人工智能早已从根本上改变了医疗行业，它也很可能永远改变运输和国防等行业。在此之时，AI也为体育领域带来了众多嬗变。
以垒球为例，现今运动员们还会配戴传感将详尽资料传输到资料中心，用于剖析每一次挥棒或队员在场上的其他动作。外野中明显是一片枝叶的摇晃，AI也能捕捉到。
让我们瞧瞧另一项运动：花样溜冰。这项运动也有其独到的精细之处。在这儿，AI资料系统的主要用途不是剖析运动员多年的职业生涯资料，而是为了公正地衡量表现。
评分系统
在一场关于AI在花样溜冰中实践的TED讲演中，Chan谈到了"总技术分"这样的评分指标，以及技术小组和衡量小组怎么协作给出成绩。
"听上去很简单，对吧？"Chan反问道，此后她强调了一些听众在家看球赛时可能想不到的复杂性。
首先要做的是，裁判必须考虑花样溜冰演出中出现的小失误和停顿。
"湖面常常比较滑，"Chan说道。
随后按照这个方式，还要考虑人性诱因。
"这项运动有时会遭到政治诱因影响，"她说。"人为偏见仍然存在。作为滑雪运动员，我们尽最大努力表现，但最后结果取决于裁判组。……(某个花样溜冰峰会上)最热门的贴子就是对评分系统的强烈责怪。"
对每个滑雪运动员的检测须要高度的同步性，要关注身体腰线和头部角度等诱因。
Chan构想开发一个""，就能对每个舞者进行一致且公正的剖析。
个人与团队
在讨论完善AI剖析系统基准的障碍时，Chan强调在线视频数目有限，可能存在资料稀缺障碍。据悉，资料可能须要自动标明。
她表示，这须要使用频域神经网路(CNN)，这是初期计算机视觉深度学习中发展出的基础网路类型之一。
通过低、中、高层次以及混频器和填充等技术，程序可以定义特点和边沿，提供Chan所说的"图象的层次表示"。
"它能自主学习最有效的特点检查混频器，无需明晰强调要找寻哪些，"她提到CNN的能力时说。
Chan介绍了一系列可以应对这种障碍的验证和其他工具。
"我们可以使用CNN检查画面中的滑雪运动员，创建边界框，"她说。"之后，通过姿态恐怕和估算，我们可以帮助查看技术标准，比如，检测向量并估算运动员两腿之间的角度，或检查运动员的脚是否低于颈部。"
还可以进行其他群体剖析。
"这也可以拿来强调同步性，"她解释道。"它可以向裁判建议同步时刻，假如运动员肢体角度都是平行向量，这么她们一定是匹配的。但是，当运动员处于不常见的坐姿时，用普通姿态恐怕资料集训练的CNN最后会失效，这就是为何我们可以通过使用CMU和AI调查人员开发的andlearn方式来预训练CNN。这是一个序列验证任务，使模型还能以无监督方法学习并获得有意义的结果。"
这种工具能够降低人为偏见？它们能够做哪些？
"通过这个序列验证过程，模型可以专门针对花样溜冰的姿态恐怕获得敏感性和直觉。通过使用深度学习观察个人和团队，我们可以在手动化评分方面向前迈向，降低人为偏见，为花样溜冰的公正性作出贡献，但其实可能性是无限的。假如公正对我们来说意味着使用可获得的资源，这很容易被调整用于教练指导和自我反馈。"
Chan觉得，这一切都将改进花样溜冰动作和演出的评分。
"我们须要思索自己想用它做哪些，以及我们希望在世界上看见哪些样的改变，"她在结束时说道。
实际影响
想像一下十二名（或可能十六名）男女运动员，以精美典雅的队型和组合，随着共同的节奏同步联通。
如今构想机器能否辨识精确的头部角度和身体坐姿，为赛场带来资料驱动的评分。
这就是新技术将在体育界形成的惊人影响，不仅仅是在滑雪领域，在其他运动中也是这么。因而，在踏入2025年之际，我们才刚才开始听到这种有趣的技术对我们世界的影响。
