Simon Barnes在《運(yùn)動(dòng)的意義》(The Meaning Sport)中留下一句箴言:“全部體育運(yùn)動(dòng)都有相同的內(nèi)核。喜歡其一,相當(dāng)于喜歡所有。”在這本書(shū)中,作者希望深刻剖析競(jìng)技體育的吸引力來(lái)源與核心意義。
這句話也反映出一項(xiàng)基本事實(shí)——盡管大多數(shù)運(yùn)動(dòng)都有共通之處,但個(gè)人對(duì)于不同項(xiàng)目、不同賽事的關(guān)注屬于完全主觀的個(gè)人選擇。這似乎是個(gè)有違直覺(jué)的結(jié)論,畢竟很多粉絲對(duì)競(jìng)技項(xiàng)目都有著強(qiáng)烈的偏好與選擇性。
確實(shí),不同的運(yùn)動(dòng)會(huì)在觀眾當(dāng)中激發(fā)不同的情感共鳴。由Freeview委托進(jìn)行的一項(xiàng)最新研究,就試圖通過(guò)AI技術(shù)觀察參與者們?cè)谟^看不同賽事時(shí)的感受,借此為討論引入一點(diǎn)客觀元素。
AI體育
“情感AI”已經(jīng)在眾多行業(yè)中被用于分析消費(fèi)者情感信息,包括人力資源、醫(yī)療保健及市場(chǎng)營(yíng)銷等等。更重要的是,AI技術(shù)甚至能幫助企業(yè)通過(guò)收集調(diào)查數(shù)據(jù)整理出當(dāng)事人自己可能都不甚了然的深層信息。
RealEyes的Emotional Recognition軟件就能跟蹤并分析面部表情,并根據(jù)眼睛、眉毛、鼻子和嘴巴的變化對(duì)不同對(duì)象進(jìn)行情緒分類。計(jì)算機(jī)視覺(jué)及機(jī)器學(xué)習(xí)功能甚至可以檢測(cè)到最細(xì)微的表情變化,借此對(duì)主體情感做出分類。 研究表明,居家觀眾們對(duì)于網(wǎng)球(18%)的正面情緒反饋?zhàn)顝?qiáng),其快樂(lè)度相較于觀看標(biāo)準(zhǔn)視頻內(nèi)容要高出50%。而且跟大多數(shù)人的印象不同,馬術(shù)(29%)、花樣游泳(28%)以及體操(25%)等對(duì)抗性相對(duì)不那么激烈的運(yùn)動(dòng),卻更容易引發(fā)緊張情緒。
F1賽車(18%)最容易引起觀眾的震驚情緒,這應(yīng)該源自運(yùn)動(dòng)本身強(qiáng)烈的速度感與引發(fā)車禍的巨大風(fēng)險(xiǎn)。研究人員們表示,震驚的情緒主要依靠突然睜大眼睛以及張開(kāi)嘴巴等動(dòng)作進(jìn)行檢測(cè)。而拳擊(5%)則因?yàn)槊土业幕^(guò)程與隨時(shí)可能出現(xiàn)的擊倒畫(huà)面而引發(fā)不少觀眾的厭惡情緒。
這項(xiàng)技術(shù)甚至能夠幫助我們了解體育觀眾的困惑情緒。網(wǎng)球引發(fā)困惑感受的比例高達(dá)25%,F(xiàn)1賽車則為12%。在觀賽參與度方面,足球以24%的成績(jī)遙遙領(lǐng)先,觀眾們會(huì)在觀看比賽時(shí)做出各種各樣的豐富表情;拳擊則表現(xiàn)不佳,僅吸引到15%的觀眾。
具體反應(yīng)也跟觀眾所處的年齡段相關(guān)。40歲或以上的觀眾對(duì)足球往往表現(xiàn)出輕蔑的態(tài)度,而年輕觀眾則在觀看橄欖球賽時(shí)表現(xiàn)出強(qiáng)烈的緊張感乃至恐懼感。
雖然轉(zhuǎn)播公司及贊助商在制定賽事投資判斷時(shí)需要考慮多方面因素,但AI分析給出的這些結(jié)論在增強(qiáng)觀眾吸引力、說(shuō)服商業(yè)合作伙伴時(shí)仍有著極為強(qiáng)大的現(xiàn)實(shí)意義。例如,如果某個(gè)品牌希望能讓受眾感到喜悅與興奮之情,那么網(wǎng)球比賽顯然更符合他們的形象定位。
體育組織自身也可以利用這些數(shù)據(jù)定制新的產(chǎn)品或數(shù)字化服務(wù)。例如,那種容易讓觀眾陷入“困惑感”的運(yùn)動(dòng)可以發(fā)布新的移動(dòng)應(yīng)用,通過(guò)基于統(tǒng)計(jì)數(shù)據(jù)的洞察結(jié)論幫助人們快速理解比賽內(nèi)容。F1主辦方在最近幾個(gè)賽季中已經(jīng)在做出相應(yīng)嘗試,幫助更多剛剛?cè)腴T的觀眾理解賽道比拼上的諸多細(xì)節(jié)。
雖然AI技術(shù)的應(yīng)用不可能在一夜之間就顛覆一切,但此次調(diào)查證明隨著體育產(chǎn)業(yè)的日益數(shù)字化,科技成果完全能夠給行業(yè)的幾乎各個(gè)側(cè)面帶來(lái)不同程度的增強(qiáng)。
好文章,需要你的鼓勵(lì)
浙江大學(xué)團(tuán)隊(duì)提出動(dòng)態(tài)專家搜索方法,讓AI能根據(jù)不同問(wèn)題靈活調(diào)整內(nèi)部專家配置。該方法在數(shù)學(xué)、編程等任務(wù)上顯著提升推理準(zhǔn)確率,且不增加計(jì)算成本。研究發(fā)現(xiàn)不同類型問(wèn)題偏愛(ài)不同專家配置,為AI推理優(yōu)化開(kāi)辟新路徑。
清華大學(xué)研究團(tuán)隊(duì)提出SIRI方法,通過(guò)"壓縮-擴(kuò)張"交替訓(xùn)練策略,成功解決了大型推理模型"話多且準(zhǔn)確率低"的問(wèn)題。實(shí)驗(yàn)顯示,該方法在數(shù)學(xué)競(jìng)賽題上將模型準(zhǔn)確率提升43.2%的同時(shí),輸出長(zhǎng)度減少46.9%,真正實(shí)現(xiàn)了效率與性能的雙重優(yōu)化,為AI模型訓(xùn)練提供了新思路。
南洋理工大學(xué)與騰訊聯(lián)合研究團(tuán)隊(duì)開(kāi)發(fā)出Rolling Forcing技術(shù),實(shí)現(xiàn)AI視頻實(shí)時(shí)流式生成的重大突破。該技術(shù)通過(guò)滾動(dòng)窗口聯(lián)合去噪、注意力錨點(diǎn)機(jī)制和高效訓(xùn)練算法三項(xiàng)創(chuàng)新,解決了長(zhǎng)視頻生成中的錯(cuò)誤累積問(wèn)題,可在單GPU上以16fps速度生成多分鐘高質(zhì)量視頻,延遲僅0.76秒,質(zhì)量漂移指標(biāo)從傳統(tǒng)方法的1.66降至0.01,為交互式媒體和內(nèi)容創(chuàng)作開(kāi)辟新可能。
華中科技大學(xué)研究團(tuán)隊(duì)發(fā)現(xiàn),通過(guò)讓AI模型學(xué)習(xí)解決幾何問(wèn)題,能夠顯著提升其空間理解能力。他們構(gòu)建了包含約30000個(gè)幾何題目的Euclid30K數(shù)據(jù)集,使用強(qiáng)化學(xué)習(xí)方法訓(xùn)練多個(gè)AI模型。實(shí)驗(yàn)結(jié)果顯示,幾何訓(xùn)練在四個(gè)空間智能測(cè)試基準(zhǔn)上都帶來(lái)顯著提升,其中最佳模型達(dá)到49.6%準(zhǔn)確率,超越此前最好成績(jī)。這項(xiàng)研究揭示了基礎(chǔ)幾何知識(shí)對(duì)培養(yǎng)AI空間智能的重要價(jià)值。