1950年3月，曾在二战服役的英国皇家空军中校、会计师查尔斯 · 里普(Charles Reep)发现他最喜欢的足球在战术革命上变得停滞不前。
里普从20世纪30年代起就对足球产生了浓厚的兴趣，他非常喜欢赫尔伯特·查普曼（Herbert Chapman）率领的阿森纳先锋队。
一次，他去看斯温顿和布里斯托尔的三分球比赛，比赛非常没意思，里普看到了无数次进攻，但一个球也没进，中场休息时，他的耐心耗尽了。
他抓起身边的笔记本和铅笔，开始疯狂地记录球场上发生的事情——他开始计算传球和进球的次数，这是第一次，有人尝试系统地利用数据分析足球。
AI在足球场上小试牛刀
70年后，数据革命深入各个领域，应用非常普遍，数据革命的粉丝们精通 xG （Expected goals，预期目标）和净支出的使用。 甚至，英超联赛的卫冕冠军利物浦开始与DeepMind联手，探索人工智能在足球界的应用。这两个组织的研究人员最近在《人工智能研究杂志》（ Journal of Artificial Intelligence Research）上发表了一篇论文，概述了一些潜在的应用。
该论文的第一作者、DeepMind的AI研究员Karl Tuyls说：「时机刚刚好！」 DeepMind在利物浦的合作源于他之前在利物浦大学的工作(DeepMind 的创始人 Demis Hassabis 也是利物浦的终身球迷，也是这项研究的顾问)。
这两个小组聚在一起讨论人工智能在哪些方面能够帮助足球运动员和教练。 利物浦还向 DeepMind 提供了2017年至2019年间每场英超比赛的数据。 近年来，随着传感器、 GPS追踪器和计算机视觉算法的使用，研究足球比赛中球的运动路径的可用数据量大大增加。 对于足球队来说，人工智能帮助发现教练无法发现的模式; 对于DeepMind的研究人员来说，足球为他们提供了一个受限制但具有挑战性的环境，让他们在路上测试自己的算法。 「足球非常有趣，因为有很多agents在场，他们相互之间有竞争、有合作, 」Tuyls说
与国际象棋或围棋不同，在现实世界中进行的足球有其内在的不确定性。 不过，这并不意味着不能做出预测——这正是人工智能可能被证明特别有用的一个领域。 这篇论文展示了如何通过训练一个模型来预测一支特定球队和球员在特定情况下球员的反应: 例如，如果你在对阵曼城的比赛中将一个长球打入右手通道，凯尔·沃克会朝特定方向跑，而约翰·斯通斯可能不会这么做，他会做出别的应对。
凯尔·沃克
这就是所谓的「重影」（ghosting）——因为替代的轨迹覆盖在实际发生的事情上，就像在电子游戏中一样——并且有一系列不同的应用。例如，它可以用来预测战术变化的影响，或者如果一个关键球员受伤了，对手可能会怎么打。 这些都是教练们可能会注意到的事情，Tuyls强调目标不是设计工具来取代教练。「有大量的数据，大量的数据需要消化，处理这些海量的数据并不一定那么容易, 我们正在努力开发辅助技术。」
在足球分析方面，通过自动视频辅助教练（AVAC）系统，可以为决策者提供长远分析 。以上是AVAC界面的示例图，其中根据姓名识别进攻和防守球员，对其进行跟踪并随后将其传递到可用于分析潜在意图的预测性轨迹模型中。
研究人员还对过去几个赛季欧洲范围内进行的12000多次点球进行了分析，并根据他们的比赛风格将球员分类，然后使用这些信息预测他们最有可能被判罚犯规的地方以及他们是否可能得分。例如，前锋比前卫更有可能瞄准球门的左下角，而后者会采取更为平衡的方式。 其他模型也许能够通过反事实数据来评估一个特定的动作（比如传球）对最后得分的贡献程度。他们可以在赛后分析中用来向球员展示为什么他们应该在特定情况下传球而不是尝试射门。 利用球员场上表现的数据训练出的模型可能比人类教练能更好地追踪球员的疲劳程度，并在受伤之前建议换人。
AI的最佳应用：要有人工辅助
现在的做法与里普在1950年代试图做的事情跨越时间实现了「隔空回应」，他利用自己的数据（错误地）计算出大多数进球是在四次或少于四次传球后实现，而他的分析帮助引入了「长传冲吊」（long-ball football）的战术，这成为了英格兰足球比赛持续了几十年的标志。 在其他领域，有很多引人注目的例子，其中AI会得出毫无意义或完全错误的答案。比如一些接受电子游戏训练的AI会通过打破游戏规则或无视物理定律来获胜。 或者像若泽·穆里尼奥（Jose Mourinho）一样，AI会认定获胜的最佳方法是让对手保持控球状态并等待他们犯错。
因此，Tuyls表示，模型的建立必须由专家进行调试，从而防止AI进行错误的推论。
