篮球场上最疯狂步伐背后的数学原理
-
0:01 - 0:05我和我的同事对移动圆点
背后的科学非常着迷。 -
0:05 - 0:06那么这些小圆点是什么呢?
-
0:06 - 0:07就是我们自己。
-
0:07 - 0:12我们在家里,办公室里来回走动,
-
0:12 - 0:15也在世界各地旅行和购物。
-
0:15 - 0:19如果我们能弄清这些移动,
-
0:19 - 0:22并从中发现规律,意义并提出见解,
不是一件很棒的事吗? -
0:22 - 0:25很幸运的是,
我们生活在这么一个时代, -
0:25 - 0:29我们非常擅长捕捉关于自身的信息。
-
0:29 - 0:32不管是通过传感器,视频,或软件应用,
-
0:32 - 0:35我们都能详尽地追踪到个人移动的轨迹。
-
0:36 - 0:41这就让我们发现,
最佳的数据来源之一 -
0:41 - 0:42就是体育运动。
-
0:43 - 0:48因此无论是篮球、棒球、橄榄球或足球,
-
0:48 - 0:52我们都可以在场馆内,
甚至运动员身上装上设备来追踪 -
0:52 - 0:54他们每个时刻的运动数据。
-
0:54 - 0:58所以我们要做的
——你们大概已经猜到了—— -
0:58 - 1:00就是把运动员的移动
-
1:00 - 1:02转化成圆点的移动。
-
1:02 - 1:07所以我们收集了不计其数的移动小圆点,
-
1:07 - 1:09就像多数原始数据一样,
难以处理,也没什么趣味。 -
1:09 - 1:13但数据里面蕴藏着,
比如篮球教练想知道的事情。 -
1:13 - 1:17但问题是,除非教练们把每场比赛里
每一秒数据都记下来再去思考, -
1:17 - 1:20否则他们没法从中得到想要的信息。
-
1:20 - 1:22人类大脑无法做到这件事,
-
1:22 - 1:23但机器没问题。
-
1:24 - 1:27然而,机器没办法自己
以教练的视角去看一场比赛。 -
1:27 - 1:30直到现在,我们做到了。
-
1:30 - 1:33那么,
我们让机器去观察些什么呢? -
1:34 - 1:35先从简单的开始。
-
1:35 - 1:39我们先教会它传球、投篮和篮板球,
-
1:39 - 1:42这类普通球迷也知道的事。
-
1:42 - 1:45然后我们开始教它一些
稍复杂点的事情, -
1:45 - 1:49比如落位背打、挡拆和拉开单打。
-
1:49 - 1:54你们如果不了解这些名词,
没关系。打球的人大都了如指掌。 -
1:54 - 1:59迄今为止,我们已经能够让机器理解
-
1:59 - 2:02下掩护和无球掩护这类复杂的,
-
2:02 - 2:05只有专业人士才懂的战术。
-
2:05 - 2:09于是我们已经教会电脑用
教练的视角去观察数据了。 -
2:10 - 2:12我们是怎么做到的呢?
-
2:13 - 2:16如果我让一个教练讲解挡拆,
-
2:16 - 2:17我会得到一个定义,
-
2:17 - 2:21如果我把这个定义编码成一个算法
估计会惨不忍睹。 -
2:21 - 2:25挡拆就是四个球员之间的舞蹈,
-
2:25 - 2:27两人进攻,两人防守。
-
2:27 - 2:29大概是这么个过程:
-
2:29 - 2:32一个没有带球的进攻球员
-
2:32 - 2:35跑向持球的防守队员,
-
2:35 - 2:36站在那里待一会儿,
-
2:36 - 2:40然后他们一起移动(制造机会),
嗒哒,这就是挡拆。 -
2:40 - 2:42(笑声)
-
2:42 - 2:44这也是个糟糕的算法实例。
-
2:45 - 2:49如果那个干扰的球员——
或者叫掩护者—— -
2:49 - 2:52只是跑过来干扰一下而不停下,
-
2:52 - 2:54这可能就不是挡拆了。
-
2:55 - 2:58就算他停下来,
但停的位置不够接近, -
2:58 - 3:00那也不算是挡拆。
-
3:01 - 3:04或者,就算他足够近,而且停下来,
-
3:04 - 3:07但他是在篮下完成的
那也不算挡拆。 -
3:07 - 3:10或者我可能错了,
这些都是挡拆。 -
3:10 - 3:15是否是挡拆要根据发生的时间、
球员间距、位置而定, -
3:15 - 3:16这些都很难去界定。
-
3:17 - 3:21幸运的是,有了机器学习技术,
我们就能超越自身的能力 -
3:21 - 3:23来描述我们已知的事物。
-
3:23 - 3:26这个技术要如何实现呢?
举个例子: -
3:26 - 3:29我们对机器说,
“早上好,机器。 -
3:29 - 3:32这儿有些挡拆例子,还有一些不是。
-
3:33 - 3:35你来找出不同点吧。”
-
3:35 - 3:39这其中的关键是电脑能找出
区别两者的特征来。 -
3:39 - 3:41所以如果我要教会机器
-
3:41 - 3:42辨别苹果和橘子,
-
3:42 - 3:45我可能会说:
“不妨用颜色和形状来区分吧?” -
3:45 - 3:48而目前要解决的问题就是,
要区分事物的特征是什么? -
3:48 - 3:49电脑需要掌握的整个
-
3:49 - 3:53移动圆点世界的关键特征是什么?
-
3:53 - 3:57搞清楚所有这些相对位置、
绝对位置、距离、时机、 -
3:57 - 3:59速率之间的关系——
-
3:59 - 4:04就是移动圆点科学的真正关键所在,
换成专业术语, -
4:04 - 4:08我们喜欢称之为:时空模式识别。
-
4:08 - 4:11因为首先,你要让它听起来
很难懂,很专业—— -
4:11 - 4:12因为事实的确如此。
-
4:12 - 4:16对于NBA教练们来说,判断是否是
-
4:16 - 4:17挡拆并不是关键,
-
4:17 - 4:20而这个挡拆是怎么发生的
才是他们关注的。 -
4:20 - 4:23为何教练们如此关心这一点?
这儿我要解释一下。 -
4:23 - 4:24在现代的篮球比赛中,
-
4:24 - 4:27挡拆几乎是最重要的战术。
-
4:27 - 4:29了解如何使用以及怎样防守挡拆,
-
4:29 - 4:32基本上是比赛输赢的关键。
-
4:32 - 4:36因此挡拆的步伐多种多样,
-
4:36 - 4:40能够识别这些不同的形式
是非常重要的, -
4:40 - 4:42这就是为什么我们对
机器的智能性要求相当高。 -
4:42 - 4:44举个例子。
-
4:44 - 4:46这儿有两个进攻队员和
两个防守队员, -
4:46 - 4:48他们准备开始实施挡拆。
-
4:48 - 4:52那么持球人既可以选择利用挡拆,
也可以放弃挡拆, -
4:52 - 4:55他的队友可以拆向篮下,
或撤到一个无人盯防的空位。 -
4:55 - 4:58防守持球者的人可以上前绕过掩护,
或者从后方绕过掩护。 -
4:58 - 5:03而他的队友则可以探出补防,或保持
近距离防守,亦或者向后消极防守。 -
5:03 - 5:05两个防守球员也可以换防,或者包夹。
-
5:05 - 5:08一开始的时候我也不是很懂这些,
-
5:08 - 5:12如果每个人都能沿着箭头方向移动,
事情就好办多了。 -
5:12 - 5:16这会让我们的工作简单很多,
但往往这些移动非常杂乱。 -
5:16 - 5:21球场上会发生很多突然的变动,
要在查准率和查全率方面 -
5:21 - 5:23准确识别这些变化
-
5:23 - 5:25是相当困难的,
-
5:25 - 5:28但只有这样,
才能让专业教练相信你的技术。 -
5:28 - 5:31尽管在准确的时空特性识别上
困难重重, -
5:31 - 5:33我们还是成功地做到了。
-
5:33 - 5:37教练相信我们的机器
能够识别这些变化。 -
5:37 - 5:41目前,我们已经推出了
相关的识别软件,几乎每个 -
5:41 - 5:43觊觎今年NBA总冠军的球队,
-
5:43 - 5:47都在使用我们的这款软件,
其功能就是通过机器 -
5:47 - 5:50识别篮球领域的移动。
-
5:50 - 5:55不仅如此,
我们还对如何改善战术提供建议, -
5:55 - 5:58并帮助球队赢得过重要的比赛。
-
5:58 - 6:02能够让联盟中执教30年的
老教练愿意听取 -
6:02 - 6:05机器提供的意见,这太让人激动了。
-
6:06 - 6:08不仅仅局限于挡拆,
更让我们兴奋的是 -
6:08 - 6:10我们让电脑从简单的事情着手,
-
6:10 - 6:12逐渐学会了更复杂的事物,
-
6:12 - 6:14如今它已经掌握了丰富的知识。
-
6:14 - 6:17老实说,我不大明白它是怎么做到的,
-
6:17 - 6:21不过就算比我聪明也没什么特别的,
-
6:21 - 6:25但我们在想,
机器能否比教练懂得更多呢? -
6:25 - 6:27它能比人类懂得更多吗?
-
6:27 - 6:29事实上,答案是肯定的。
-
6:29 - 6:31教练想让球员投出好球。
-
6:31 - 6:33所以如果我站在篮筐旁边,
-
6:33 - 6:35周围没人,这就是好的投篮时机。
-
6:35 - 6:39如果我站得远,而且被对方包围住,
通常来讲这球投不进。 -
6:39 - 6:44但我们无法定量衡量这个“好”有多好,
“差”有多差, -
6:44 - 6:45但现在不同了。
-
6:46 - 6:49同样,我们能做的就是利用时空特性
-
6:49 - 6:50来分析每次投篮。
-
6:50 - 6:53我们可以看到:在哪里投篮?
投篮的角度是多少? -
6:53 - 6:56防守方的站位?
他们间的距离, -
6:56 - 6:57以及角度如何?
-
6:57 - 7:01防守球员不止一名的情况下,
我们能够通过观察球员的移动 -
7:01 - 7:02来预测投篮类型。
-
7:02 - 7:06我们可以根据他们的速度
建立一个模型, -
7:06 - 7:10预测在这些情况下,进球的可能性。
-
7:10 - 7:12为什么这一点很重要?
-
7:12 - 7:15因为我们可以通过分析投篮
这一单一行为得到 -
7:15 - 7:18不同以往的两种信息:
-
7:18 - 7:21投篮的质量,以及投手的质量。
-
7:22 - 7:25我们可以看一下这个气泡图,
没有气泡图,还算什么TED呢? -
7:25 - 7:26(笑声)
-
7:26 - 7:27这些气泡都是NBA球员。
-
7:27 - 7:30大小代表球员的体型,
颜色代表他们的位置。 -
7:30 - 7:33x轴代表投篮的命中率。
-
7:33 - 7:35靠左的球员偏向勉强投篮,
-
7:35 - 7:37靠右的球员会在有空当时才出手。
-
7:37 - 7:39Y轴代表的是投篮质量。
-
7:39 - 7:42好投手在上面,较差的在下面。
-
7:42 - 7:44举个例子,有一个球员的
-
7:44 - 7:46投篮命中率是47%,
-
7:46 - 7:47以前你只能知道这么多。
-
7:47 - 7:52但如今,我能告诉你NBA球员投篮的
-
7:52 - 7:54平均命中率是49%,
-
7:54 - 7:56他还低了两个百分点。
-
7:56 - 8:01因为我们要在众多47%的
球员中选择一个。 -
8:02 - 8:04那么重点就在于要搞清楚
-
8:04 - 8:08让你支付了一大笔美金的人
-
8:08 - 8:11到底是个经常勉强投篮的神投手,
-
8:11 - 8:14还是一个愿意空位出手的差投手。
-
8:15 - 8:19机器分析不只改变了
我们对球员的看法, -
8:19 - 8:20也改变了我们看待比赛的方式。
-
8:20 - 8:24几年前有一场很激烈的NBA总决赛,
-
8:24 - 8:27迈阿密落后三分,只剩20秒了。
-
8:27 - 8:29他们将要失去总冠军了。
-
8:29 - 8:33一位叫勒布朗詹姆斯的年轻人
上去想投个三分追平。 -
8:33 - 8:34但他没投中。
-
8:34 - 8:36他的队友克里斯波什拿到篮板,
-
8:36 - 8:38传给另一个队友雷阿伦。
-
8:38 - 8:40他投中了个三分,比赛进入加时。
-
8:40 - 8:42最后他们赢了比赛,得了总冠军。
-
8:42 - 8:45这是篮球比赛中
最激动人心的时刻之一。 -
8:45 - 8:49而我们能知道每个球员在每一刻的
-
8:49 - 8:50投篮命中率
-
8:50 - 8:52以及抢到篮板的可能性,
-
8:52 - 8:57这种能力是前所未有的。
-
8:58 - 9:00有点可惜,
我无法给大家展示这个精彩片段。 -
9:00 - 9:05但为了在座的各位,我们在三周前的
-
9:05 - 9:07篮球周赛上重塑了那经典一刻。
-
9:07 - 9:10(笑声)
-
9:10 - 9:13我们也重新加入了
电脑追踪数据的演示。 -
9:13 - 9:17这就是我和同事们,
在洛杉矶的唐人街, -
9:17 - 9:19我们每周都会去打球的公园,
-
9:19 - 9:21我们在重塑雷阿伦时刻,
-
9:21 - 9:24所有的轨迹都与之相关。
-
9:25 - 9:26就是这个投篮。
-
9:26 - 9:29你们会看到这一经典时刻,
-
9:29 - 9:32以及这一刻背后都发生了什么。
-
9:32 - 9:35唯一的不同就是
我们取代了专业球员, -
9:35 - 9:38而我取代了专业讲解员。
-
9:38 - 9:39大家请见谅。
-
9:41 - 9:42迈阿密。
-
9:43 - 9:44落后三分。
-
9:44 - 9:45还有20秒。
-
9:47 - 9:49杰夫带球。
-
9:51 - 9:52约什接球,三分出手!
-
9:53 - 9:54[计算命中率]
-
9:55 - 9:56[投篮质量]
-
9:57 - 9:59[篮板球概率]
-
10:00 - 10:02进不了!
-
10:02 - 10:03[篮板球概率]
-
10:04 - 10:05诺尔的篮板。
-
10:05 - 10:06传回给达丽亚。
-
10:07 - 10:10[投篮质量]
-
10:11 - 10:12球进了——三分!
-
10:12 - 10:15打平了,还剩5秒。
-
10:15 - 10:17观众们沸腾了!
-
10:17 - 10:18(笑声)
-
10:18 - 10:20真实情况大概就是这样。
-
10:20 - 10:21(掌声)
-
10:21 - 10:22差不多。
-
10:22 - 10:24(掌声)
-
10:24 - 10:30在NBA有9%的概率
会发生这样的时刻, -
10:30 - 10:32我们知道的还有很多。
-
10:32 - 10:35我是不会告诉你们
我们尝试了多少次才成功的。 -
10:35 - 10:37(笑声)
-
10:37 - 10:39好吧,我还是说吧,四次。
-
10:39 - 10:40(笑声)
-
10:40 - 10:42达丽亚,三分球还得努力啊。
-
10:42 - 10:46但那段视频以及我们对
-
10:46 - 10:51每场NBA比赛的细微观察
并不是重点。 -
10:51 - 10:55事实上,你无需组建
一个专业团队才能追踪移动。 -
10:55 - 10:59你也无需成为专业运动员
去理解那些移动。 -
10:59 - 11:03而且,这不仅限于运动,
因为我们无时不刻不在移动。 -
11:04 - 11:06我们在家里,
-
11:09 - 11:11在办公室里来回走动,
-
11:12 - 11:15我们也在世界各地
-
11:17 - 11:19各个城市
-
11:20 - 11:22购物旅行。
-
11:23 - 11:26我们能发现什么?
我们能学到什么? -
11:26 - 11:28或许,除了识别挡拆,
-
11:28 - 11:31机器还能识别某些时刻,
-
11:31 - 11:33让我知道我女儿何时
迈出她的第一步。 -
11:33 - 11:36她现在随时都有可能学会走路。
-
11:36 - 11:40或许我们能合理地利用我们的建筑物,
更加好地规划我们的城市。 -
11:40 - 11:45我相信随着移动圆点这一科学的发展,
-
11:45 - 11:48我们能更好地移动,
更智能地移动,一路向前。 -
11:49 - 11:50谢谢大家。
-
11:50 - 11:55(掌声)
- Title:
- 篮球场上最疯狂步伐背后的数学原理
- Speaker:
- 拉吉夫· 马赫斯瓦兰
- Description:
-
篮球是一项即兴,接触频繁,有着可识别时间, 空间模式的快节奏运动。拉吉夫· 马赫斯瓦兰和他的同事分析了比赛中关键时刻背后的移动,帮助教练和球员结合直觉和新数据提高战术。“追加罚篮”:他们的成果将帮助我们理解人类无处不在的行动。
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 12:08
Yolanda Zhang approved Chinese, Simplified subtitles for The math behind basketball's wildest moves | ||
Yolanda Zhang edited Chinese, Simplified subtitles for The math behind basketball's wildest moves | ||
Yolanda Zhang edited Chinese, Simplified subtitles for The math behind basketball's wildest moves | ||
Yolanda Zhang edited Chinese, Simplified subtitles for The math behind basketball's wildest moves | ||
Yolanda Zhang edited Chinese, Simplified subtitles for The math behind basketball's wildest moves | ||
Yolanda Zhang edited Chinese, Simplified subtitles for The math behind basketball's wildest moves | ||
Yolanda Zhang edited Chinese, Simplified subtitles for The math behind basketball's wildest moves | ||
Yolanda Zhang edited Chinese, Simplified subtitles for The math behind basketball's wildest moves |