0:00:00.954,0:00:04.937
我和我的同事对移动圆点[br]背后的科学非常着迷。

0:00:04.937,0:00:06.157
那么这些小圆点是什么呢？

0:00:06.157,0:00:07.418
就是我们自己。

0:00:07.418,0:00:12.351
我们在家里，办公室里来回走动，

0:00:12.351,0:00:14.957
也在世界各地旅行和购物。

0:00:14.958,0:00:18.878
如果我们能弄清这些移动，

0:00:18.878,0:00:22.288
并从中发现规律，意义并提出见解，[br]不是一件很棒的事吗？

0:00:22.288,0:00:24.884
很幸运的是，[br]我们生活在这么一个时代，

0:00:24.884,0:00:28.825
我们非常擅长捕捉关于自身的信息。

0:00:28.825,0:00:32.464
不管是通过传感器，视频，或软件应用，

0:00:32.464,0:00:35.303
我们都能详尽地追踪到个人移动的轨迹。

0:00:36.092,0:00:41.108
这就让我们发现，[br]最佳的数据来源之一

0:00:41.108,0:00:42.356
就是体育运动。

0:00:42.682,0:00:47.969
因此无论是篮球、棒球、橄榄球或足球，

0:00:47.969,0:00:52.095
我们都可以在场馆内，[br]甚至运动员身上装上设备来追踪

0:00:52.095,0:00:53.828
他们每个时刻的运动数据。

0:00:53.828,0:00:58.178
所以我们要做的[br]——你们大概已经猜到了——

0:00:58.178,0:01:00.161
就是把运动员的移动

0:01:00.161,0:01:01.587
转化成圆点的移动。

0:01:01.946,0:01:06.854
所以我们收集了不计其数的移动小圆点，

0:01:06.854,0:01:09.436
就像多数原始数据一样，[br]难以处理，也没什么趣味。

0:01:09.436,0:01:13.249
但数据里面蕴藏着，[br]比如篮球教练想知道的事情。

0:01:13.249,0:01:17.233
但问题是，除非教练们把每场比赛里[br]每一秒数据都记下来再去思考，

0:01:17.233,0:01:19.806
否则他们没法从中得到想要的信息。

0:01:19.806,0:01:21.764
人类大脑无法做到这件事，

0:01:21.764,0:01:23.068
但机器没问题。

0:01:23.661,0:01:27.381
然而，机器没办法自己[br]以教练的视角去看一场比赛。

0:01:27.381,0:01:30.234
直到现在，我们做到了。

0:01:30.234,0:01:32.651
那么，[br]我们让机器去观察些什么呢？

0:01:33.569,0:01:35.416
先从简单的开始。

0:01:35.416,0:01:39.219
我们先教会它传球、投篮和篮板球，

0:01:39.219,0:01:41.794
这类普通球迷也知道的事。

0:01:41.794,0:01:44.640
然后我们开始教它一些[br]稍复杂点的事情，

0:01:44.640,0:01:49.382
比如落位背打、挡拆和拉开单打。

0:01:49.382,0:01:53.590
你们如果不了解这些名词，[br]没关系。打球的人大都了如指掌。

0:01:53.590,0:01:58.940
迄今为止，我们已经能够让机器理解

0:01:58.940,0:02:02.037
下掩护和无球掩护这类复杂的，

0:02:02.037,0:02:04.777
只有专业人士才懂的战术。

0:02:04.777,0:02:09.159
于是我们已经教会电脑用[br]教练的视角去观察数据了。

0:02:10.009,0:02:11.866
我们是怎么做到的呢？

0:02:12.511,0:02:15.603
如果我让一个教练讲解挡拆，

0:02:15.603,0:02:17.177
我会得到一个定义，

0:02:17.177,0:02:21.033
如果我把这个定义编码成一个算法[br]估计会惨不忍睹。

0:02:21.033,0:02:25.318
挡拆就是四个球员之间的舞蹈，

0:02:25.318,0:02:27.240
两人进攻，两人防守。

0:02:27.486,0:02:29.124
大概是这么个过程：

0:02:29.128,0:02:31.691
一个没有带球的进攻球员

0:02:31.691,0:02:34.868
跑向持球的防守队员，

0:02:34.868,0:02:36.045
站在那里待一会儿，

0:02:36.045,0:02:39.566
然后他们一起移动（制造机会），[br]嗒哒，这就是挡拆。

0:02:39.566,0:02:41.805
（笑声）

0:02:41.805,0:02:44.287
这也是个糟糕的算法实例。

0:02:44.913,0:02:49.297
如果那个干扰的球员——[br]或者叫掩护者——

0:02:49.297,0:02:52.144
只是跑过来干扰一下而不停下，

0:02:52.144,0:02:53.939
这可能就不是挡拆了。

0:02:54.560,0:02:58.469
就算他停下来，[br]但停的位置不够接近，

0:02:58.469,0:03:00.290
那也不算是挡拆。

0:03:00.642,0:03:03.909
或者，就算他足够近，而且停下来，

0:03:03.909,0:03:07.227
但他是在篮下完成的[br]那也不算挡拆。

0:03:07.462,0:03:09.606
或者我可能错了，[br]这些都是挡拆。

0:03:09.606,0:03:14.522
是否是挡拆要根据发生的时间、[br]球员间距、位置而定，

0:03:14.522,0:03:16.097
这些都很难去界定。

0:03:16.579,0:03:21.483
幸运的是，有了机器学习技术，[br]我们就能超越自身的能力

0:03:21.483,0:03:23.340
来描述我们已知的事物。

0:03:23.340,0:03:25.764
这个技术要如何实现呢？[br]举个例子：

0:03:25.764,0:03:28.589
我们对机器说，[br]“早上好，机器。

0:03:29.077,0:03:32.436
这儿有些挡拆例子，还有一些不是。

0:03:32.720,0:03:35.092
你来找出不同点吧。”

0:03:35.092,0:03:38.873
这其中的关键是电脑能找出[br]区别两者的特征来。

0:03:38.873,0:03:40.710
所以如果我要教会机器

0:03:40.710,0:03:41.835
辨别苹果和橘子，

0:03:41.835,0:03:44.554
我可能会说：[br]“不妨用颜色和形状来区分吧？”

0:03:44.554,0:03:47.511
而目前要解决的问题就是，[br]要区分事物的特征是什么？

0:03:47.511,0:03:48.852
电脑需要掌握的整个

0:03:48.852,0:03:52.531
移动圆点世界的关键特征是什么？

0:03:52.531,0:03:57.378
搞清楚所有这些相对位置、[br]绝对位置、距离、时机、

0:03:57.378,0:03:59.261
速率之间的关系——

0:03:59.440,0:04:04.408
就是移动圆点科学的真正关键所在，[br]换成专业术语，

0:04:04.408,0:04:07.926
我们喜欢称之为：时空模式识别。

0:04:07.926,0:04:10.823
因为首先，你要让它听起来[br]很难懂，很专业——

0:04:10.827,0:04:12.415
因为事实的确如此。

0:04:12.415,0:04:15.515
对于NBA教练们来说，判断是否是

0:04:15.515,0:04:17.261
挡拆并不是关键，

0:04:17.261,0:04:19.531
而这个挡拆是怎么发生的[br]才是他们关注的。

0:04:19.531,0:04:22.677
为何教练们如此关心这一点？[br]这儿我要解释一下。

0:04:22.677,0:04:24.396
在现代的篮球比赛中，

0:04:24.396,0:04:27.075
挡拆几乎是最重要的战术。

0:04:27.075,0:04:29.239
了解如何使用以及怎样防守挡拆，

0:04:29.239,0:04:32.429
基本上是比赛输赢的关键。

0:04:32.429,0:04:36.198
因此挡拆的步伐多种多样，

0:04:36.198,0:04:39.830
能够识别这些不同的形式[br]是非常重要的，

0:04:39.830,0:04:42.288
这就是为什么我们对[br]机器的智能性要求相当高。

0:04:42.288,0:04:44.058
举个例子。

0:04:44.058,0:04:45.971
这儿有两个进攻队员和[br]两个防守队员，

0:04:45.971,0:04:47.937
他们准备开始实施挡拆。

0:04:47.937,0:04:52.100
那么持球人既可以选择利用挡拆，[br]也可以放弃挡拆，

0:04:52.100,0:04:55.107
他的队友可以拆向篮下，[br]或撤到一个无人盯防的空位。

0:04:55.111,0:04:58.081
防守持球者的人可以上前绕过掩护，[br]或者从后方绕过掩护。

0:04:58.081,0:05:02.716
而他的队友则可以探出补防，或保持[br]近距离防守，亦或者向后消极防守。

0:05:02.716,0:05:05.348
两个防守球员也可以换防，或者包夹。

0:05:05.352,0:05:08.101
一开始的时候我也不是很懂这些，

0:05:08.101,0:05:11.805
如果每个人都能沿着箭头方向移动，[br]事情就好办多了。

0:05:11.805,0:05:15.767
这会让我们的工作简单很多，[br]但往往这些移动非常杂乱。

0:05:15.767,0:05:20.995
球场上会发生很多突然的变动，[br]要在查准率和查全率方面

0:05:20.995,0:05:22.622
准确识别这些变化

0:05:22.622,0:05:24.780
是相当困难的，

0:05:24.780,0:05:28.386
但只有这样，[br]才能让专业教练相信你的技术。

0:05:28.386,0:05:31.470
尽管在准确的时空特性识别上[br]困难重重，

0:05:31.470,0:05:33.078
我们还是成功地做到了。

0:05:33.078,0:05:37.245
教练相信我们的机器[br]能够识别这些变化。

0:05:37.478,0:05:40.975
目前，我们已经推出了[br]相关的识别软件，几乎每个

0:05:40.975,0:05:42.758
觊觎今年NBA总冠军的球队，

0:05:42.758,0:05:47.074
都在使用我们的这款软件，[br]其功能就是通过机器

0:05:47.074,0:05:49.868
识别篮球领域的移动。

0:05:49.872,0:05:54.999
不仅如此，[br]我们还对如何改善战术提供建议，

0:05:54.999,0:05:58.481
并帮助球队赢得过重要的比赛。

0:05:58.481,0:06:01.761
能够让联盟中执教30年的[br]老教练愿意听取

0:06:01.761,0:06:05.248
机器提供的意见，这太让人激动了。

0:06:05.874,0:06:08.334
不仅仅局限于挡拆，[br]更让我们兴奋的是

0:06:08.334,0:06:10.444
我们让电脑从简单的事情着手，

0:06:10.444,0:06:12.252
逐渐学会了更复杂的事物，

0:06:12.252,0:06:14.057
如今它已经掌握了丰富的知识。

0:06:14.057,0:06:17.452
老实说，我不大明白它是怎么做到的，

0:06:17.452,0:06:21.211
不过就算比我聪明也没什么特别的，

0:06:21.211,0:06:24.879
但我们在想，[br]机器能否比教练懂得更多呢？

0:06:24.879,0:06:26.938
它能比人类懂得更多吗？

0:06:26.938,0:06:28.697
事实上，答案是肯定的。

0:06:28.697,0:06:31.288
教练想让球员投出好球。

0:06:31.288,0:06:32.787
所以如果我站在篮筐旁边，

0:06:32.787,0:06:34.707
周围没人，这就是好的投篮时机。

0:06:34.707,0:06:39.031
如果我站得远，而且被对方包围住，[br]通常来讲这球投不进。

0:06:39.031,0:06:44.227
但我们无法定量衡量这个“好”有多好，[br]“差”有多差，

0:06:44.227,0:06:45.359
但现在不同了。

0:06:45.771,0:06:48.773
同样，我们能做的就是利用时空特性

0:06:48.773,0:06:50.277
来分析每次投篮。

0:06:50.277,0:06:53.326
我们可以看到：在哪里投篮？[br]投篮的角度是多少？

0:06:53.326,0:06:55.816
防守方的站位？[br]他们间的距离，

0:06:55.816,0:06:57.011
以及角度如何？

0:06:57.011,0:07:00.518
防守球员不止一名的情况下，[br]我们能够通过观察球员的移动

0:07:00.518,0:07:01.905
来预测投篮类型。

0:07:01.905,0:07:05.983
我们可以根据他们的速度[br]建立一个模型，

0:07:05.983,0:07:10.199
预测在这些情况下，进球的可能性。

0:07:10.199,0:07:12.128
为什么这一点很重要？

0:07:12.128,0:07:14.945
因为我们可以通过分析投篮[br]这一单一行为得到

0:07:14.945,0:07:17.583
不同以往的两种信息：

0:07:17.583,0:07:20.704
投篮的质量，以及投手的质量。

0:07:21.680,0:07:24.992
我们可以看一下这个气泡图，[br]没有气泡图，还算什么TED呢？

0:07:24.992,0:07:26.010
（笑声）

0:07:26.010,0:07:27.355
这些气泡都是NBA球员。

0:07:27.355,0:07:30.333
大小代表球员的体型，[br]颜色代表他们的位置。

0:07:30.333,0:07:32.609
x轴代表投篮的命中率。

0:07:32.609,0:07:34.622
靠左的球员偏向勉强投篮，

0:07:34.622,0:07:37.205
靠右的球员会在有空当时才出手。

0:07:37.205,0:07:39.301
Y轴代表的是投篮质量。

0:07:39.301,0:07:41.731
好投手在上面，较差的在下面。

0:07:41.731,0:07:43.621
举个例子，有一个球员的

0:07:43.621,0:07:45.718
投篮命中率是47%，

0:07:45.718,0:07:47.357
以前你只能知道这么多。

0:07:47.357,0:07:52.245
但如今，我能告诉你NBA球员投篮的

0:07:52.245,0:07:54.154
平均命中率是49%，

0:07:54.154,0:07:55.888
他还低了两个百分点。

0:07:56.266,0:08:00.781
因为我们要在众多47%的[br]球员中选择一个。

0:08:01.714,0:08:04.343
那么重点就在于要搞清楚

0:08:04.343,0:08:08.227
让你支付了一大笔美金的人

0:08:08.227,0:08:11.362
到底是个经常勉强投篮的神投手，

0:08:11.362,0:08:13.743
还是一个愿意空位出手的差投手。

0:08:15.130,0:08:18.513
机器分析不只改变了[br]我们对球员的看法，

0:08:18.513,0:08:20.375
也改变了我们看待比赛的方式。

0:08:20.375,0:08:24.164
几年前有一场很激烈的NBA总决赛，

0:08:24.164,0:08:27.309
迈阿密落后三分，只剩20秒了。

0:08:27.309,0:08:29.108
他们将要失去总冠军了。

0:08:29.108,0:08:32.743
一位叫勒布朗詹姆斯的年轻人[br]上去想投个三分追平。

0:08:32.743,0:08:33.745
但他没投中。

0:08:33.745,0:08:35.802
他的队友克里斯波什拿到篮板，

0:08:35.802,0:08:37.789
传给另一个队友雷阿伦。

0:08:37.789,0:08:40.058
他投中了个三分，比赛进入加时。

0:08:40.058,0:08:42.072
最后他们赢了比赛，得了总冠军。

0:08:42.072,0:08:44.966
这是篮球比赛中[br]最激动人心的时刻之一。

0:08:45.438,0:08:48.801
而我们能知道每个球员在每一刻的

0:08:48.801,0:08:49.869
投篮命中率

0:08:49.869,0:08:52.143
以及抢到篮板的可能性，

0:08:52.143,0:08:56.526
这种能力是前所未有的。

0:08:57.618,0:09:00.326
有点可惜，[br]我无法给大家展示这个精彩片段。

0:09:00.326,0:09:04.737
但为了在座的各位，我们在三周前的

0:09:04.737,0:09:07.283
篮球周赛上重塑了那经典一刻。

0:09:07.283,0:09:09.606
（笑声）

0:09:09.606,0:09:13.213
我们也重新加入了[br]电脑追踪数据的演示。

0:09:13.213,0:09:17.398
这就是我和同事们，[br]在洛杉矶的唐人街，

0:09:17.398,0:09:19.102
我们每周都会去打球的公园，

0:09:19.102,0:09:21.357
我们在重塑雷阿伦时刻，

0:09:21.357,0:09:24.050
所有的轨迹都与之相关。

0:09:24.772,0:09:26.339
就是这个投篮。

0:09:26.339,0:09:28.869
你们会看到这一经典时刻，

0:09:28.869,0:09:31.510
以及这一刻背后都发生了什么。

0:09:31.510,0:09:35.224
唯一的不同就是[br]我们取代了专业球员，

0:09:35.224,0:09:37.830
而我取代了专业讲解员。

0:09:37.830,0:09:39.337
大家请见谅。

0:09:41.153,0:09:42.303
迈阿密。

0:09:42.671,0:09:43.821
落后三分。

0:09:44.107,0:09:45.257
还有20秒。

0:09:47.385,0:09:48.583
杰夫带球。

0:09:50.656,0:09:52.191
约什接球，三分出手！

0:09:52.631,0:09:54.480
[计算命中率]

0:09:55.278,0:09:56.428
[投篮质量]

0:09:57.048,0:09:58.833
[篮板球概率]

0:10:00.373,0:10:01.576
进不了！

0:10:01.576,0:10:03.016
[篮板球概率]

0:10:03.777,0:10:04.997
诺尔的篮板。

0:10:04.997,0:10:06.207
传回给达丽亚。

0:10:06.509,0:10:09.874
[投篮质量]

0:10:10.676,0:10:12.356
球进了——三分！

0:10:12.356,0:10:14.517
打平了，还剩5秒。

0:10:14.880,0:10:16.558
观众们沸腾了！

0:10:16.558,0:10:18.211
（笑声）

0:10:18.211,0:10:19.782
真实情况大概就是这样。

0:10:19.782,0:10:20.761
（掌声）

0:10:20.761,0:10:21.940
差不多。

0:10:21.940,0:10:23.681
（掌声）

0:10:24.121,0:10:29.579
在NBA有9%的概率[br]会发生这样的时刻，

0:10:29.579,0:10:31.920
我们知道的还有很多。

0:10:31.920,0:10:35.455
我是不会告诉你们[br]我们尝试了多少次才成功的。

0:10:35.455,0:10:37.246
（笑声）

0:10:37.246,0:10:39.006
好吧，我还是说吧，四次。

0:10:39.006,0:10:40.051
（笑声）

0:10:40.051,0:10:41.656
达丽亚，三分球还得努力啊。

0:10:41.656,0:10:45.884
但那段视频以及我们对

0:10:45.884,0:10:50.652
每场NBA比赛的细微观察[br]并不是重点。

0:10:50.652,0:10:55.088
事实上，你无需组建[br]一个专业团队才能追踪移动。

0:10:55.088,0:10:58.524
你也无需成为专业运动员[br]去理解那些移动。

0:10:58.524,0:11:02.622
而且，这不仅限于运动，[br]因为我们无时不刻不在移动。

0:11:03.654,0:11:06.023
我们在家里，

0:11:09.428,0:11:11.083
在办公室里来回走动，

0:11:12.238,0:11:14.928
我们也在世界各地

0:11:17.318,0:11:18.571
各个城市

0:11:20.065,0:11:21.683
购物旅行。

0:11:23.270,0:11:25.615
我们能发现什么？[br]我们能学到什么？

0:11:25.615,0:11:27.954
或许，除了识别挡拆，

0:11:27.954,0:11:30.912
机器还能识别某些时刻，

0:11:30.912,0:11:33.061
让我知道我女儿何时[br]迈出她的第一步。

0:11:33.061,0:11:35.571
她现在随时都有可能学会走路。

0:11:36.140,0:11:40.307
或许我们能合理地利用我们的建筑物，[br]更加好地规划我们的城市。

0:11:40.307,0:11:44.565
我相信随着移动圆点这一科学的发展，

0:11:44.565,0:11:48.202
我们能更好地移动，[br]更智能地移动，一路向前。

0:11:48.607,0:11:49.866
谢谢大家。

0:11:49.866,0:11:54.865
（掌声）