2026世界杯：AI能否真正改变足球？

历时39天，2026年世界杯终于落幕，西班牙成功夺冠，时隔16年再度捧起大力神杯。

在本届赛事中，曾带领中国男足征战世界杯的传奇教练米卢首次纠正了我们对足球的英文表达：

“Not soccer. Football.”

他还表示，机器人和AI的发展不会取代足球这项运动：

“I prefer men, not robots.”（“我更喜欢看真人，而不是机器人。”）

然而，在本届世界杯期间，一些比赛在硅谷举行，众多科技大佬也亲临现场观赛。在硅谷，人们普遍相信AI将改变一切，但在足球这项传统运动上，这套信念似乎遇到了挑战。

过去几年，不少初创公司和资本纷纷投入重金，想要用AI颠覆足球，但实际效果却不尽如人意。

本文将深入探讨顶级俱乐部如何利用AI改造足球，包括他们尝试的项目及其成功和失败的案例。同时，我们也将分析足球科技（Football Tech）这一垂直赛道如何吸引产业投资，又如何经历自我修正的过程；更重要的是，AI正以何种方式悄然改变我们参与足球和世界杯的方式。

当然，还有一个引人深思的问题：中国的AI发展如此迅猛，是否能助力中国男足走进下一届世界杯？

本文为视频改写，欢迎大家收看以下视频

我们先来重新定义“足球AI”。如果你对足球AI的想象是AI能够提高球队胜率，成为一支球队的“AI教练”，帮助他们赢得冠军，那么目前尚无确凿证据表明AI在此方面产生了影响。

即便将范围缩小到AI是否能帮助俱乐部签下更好的球员，或提高角球进球率，结论似乎依旧相似。

目前，已有部分俱乐部进行大胆尝试，例如“红军”利物浦与谷歌DeepMind合作，开发了一套名为“TacticAI”的定位球系统，曾被誉为“足球AI的里程碑”，并合作发表了相关论文。

切尔西则与AiSCOUT这家公司合作，将AI用于青训系统，分析年轻球员的技术动作，协助青训部门发现潜在人才。

西甲球队塞维利亚曾与IBM合作，推出Scout Advisor，基于IBM watsonx打造，后来也开始使用Meta的Llama技术，从而能解析球探报告中的自然语言，比如“擅长任意球”，帮助球探快速筛选表现符合要求的球员。

在这些案例中，利物浦和DeepMind的合作最受关注。我们以该案例为例，分析AI是否真正带来了人们期待的竞技水平提升。

根据《Nature》上发表的论文，DeepMind使用了利物浦过去三个赛季的7176个角球进行训练与评估。完成后，系统理论上可以预测哪名球员最可能触球、一次角球是否能形成射门，还可建议球员如何移动和站位。

然而，我们查阅了主流科技媒体与体育媒体报道，没有发现AI系统带来显著提升的证据。于是，我们自行进行了统计数据。

我们通过StatBunker获取了过去六个赛季利物浦的角球进球数，通过StatMuse获取同期的角球总数，并计算出每个赛季的角球进球率：

从数据来看，除了2021-2022赛季外，其他赛季的角球进球率基本维持在3%左右。DeepMind和利物浦并未公开这套AI系统何时开始使用。而《Nature》上的论文发表于2024年3月，因此在2021-2022赛季期间，AI系统可能尚未启用。

这意味着，截至目前，与DeepMind合作的AI模型尚未对利物浦的角球表现产生可验证的提升。

我们此前也曾内部讨论过这个选题，并曾向Google DeepMind发出采访请求，但未收到回应。

为了解释这一现象，我们继续追问：为什么AI在其他领域风头正劲，在足球领域却始终未能推出一款对竞技成绩有颠覆影响的产品？

与多位业内人士交流后，我们得到一个可能的答案：足球是所有体育运动中偶然性最高、变量最多的项目之一。这使任何单一因素对比赛结果的影响都难以量化和验证。

影响比赛结果的变量不计其数，包括天气、裁判、场地状况、球员状态、现场氛围、球员间的关系与协作，甚至球员的心理状态。而其中的某些变量，例如“假球”常让人耳目一新。

这些变量之间相互作用，比如现场氛围会影响球员状态，裁判的判罚又会反过来影响现场氛围。同时，一些变量还会随时间变化，例如球员成名前可能非常自律，成名后则可能出现状态下滑。

相比之下，AI在足球中的应用可以说“举步维艰”。这是因为足球比赛中的许多变量难以被捕获，也不可能被计算出其对比赛结果的具体权重。AI很难理解“阅读比赛的能力”、球员之间的“化学反应”或“为了国家荣誉而战”的情感因素。

带着这样的疑问，我们继续探究：AI为什么在足球领域难以实现突破？

这背后有几个关键因素。首先是足球比赛的非线性关系。例如，控球率越高未必带来胜利，甚至可能因对手的快速反击而在比赛中失利。其次，即使拥有诸多巨星，未必能赢得冠军，反而可能因更衣室氛围的不和谐而拖累成绩。

此外，AI的预测能力也受到数据的限制。足球数据主要集中在球员的身体状况、比赛表现、战术安排等方面，但真正与竞技表现相关的关键数据却分散在数千家俱乐部之中，没有形成类似BooksCorpus或WebText那样的统一数据库。

以SciSports为例，该公司曾被认为是足球AI领域最有前景的初创公司之一。2013年，三个年轻人在荷兰恩斯赫德市的一间学生公寓里诞生了一个“硅谷式”的想法：既然《Football Manager》可以预测球员潜力，为什么现实世界做不到？

因此，他们决定开发一套足球数据智能系统，用于评估球员价值、预测潜力，甚至解析比赛本身。这正是SciSports的成立初衷。

然而，尽管早期前景看好，但十多年过去，SciSports却未能成为全球知名的足球AI独角兽。2024年，它被荷兰的VANAD Group收购。与其说是破产，不如说是行业泡沫破裂后的“自我修正”。

我们来看看SciSports的关键产品，早期其聚焦于数据化球探业务。将球员的比赛数据、联赛强度、出场时间、位置、球队表现、年龄和成长曲线输入模型，试图建立一个能在全球范围内比较球员价值的评分系统，名为“SciSkill Index”。这个产品抓住了足球转会这一高风险高价值的痛点。

但SciSports并未止步于此。它进一步开发了更高级的产品：BallJames。这套系统通过计算机视觉将比赛视频转化为实时3D数据，被称作“足球比赛的MRI”，从球场上的每一个细节进行扫描。2016年，荷兰俱乐部Heracles Almelo成为BallJames的首个用户。

SciSports在早期一度被视为“下一个欧洲独角兽”，但最终失败的原因也不难理解。首先，客户群体非常有限，愿意投入预算进行高级数据分析的职业俱乐部数量不多，而中小俱乐部边际价值低、软件预算有限，难以形成规模化市场。

其次，AI给出的建议往往难以直接用于决策。例如，一个电商推荐系统可以识别用户可能购买的商品并推送广告，但足球AI却无法直接促成一笔转会交易。俱乐部的决策涉及教练喜好、战术适配性、语言文化、伤病史、经纪人、合同、薪资结构、更衣室文化，甚至老板个人偏好。

第三，BallJames的实现路径过于“重型”：需要在球场安装传感器、部署和标定摄像机，并配备专业团队进行数据清洗和维护，这大大增加了成本和实施难度。

最后，俱乐部不愿意接受一个孤立的工具。他们都已拥有视频分析平台、球探系统、体能追踪、医疗诊断、通讯工具和数据供应商。外部AI软件难以无缝嵌入现有工作流与数据体系，这使得传统SaaS模式在足球产业中难以落地。

也许，这就是AI在足球领域“难以起飞”的原因。尽管它的理论价值很高，但要在现实中落地，仍然需要克服诸多现实障碍。