WEBVTT

00:00:00.954 --> 00:00:04.937
我和我的同事对移动圆点
背后的科学非常着迷。

00:00:04.937 --> 00:00:06.157
那么这些小圆点是什么呢？

00:00:06.157 --> 00:00:07.418
就是我们自己。

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

00:00:12.351 --> 00:00:14.957
也在世界各地旅行和购物。

00:00:14.958 --> 00:00:18.878
如果我们能弄清这些移动，

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

00:00:22.288 --> 00:00:24.884
很幸运的是，
我们生活在这么一个时代，

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

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

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

NOTE Paragraph

00:00:36.092 --> 00:00:41.108
这就让我们发现，
最佳的数据来源之一

00:00:41.108 --> 00:00:42.356
就是体育运动。

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

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

00:00:52.095 --> 00:00:53.828
他们每个时刻的运动数据。

00:00:53.828 --> 00:00:58.178
所以我们要做的
——你们大概已经猜到了——

00:00:58.178 --> 00:01:00.161
就是把运动员的移动

00:01:00.161 --> 00:01:01.587
转化成圆点的移动。

NOTE Paragraph

00:01:01.946 --> 00:01:06.854
所以我们收集了不计其数的移动小圆点，

00:01:06.854 --> 00:01:09.436
就像多数原始数据一样，
难以处理，也没什么趣味。

00:01:09.436 --> 00:01:13.249
但数据里面蕴藏着，
比如篮球教练想知道的事情。

00:01:13.249 --> 00:01:17.233
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，

00:01:17.233 --> 00:01:19.806
否则他们没法从中得到想要的信息。

00:01:19.806 --> 00:01:21.764
人类大脑无法做到这件事，

00:01:21.764 --> 00:01:23.068
但机器没问题。

00:01:23.661 --> 00:01:27.381
然而，机器没办法自己
以教练的视角去看一场比赛。

00:01:27.381 --> 00:01:30.234
直到现在，我们做到了。

00:01:30.234 --> 00:01:32.651
那么，
我们让机器去观察些什么呢？

NOTE Paragraph

00:01:33.569 --> 00:01:35.416
先从简单的开始。

00:01:35.416 --> 00:01:39.219
我们先教会它传球、投篮和篮板球，

00:01:39.219 --> 00:01:41.794
这类普通球迷也知道的事。

00:01:41.794 --> 00:01:44.640
然后我们开始教它一些
稍复杂点的事情，

00:01:44.640 --> 00:01:49.382
比如落位背打、挡拆和拉开单打。

00:01:49.382 --> 00:01:53.590
你们如果不了解这些名词，
没关系。打球的人大都了如指掌。

00:01:53.590 --> 00:01:58.940
迄今为止，我们已经能够让机器理解

00:01:58.940 --> 00:02:02.037
下掩护和无球掩护这类复杂的，

00:02:02.037 --> 00:02:04.777
只有专业人士才懂的战术。

00:02:04.777 --> 00:02:09.159
于是我们已经教会电脑用
教练的视角去观察数据了。

NOTE Paragraph

00:02:10.009 --> 00:02:11.866
我们是怎么做到的呢？

00:02:12.511 --> 00:02:15.603
如果我让一个教练讲解挡拆，

00:02:15.603 --> 00:02:17.177
我会得到一个定义，

00:02:17.177 --> 00:02:21.033
如果我把这个定义编码成一个算法
估计会惨不忍睹。

00:02:21.033 --> 00:02:25.318
挡拆就是四个球员之间的舞蹈，

00:02:25.318 --> 00:02:27.240
两人进攻，两人防守。

00:02:27.486 --> 00:02:29.124
大概是这么个过程：

00:02:29.128 --> 00:02:31.691
一个没有带球的进攻球员

00:02:31.691 --> 00:02:34.868
跑向持球的防守队员，

00:02:34.868 --> 00:02:36.045
站在那里待一会儿，

NOTE Paragraph

00:02:36.045 --> 00:02:39.566
然后他们一起移动（制造机会），
嗒哒，这就是挡拆。

NOTE Paragraph

00:02:39.566 --> 00:02:41.805
（笑声）

NOTE Paragraph

00:02:41.805 --> 00:02:44.287
这也是个糟糕的算法实例。

00:02:44.913 --> 00:02:49.297
如果那个干扰的球员——
或者叫掩护者——

00:02:49.297 --> 00:02:52.144
只是跑过来干扰一下而不停下，

00:02:52.144 --> 00:02:53.939
这可能就不是挡拆了。

00:02:54.560 --> 00:02:58.469
就算他停下来，
但停的位置不够接近，

00:02:58.469 --> 00:03:00.290
那也不算是挡拆。

00:03:00.642 --> 00:03:03.909
或者，就算他足够近，而且停下来，

00:03:03.909 --> 00:03:07.227
但他是在篮下完成的
那也不算挡拆。

00:03:07.462 --> 00:03:09.606
或者我可能错了，
这些都是挡拆。

00:03:09.606 --> 00:03:14.522
是否是挡拆要根据发生的时间、
球员间距、位置而定，

00:03:14.522 --> 00:03:16.097
这些都很难去界定。

00:03:16.579 --> 00:03:21.483
幸运的是，有了机器学习技术，
我们就能超越自身的能力

00:03:21.483 --> 00:03:23.340
来描述我们已知的事物。

NOTE Paragraph

00:03:23.340 --> 00:03:25.764
这个技术要如何实现呢？
举个例子：

00:03:25.764 --> 00:03:28.589
我们对机器说，
“早上好，机器。

00:03:29.077 --> 00:03:32.436
这儿有些挡拆例子，还有一些不是。

00:03:32.720 --> 00:03:35.092
你来找出不同点吧。”

00:03:35.092 --> 00:03:38.873
这其中的关键是电脑能找出
区别两者的特征来。

00:03:38.873 --> 00:03:40.710
所以如果我要教会机器

00:03:40.710 --> 00:03:41.835
辨别苹果和橘子，

00:03:41.835 --> 00:03:44.554
我可能会说：
“不妨用颜色和形状来区分吧？”

00:03:44.554 --> 00:03:47.511
而目前要解决的问题就是，
要区分事物的特征是什么？

00:03:47.511 --> 00:03:48.852
电脑需要掌握的整个

00:03:48.852 --> 00:03:52.531
移动圆点世界的关键特征是什么？

00:03:52.531 --> 00:03:57.378
搞清楚所有这些相对位置、
绝对位置、距离、时机、

00:03:57.378 --> 00:03:59.261
速率之间的关系——

00:03:59.440 --> 00:04:04.408
就是移动圆点科学的真正关键所在，
换成专业术语，

00:04:04.408 --> 00:04:07.926
我们喜欢称之为：时空模式识别。

00:04:07.926 --> 00:04:10.823
因为首先，你要让它听起来
很难懂，很专业——

00:04:10.827 --> 00:04:12.415
因为事实的确如此。

NOTE Paragraph

00:04:12.415 --> 00:04:15.515
对于NBA教练们来说，判断是否是

00:04:15.515 --> 00:04:17.261
挡拆并不是关键，

00:04:17.261 --> 00:04:19.531
而这个挡拆是怎么发生的
才是他们关注的。

00:04:19.531 --> 00:04:22.677
为何教练们如此关心这一点？
这儿我要解释一下。

00:04:22.677 --> 00:04:24.396
在现代的篮球比赛中，

00:04:24.396 --> 00:04:27.075
挡拆几乎是最重要的战术。

00:04:27.075 --> 00:04:29.239
了解如何使用以及怎样防守挡拆，

00:04:29.239 --> 00:04:32.429
基本上是比赛输赢的关键。

00:04:32.429 --> 00:04:36.198
因此挡拆的步伐多种多样，

00:04:36.198 --> 00:04:39.830
能够识别这些不同的形式
是非常重要的，

00:04:39.830 --> 00:04:42.288
这就是为什么我们对
机器的智能性要求相当高。

NOTE Paragraph

00:04:42.288 --> 00:04:44.058
举个例子。

00:04:44.058 --> 00:04:45.971
这儿有两个进攻队员和
两个防守队员，

00:04:45.971 --> 00:04:47.937
他们准备开始实施挡拆。

00:04:47.937 --> 00:04:52.100
那么持球人既可以选择利用挡拆，
也可以放弃挡拆，

00:04:52.100 --> 00:04:55.107
他的队友可以拆向篮下，
或撤到一个无人盯防的空位。

00:04:55.111 --> 00:04:58.081
防守持球者的人可以上前绕过掩护，
或者从后方绕过掩护。

00:04:58.081 --> 00:05:02.716
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。

00:05:02.716 --> 00:05:05.348
两个防守球员也可以换防，或者包夹。

00:05:05.352 --> 00:05:08.101
一开始的时候我也不是很懂这些，

00:05:08.101 --> 00:05:11.805
如果每个人都能沿着箭头方向移动，
事情就好办多了。

00:05:11.805 --> 00:05:15.767
这会让我们的工作简单很多，
但往往这些移动非常杂乱。

00:05:15.767 --> 00:05:20.995
球场上会发生很多突然的变动，
要在查准率和查全率方面

00:05:20.995 --> 00:05:22.622
准确识别这些变化

00:05:22.622 --> 00:05:24.780
是相当困难的，

00:05:24.780 --> 00:05:28.386
但只有这样，
才能让专业教练相信你的技术。

00:05:28.386 --> 00:05:31.470
尽管在准确的时空特性识别上
困难重重，

00:05:31.470 --> 00:05:33.078
我们还是成功地做到了。

NOTE Paragraph

00:05:33.078 --> 00:05:37.245
教练相信我们的机器
能够识别这些变化。

00:05:37.478 --> 00:05:40.975
目前，我们已经推出了
相关的识别软件，几乎每个

00:05:40.975 --> 00:05:42.758
觊觎今年NBA总冠军的球队，

00:05:42.758 --> 00:05:47.074
都在使用我们的这款软件，
其功能就是通过机器

00:05:47.074 --> 00:05:49.868
识别篮球领域的移动。

00:05:49.872 --> 00:05:54.999
不仅如此，
我们还对如何改善战术提供建议，

00:05:54.999 --> 00:05:58.481
并帮助球队赢得过重要的比赛。

00:05:58.481 --> 00:06:01.761
能够让联盟中执教30年的
老教练愿意听取

00:06:01.761 --> 00:06:05.248
机器提供的意见，这太让人激动了。

00:06:05.874 --> 00:06:08.334
不仅仅局限于挡拆，
更让我们兴奋的是

00:06:08.334 --> 00:06:10.444
我们让电脑从简单的事情着手，

00:06:10.444 --> 00:06:12.252
逐渐学会了更复杂的事物，

00:06:12.252 --> 00:06:14.057
如今它已经掌握了丰富的知识。

00:06:14.057 --> 00:06:17.452
老实说，我不大明白它是怎么做到的，

00:06:17.452 --> 00:06:21.211
不过就算比我聪明也没什么特别的，

00:06:21.211 --> 00:06:24.879
但我们在想，
机器能否比教练懂得更多呢？

00:06:24.879 --> 00:06:26.938
它能比人类懂得更多吗？

00:06:26.938 --> 00:06:28.697
事实上，答案是肯定的。

NOTE Paragraph

00:06:28.697 --> 00:06:31.288
教练想让球员投出好球。

00:06:31.288 --> 00:06:32.787
所以如果我站在篮筐旁边，

00:06:32.787 --> 00:06:34.707
周围没人，这就是好的投篮时机。

00:06:34.707 --> 00:06:39.031
如果我站得远，而且被对方包围住，
通常来讲这球投不进。

00:06:39.031 --> 00:06:44.227
但我们无法定量衡量这个“好”有多好，
“差”有多差，

00:06:44.227 --> 00:06:45.359
但现在不同了。

NOTE Paragraph

00:06:45.771 --> 00:06:48.773
同样，我们能做的就是利用时空特性

00:06:48.773 --> 00:06:50.277
来分析每次投篮。

00:06:50.277 --> 00:06:53.326
我们可以看到：在哪里投篮？
投篮的角度是多少？

00:06:53.326 --> 00:06:55.816
防守方的站位？
他们间的距离，

00:06:55.816 --> 00:06:57.011
以及角度如何？

00:06:57.011 --> 00:07:00.518
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

00:07:00.518 --> 00:07:01.905
来预测投篮类型。

00:07:01.905 --> 00:07:05.983
我们可以根据他们的速度
建立一个模型，

00:07:05.983 --> 00:07:10.199
预测在这些情况下，进球的可能性。

00:07:10.199 --> 00:07:12.128
为什么这一点很重要？

00:07:12.128 --> 00:07:14.945
因为我们可以通过分析投篮
这一单一行为得到

00:07:14.945 --> 00:07:17.583
不同以往的两种信息：

00:07:17.583 --> 00:07:20.704
投篮的质量，以及投手的质量。

00:07:21.680 --> 00:07:24.992
我们可以看一下这个气泡图，
没有气泡图，还算什么TED呢？

NOTE Paragraph

00:07:24.992 --> 00:07:26.010
（笑声）

NOTE Paragraph

00:07:26.010 --> 00:07:27.355
这些气泡都是NBA球员。

00:07:27.355 --> 00:07:30.333
大小代表球员的体型，
颜色代表他们的位置。

00:07:30.333 --> 00:07:32.609
x轴代表投篮的命中率。

00:07:32.609 --> 00:07:34.622
靠左的球员偏向勉强投篮，

00:07:34.622 --> 00:07:37.205
靠右的球员会在有空当时才出手。

00:07:37.205 --> 00:07:39.301
Y轴代表的是投篮质量。

00:07:39.301 --> 00:07:41.731
好投手在上面，较差的在下面。

00:07:41.731 --> 00:07:43.621
举个例子，有一个球员的

00:07:43.621 --> 00:07:45.718
投篮命中率是47%，

00:07:45.718 --> 00:07:47.357
以前你只能知道这么多。

00:07:47.357 --> 00:07:52.245
但如今，我能告诉你NBA球员投篮的

00:07:52.245 --> 00:07:54.154
平均命中率是49%，

00:07:54.154 --> 00:07:55.888
他还低了两个百分点。

00:07:56.266 --> 00:08:00.781
因为我们要在众多47%的
球员中选择一个。

00:08:01.714 --> 00:08:04.343
那么重点就在于要搞清楚

00:08:04.343 --> 00:08:08.227
让你支付了一大笔美金的人

00:08:08.227 --> 00:08:11.362
到底是个经常勉强投篮的神投手，

00:08:11.362 --> 00:08:13.743
还是一个愿意空位出手的差投手。

00:08:15.130 --> 00:08:18.513
机器分析不只改变了
我们对球员的看法，

00:08:18.513 --> 00:08:20.375
也改变了我们看待比赛的方式。

NOTE Paragraph

00:08:20.375 --> 00:08:24.164
几年前有一场很激烈的NBA总决赛，

00:08:24.164 --> 00:08:27.309
迈阿密落后三分，只剩20秒了。

00:08:27.309 --> 00:08:29.108
他们将要失去总冠军了。

00:08:29.108 --> 00:08:32.743
一位叫勒布朗詹姆斯的年轻人
上去想投个三分追平。

00:08:32.743 --> 00:08:33.745
但他没投中。

00:08:33.745 --> 00:08:35.802
他的队友克里斯波什拿到篮板，

00:08:35.802 --> 00:08:37.789
传给另一个队友雷阿伦。

00:08:37.789 --> 00:08:40.058
他投中了个三分，比赛进入加时。

00:08:40.058 --> 00:08:42.072
最后他们赢了比赛，得了总冠军。

00:08:42.072 --> 00:08:44.966
这是篮球比赛中
最激动人心的时刻之一。

00:08:45.438 --> 00:08:48.801
而我们能知道每个球员在每一刻的

00:08:48.801 --> 00:08:49.869
投篮命中率

00:08:49.869 --> 00:08:52.143
以及抢到篮板的可能性，

00:08:52.143 --> 00:08:56.526
这种能力是前所未有的。

00:08:57.618 --> 00:09:00.326
有点可惜，
我无法给大家展示这个精彩片段。

00:09:00.326 --> 00:09:04.737
但为了在座的各位，我们在三周前的

00:09:04.737 --> 00:09:07.283
篮球周赛上重塑了那经典一刻。

NOTE Paragraph

00:09:07.283 --> 00:09:09.606
（笑声）

NOTE Paragraph

00:09:09.606 --> 00:09:13.213
我们也重新加入了
电脑追踪数据的演示。

00:09:13.213 --> 00:09:17.398
这就是我和同事们，
在洛杉矶的唐人街，

00:09:17.398 --> 00:09:19.102
我们每周都会去打球的公园，

00:09:19.102 --> 00:09:21.357
我们在重塑雷阿伦时刻，

00:09:21.357 --> 00:09:24.050
所有的轨迹都与之相关。

00:09:24.772 --> 00:09:26.339
就是这个投篮。

00:09:26.339 --> 00:09:28.869
你们会看到这一经典时刻，

00:09:28.869 --> 00:09:31.510
以及这一刻背后都发生了什么。

00:09:31.510 --> 00:09:35.224
唯一的不同就是
我们取代了专业球员，

00:09:35.224 --> 00:09:37.830
而我取代了专业讲解员。

00:09:37.830 --> 00:09:39.337
大家请见谅。

NOTE Paragraph

00:09:41.153 --> 00:09:42.303
迈阿密。

00:09:42.671 --> 00:09:43.821
落后三分。

00:09:44.107 --> 00:09:45.257
还有20秒。

00:09:47.385 --> 00:09:48.583
杰夫带球。

00:09:50.656 --> 00:09:52.191
约什接球，三分出手！

NOTE Paragraph

00:09:52.631 --> 00:09:54.480
[计算命中率]

NOTE Paragraph

00:09:55.278 --> 00:09:56.428
[投篮质量]

NOTE Paragraph

00:09:57.048 --> 00:09:58.833
[篮板球概率]

NOTE Paragraph

00:10:00.373 --> 00:10:01.576
进不了！

NOTE Paragraph

00:10:01.576 --> 00:10:03.016
[篮板球概率]

NOTE Paragraph

00:10:03.777 --> 00:10:04.997
诺尔的篮板。

00:10:04.997 --> 00:10:06.207
传回给达丽亚。

NOTE Paragraph

00:10:06.509 --> 00:10:09.874
[投篮质量]

NOTE Paragraph

00:10:10.676 --> 00:10:12.356
球进了——三分！

00:10:12.356 --> 00:10:14.517
打平了，还剩5秒。

00:10:14.880 --> 00:10:16.558
观众们沸腾了！

NOTE Paragraph

00:10:16.558 --> 00:10:18.211
（笑声）

NOTE Paragraph

00:10:18.211 --> 00:10:19.782
真实情况大概就是这样。

NOTE Paragraph

00:10:19.782 --> 00:10:20.761
（掌声）

NOTE Paragraph

00:10:20.761 --> 00:10:21.940
差不多。

NOTE Paragraph

00:10:21.940 --> 00:10:23.681
（掌声）

00:10:24.121 --> 00:10:29.579
在NBA有9%的概率
会发生这样的时刻，

00:10:29.579 --> 00:10:31.920
我们知道的还有很多。

00:10:31.920 --> 00:10:35.455
我是不会告诉你们
我们尝试了多少次才成功的。

NOTE Paragraph

00:10:35.455 --> 00:10:37.246
（笑声）

NOTE Paragraph

00:10:37.246 --> 00:10:39.006
好吧，我还是说吧，四次。

NOTE Paragraph

00:10:39.006 --> 00:10:40.051
（笑声）

NOTE Paragraph

00:10:40.051 --> 00:10:41.656
达丽亚，三分球还得努力啊。

NOTE Paragraph

00:10:41.656 --> 00:10:45.884
但那段视频以及我们对

00:10:45.884 --> 00:10:50.652
每场NBA比赛的细微观察
并不是重点。

00:10:50.652 --> 00:10:55.088
事实上，你无需组建
一个专业团队才能追踪移动。

00:10:55.088 --> 00:10:58.524
你也无需成为专业运动员
去理解那些移动。

NOTE Paragraph

00:10:58.524 --> 00:11:02.622
而且，这不仅限于运动，
因为我们无时不刻不在移动。

00:11:03.654 --> 00:11:06.023
我们在家里，

00:11:09.428 --> 00:11:11.083
在办公室里来回走动，

00:11:12.238 --> 00:11:14.928
我们也在世界各地

00:11:17.318 --> 00:11:18.571
各个城市

00:11:20.065 --> 00:11:21.683
购物旅行。

00:11:23.270 --> 00:11:25.615
我们能发现什么？
我们能学到什么？

00:11:25.615 --> 00:11:27.954
或许，除了识别挡拆，

00:11:27.954 --> 00:11:30.912
机器还能识别某些时刻，

00:11:30.912 --> 00:11:33.061
让我知道我女儿何时
迈出她的第一步。

00:11:33.061 --> 00:11:35.571
她现在随时都有可能学会走路。

NOTE Paragraph

00:11:36.140 --> 00:11:40.307
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。

00:11:40.307 --> 00:11:44.565
我相信随着移动圆点这一科学的发展，

00:11:44.565 --> 00:11:48.202
我们能更好地移动，
更智能地移动，一路向前。

NOTE Paragraph

00:11:48.607 --> 00:11:49.866
谢谢大家。

NOTE Paragraph

00:11:49.866 --> 00:11:54.865
（掌声）