xùn)練了 value model，本質(zhì)上是一個(gè)基于 reward 學(xué)習(xí)的長(zhǎng)期收益（return）評(píng)估器。它讓模型不只滿足局部站位規(guī)則，而是朝著更高長(zhǎng)期戰(zhàn)術(shù)收益的方向搜索。也就是說，它考慮的不只是“這一步站位是否好看”，而是“這一段整體推進(jìn)對(duì)進(jìn)攻或防守是否更有利”。

圖5｜基于 value model 的價(jià)值引導(dǎo)示例

這里對(duì)應(yīng)的是 value guidance 的兩個(gè)案例：一個(gè)面向進(jìn)攻方，一個(gè)面向防守方。它們不是去滿足某一條局部規(guī)則，而是借助 value model 提供的 reward 信號(hào)，讓生成軌跡朝更高長(zhǎng)期收益的方向搜索。放到戰(zhàn)術(shù)層面理解，進(jìn)攻側(cè)會(huì)更傾向于把球員移動(dòng)組織到更有利的推進(jìn)和威脅區(qū)域；防守側(cè)則會(huì)更傾向于更早形成壓迫、限制持球人與關(guān)鍵空間，從而降低對(duì)手后續(xù)進(jìn)攻收益。

05

為什么說它不只是“能生成”，

而且“生成得靠譜”？

從軌跡預(yù)測(cè)指標(biāo)看，TactiGen 在論文中的多個(gè)基準(zhǔn)指標(biāo)上都取得了領(lǐng)先結(jié)果，包括ADE 0.29、FDE 0.52、joint ADE 0.45和joint FDE 0.92，這些指標(biāo)都比之前的 SOTA 模型有明顯提升。

這些數(shù)字的意義在于：如果底層的軌跡建模不夠準(zhǔn)，后面的戰(zhàn)術(shù)生成就很難站得住。TacticGen先把“真實(shí)軌跡學(xué)得像”這件事做好，再在此基礎(chǔ)上引入目標(biāo)驅(qū)動(dòng)的生成能力，這一點(diǎn)非常重要。

圖6｜Scaling 曲線：模型越大、數(shù)據(jù)越多、訓(xùn)練越充分，軌跡誤差持續(xù)下降

論文進(jìn)行了有關(guān) Scaling 的實(shí)驗(yàn)，結(jié)果顯示，隨著訓(xùn)練步數(shù)增加、訓(xùn)練樣本增多，軌跡預(yù)測(cè)誤差持續(xù)下降；模型規(guī)模越大，最終誤差也通常越低。

這說明 TacticGen 不是“某個(gè)小模型剛好調(diào)出來的特例”，而更像是一個(gè)具備 foundation model 潛力的方向。也就是說，只要繼續(xù)給它更多高質(zhì)量數(shù)據(jù)、更長(zhǎng)訓(xùn)練和更大模型，它還有進(jìn)一步提升空間。

對(duì)現(xiàn)實(shí)應(yīng)用來說，這一點(diǎn)比“某次實(shí)驗(yàn)贏了多少”更關(guān)鍵，因?yàn)閼?zhàn)術(shù)建模真正難的是泛化到更復(fù)雜、更多樣、更多上下文約束的比賽情境。

06

最打動(dòng)人的部分，其實(shí)是專家實(shí)驗(yàn)

如果一篇足球 AI 論文只在離線指標(biāo)上做得漂亮，我們通常還會(huì)保留很多疑問：生成的軌跡到底像不像真實(shí)比賽？這些軌跡在戰(zhàn)術(shù)上有沒有意義？職業(yè)從業(yè)者會(huì)不會(huì)認(rèn)可？

TacticGen 的回答，是把專家直接請(qǐng)進(jìn)評(píng)估流程里。

論文與足球從業(yè)者合作開展了專家案例研究，參與者中包括來自伯明翰城足球俱樂部（Birmingham City Football Club）的 5 位足球領(lǐng)域?qū)I(yè)人士。作為英格蘭職業(yè)足球體系中的百年老牌俱樂部，伯明翰城曾兩奪英格蘭聯(lián)賽杯冠軍，因此這套專家實(shí)驗(yàn)也更貼近職業(yè)足球的一線觀察視角，而不只是學(xué)術(shù)語境下的內(nèi)部打分。

專家評(píng)估分成兩類任務(wù)。

第一類是真實(shí)性評(píng)估。專家需要判斷一段后續(xù)球員軌跡究竟來自真實(shí)比賽，還是來自模型生成。結(jié)果表明，專家區(qū)分 generated 和 realistic 的平均F1只有0.50 ± 0.07。這個(gè)結(jié)果最直接的含義是：?jiǎn)慰窜壽E表現(xiàn)，專家并不容易穩(wěn)定地區(qū)分真假。

第二類是戰(zhàn)術(shù)效用評(píng)估。在這項(xiàng)盲測(cè)里，專家并不知道哪一邊是真實(shí)方案、哪一邊是 TacticGen 引導(dǎo)生成方案，只能把兩段軌跡匿名并排比較，判斷哪一邊對(duì)指定球隊(duì)更有戰(zhàn)術(shù)價(jià)值。結(jié)果顯示，引導(dǎo)后的 TacticGen 樣本平均 utility score 達(dá)到0.81 ± 0.04；在“真實(shí)跑位 vs 生成跑位”的對(duì)比中，專家有80%的情況下更偏向 TacticGen 生成的方案。

專家實(shí)驗(yàn)表明，TacticGen 生成的軌跡，一方面已經(jīng)足夠接近真實(shí)比賽節(jié)奏和協(xié)同方式；另一方面，在戰(zhàn)術(shù)目標(biāo)下，它甚至?xí)日鎸?shí)樣本更符合專家心中的戰(zhàn)術(shù)偏好。換句話說，專家不只是覺得它“看起來像”，還經(jīng)常認(rèn)為它“戰(zhàn)術(shù)上更值得選”。

圖7｜專家評(píng)估結(jié)果：生成軌跡不只接近真實(shí)，還經(jīng)常被認(rèn)為更有戰(zhàn)術(shù)價(jià)值

這張圖對(duì)應(yīng)真實(shí)性評(píng)估。專家區(qū)分真實(shí)軌跡與生成軌跡的平均F1只有0.50 ± 0.07。

這張圖對(duì)應(yīng)戰(zhàn)術(shù)效用評(píng)估。引導(dǎo)生成軌跡的平均 utility score 達(dá)到0.81 ± 0.04。

07

這篇論文真正的現(xiàn)實(shí)意義，

在于“工作流變了”

TacticGen 在現(xiàn)實(shí)足球工作流里的幾個(gè)潛在意義。

第一，它把傳統(tǒng)賽后復(fù)盤，推進(jìn)到了反事實(shí)戰(zhàn)術(shù)分析。分析師不再只能解釋“這次為什么會(huì)這樣跑”，還可以進(jìn)一步比較“如果這名邊鋒更早外拉、如果這名中場(chǎng)更早進(jìn)入球側(cè)接應(yīng)，局面會(huì)不會(huì)更好”。

第二，它讓戰(zhàn)術(shù)討論從“口頭描述”變成“可生成、可比較的軌跡方案”。很多戰(zhàn)術(shù)會(huì)議里，教練組說的其實(shí)都是目標(biāo)，比如“壓上去一點(diǎn)”“邊路站開一點(diǎn)”“中路保護(hù)再緊一點(diǎn)”。TacticGen 的價(jià)值在于，它開始有能力把這些目標(biāo)翻譯成可視化、可比較的球員移動(dòng)軌跡。

第三，它為職業(yè)足球里的數(shù)據(jù)分析、比賽準(zhǔn)備和訓(xùn)練設(shè)計(jì)，提供了一種新的AI接口。未來不論是做對(duì)手分析、局部戰(zhàn)術(shù)rehearsal，還是為特定場(chǎng)景生成多種跑位候選，目標(biāo)驅(qū)動(dòng)的軌跡生成都會(huì)比單純的軌跡預(yù)測(cè)更貼近真實(shí)決策場(chǎng)景。

第四，它展示了一種更廣義的趨勢(shì)：在多主體、強(qiáng)約束、強(qiáng)上下文依賴的現(xiàn)實(shí)世界里，生成模型最有價(jià)值的地方，往往不是“生成一個(gè)像真的東西”，而是“圍繞明確目標(biāo)生成一個(gè)更有用的方案”。

08

TacticGen最迷人的地方，不只是它把足球軌跡建模做得更好，而是它讓我們第一次比較清楚地看到：AI 可以從“理解比賽”繼續(xù)走向“參與戰(zhàn)術(shù)設(shè)計(jì)”。

它的核心對(duì)象始終是球和22名球員未來一段時(shí)間的協(xié)同軌跡。在這個(gè)基礎(chǔ)上，模型既能做真實(shí)軌跡預(yù)測(cè)，也能圍繞戰(zhàn)術(shù)目標(biāo)生成新的跑位方案。再加上大規(guī)模職業(yè)比賽數(shù)據(jù)、與 BCFC 等足球?qū)＜液献鞯陌咐芯浚约皩?duì)真實(shí)戰(zhàn)術(shù)工作流的貼近，這篇論文已經(jīng)不只是一個(gè)漂亮的學(xué)術(shù)demo，而更像是通往下一代足球分析工具的一次清晰預(yù)演。

如果你關(guān)心體育分析、生成式AI、多智能體建模，或者 AI 如何真正進(jìn)入現(xiàn)實(shí)決策場(chǎng)景，這篇 TacticGen 都值得認(rèn)真讀一讀。

未經(jīng)「AI科技評(píng)論」授權(quán)，嚴(yán)禁以任何方式在網(wǎng)頁、論壇、社區(qū)進(jìn)行轉(zhuǎn)載！

公眾號(hào)轉(zhuǎn)載請(qǐng)先在「AI科技評(píng)論」后臺(tái)留言取得授權(quán)，轉(zhuǎn)載時(shí)需標(biāo)注來源并插入本公眾號(hào)名片。