诺亦腾CEO刘昊扬：AI测量运动表现易，转化为有效训练难

声明：文档由AI根据原文生成。

从"鹰眼看线"到AI教练：技术落地需跨越信任鸿沟

2026年10月11日，郑钦文击败米拉·安德烈耶娃，夺得中国网球公开赛女单冠军。观众或许未曾留意：场上没有司线员举手示意，所有判罚均由电子系统即时完成。鹰眼系统2001年首次用于板球电视转播，2006年进入网球作为争议判罚复核工具，历经近25年才从"可视化辅助"变为"执法权威"。2021年澳网、美网率先启用实时电子司线，2025年温网与ATP巡回赛全面跟进，仅法网仍保留人工司线——今年5月31日，卡斯珀·鲁德与若昂·丰塞卡一战中，一记关键球经球印检视判为界内，电视追踪却显示界外。法网赛事总监阿梅莉·毛瑞斯莫坚持认为，红土场地的持续变化使电子精度存疑。这一争议表明：技术能力本身并不自动转化为信任。

测量能力已走出实验室

运动表现分析技术正快速迭代。2026年米兰-科尔蒂纳冬奥会上，14台8K摄像机环绕花样滑冰赛场，支持AI驱动的三维追踪，近乎实时输出跳跃高度、腾空时间与冰刀角度数据。国际滑联也在测试计算机视觉工具，辅助技术裁判评估跳跃周数与起跳用刃。此类应用尚未证明能直接提升训练效果，但标志着测量技术已超越实验室环境。

部分单项技术已在精英体育中站稳脚跟。澳大利亚Catapult公司称其系统覆盖40余项运动的5000余支队伍，追踪跑动距离、速度与加速度负荷。在中国，百度与国家跳水队合作，对不足两秒的"起跳-入水"过程进行快速视频回放与AI动作解析；北京冬奥会前，动作分析也被广泛应用于中国花样滑冰保障团队。这些工具揭示了肉眼难辨的细节，并支持跨训练课的表现比对。

可测量不等于可训练

然而，设备昂贵、操作复杂、系统割裂等问题普遍存在；训练负荷、动作模式、生理反应等数据往往分散存储。将数字转化为有效指导，仍需运动科学家与资深教练介入。即便测量本身也需审视：一项针对跳跃动作摄像追踪的最新分析发现，关节角度估算误差约4至5度，有时更大。对教练而言，这意味着一个现实困境——运动员膝角看似变化5度，究竟是真实改进还是测量噪声？在精英体育中，这种不确定性足以掩盖具有技术意义的改变。更根本的是，不存在放之四海而皆准的理想技术：解剖结构、伤病史与竞技需求均需纳入考量。

更深层的科学挑战在于：发现某变量与表现相关，不等于改变该变量就能提升表现。伤病预测即为一例警示。《英国运动医学杂志》的一篇综述指出，部分机器学习模型看似精度颇高，但预警过于宽泛或过于提前，无法指导教练安排下一次训练课。能够可靠预测个体运动员伤病风险的AI模型，目前仍是愿景多于现实。

从描述走向建议

人工智能正开始跨越"描述"与"建议"的边界。2024年，谷歌DeepMind与利物浦足球俱乐部发布TacticAI，预测角球战术要素并提出替代站位方案。盲评中，其建议90%的情况下优于现有战术布置——但这仅证明AI生成选项的合理性，而非更多进球或胜利的实证；论文发表时，尚无利物浦球员在实战中试用。中国也在探索类似路径：中国科学院自动化研究所与北京体育大学团队合作，研究足球仿真、战术态势分析及替代决策对比赛进程的影响。这些研究将焦点从"发生了什么"转向"还可能发生什么"。

2026年FIFA世界杯则展现了下一阶段雏形。国际足联与联想联合开发的FIFA AI Pro，将官方赛事数据、追踪数据与比赛视频整合为对话式助手。据国际足联报告，48支参赛队全部使用该系统。教练或分析师可直接提问，无需在多个专业面板间切换。这对专职人员有限的队伍或有助益，前提是答案可核验。

通用AI模型尚难担当可靠的技术教练。近期针对动作评估的基准测试显示，即便最优多模态模型，在识别精确动作错误方面仍不稳定，也可能将无害的个体差异误判为缺陷。因此，未来形态不太可能是单一聊天机器人输出通用指令，而更可能是融合经验证测量、专项模型、运动员纵向记录与透明建议的系统，由具备资质的人员对关键决策负责。

构建真正的训练闭环

目标应是形成"感知-分析-决策-执行-验证"的完整训练闭环：一次训练课后，系统整合动作质量、机械负荷、生理反应与运动员主观感受，提出具体调整方案，再检验下一课是否产生预期效果。长期而言，系统可学习对特定运动员有效的策略，而非仅将其与群体均值比较。教练仍不可或缺——设定优先级、管理不确定性、理解动机，以及决定何时不盲从数据。

鹰眼系统用了近25年才成为执法体系中被接受的组成部分。AI教练助手或许传播更快，但其核心考验远比判定球是否出界更为严峻。衡量成败的标准，不在于计算多少变量、解释多么流畅，而在于运动员是否持续获得更好的训练效果，以及教练是否有充分理由信任它们。