生成式AI如何應用於運動科技？

---

姜雅薰/國家運動科學中心研究助理

---

生成式AI (Generative artificial intelligence)是人工智慧的其中一個分支，其原理是利用機器學習大規模數據資料庫，並透過深度學習使其具有產生文字、圖像或其他創作形式的能力，如時下討論度極高的ChatGPT、Midjourney等工具便是使用生成式AI的技術。那這樣的技術可以如何應用在運動科技中呢？以下將列舉幾個生成式AI應用於運動科技的情境。

 

賽事播報及報導

生成式AI的其中一項技術：自然語言處理(Natural Language Processing, NLP)，該技術可以將數據資料轉化為人類溝通的語言。利用這項技術，生成式AI可以根據即時比賽數據生成賽事播報內容，可以是文字或是轉化為語音的播報型式，甚至可以調整聲調、語氣、播報風格等，生成個人化的播報方式，並於賽後可以依據比賽數據生成該賽事的報導。利用生成式AI將可以更快速且更廣泛地產出賽事相關內容，有利於拓展不同的運動項目以及打破語言上的隔閡，並觸及到更多群眾。

 

情蒐及技戰術分析

以往技戰術分析，需要投入大量人力及時間，分析大量數據及比賽影片並且整理成報告提供給教練、選手，而使用生成式AI可以加速這項流程，例如：Stats Perform公司推出的Opta Vision，這款產品應用於足球項目，利用機器視覺追蹤球員及球，分析選手的移動、傳球選擇及路徑、戰術執行成效等等，以往在影像辨識的過程中，可能會因拍攝角度或是辨識異常，造成資料缺失的狀況。而該公司利用生成式AI建立演算法，得以計算出完整的移動軌跡，彌補機器視覺在辨識上的不足。另外，生成式AI也能透過分析過往球隊或是選手的數據、影片等比賽資訊，提取重要的數據內容自動生成技戰術報告，並且可以根據需求，客製化報告型式及內容，也能隨著比賽當下情境不同，提供符合現況的數據供參考，幫助教練做出更準確的決策。

圖1 生成式AI應用於技戰術分析。

(圖：StatsPerform官方網站)

 

表現及賽事模擬

生成式AI可以透過深度學習過往比賽資訊，推測選手未來的比賽表現，進而可以進行賽事模擬、賽事情境創造等。以網球為例，有研究透過機器學習選手在比賽中的球路、落點、跑動路徑等參數，利用生成對抗網路(Generative Adversarial Networks, GAN)進行運算模擬，進而可以預測出回球的球路及落點。利用此種方式，生成式AI可以達到賽事或是表現的模擬，而教練可以根據賽事模擬的結果，制訂比賽戰術與策略，亦或是根據比賽情境及選手的特點，安排不同的場上陣容等。並且也可進行比賽情境模擬，利用生成式AI以語音或影像的方式模擬出比賽情境，幫助運動員訓練在壓力情境下的調整應對，透過客製化的情境創造能夠更接近比賽實況。

圖2 利用生成式AI模擬射擊比賽情境

(圖：國家運動科學中心)

 

傷害預防

人體姿態估計(Human Pose Estimation)是動作分析或是傷害風險評估常使用的技術，透過電腦視覺辨識人體骨架，進一步分析動作姿態，可用於評估運動傷害的機制或進行動作修正，也可作為傷後復健、回場評估的參考。然而用於辨識的影像容易受到拍攝角度的影響，而有失真的情形，而利用生成對抗網路可以輔助計算，生成更真實的姿態，甚至可以預測接下來的動作，計算受傷的風險。

另外，生成式AI也能透過分析選手的身體狀態，預測傷害發生的風險，使教練可以有所警覺，提早做出調整，預防傷害發生。如Zone 7公司推出健康及負荷管理的服務，結合感測器收集選手訓練量，並利用選手的訓練負荷、過去傷病史、年齡、賽事規劃等參數建立演算法，預測未來7天內可能受傷的部位及風險程度，並提供使用者最佳化訓練量安排，預防或減少傷害的發生機會。

 

觀眾參與

在社群網路上，媒體可利用生成式AI根據用戶的喜好生成個人化內容，也可利用生成式AI創造與觀眾的個人化互動機制，制定更針對性的行銷策略，增加觀眾的接受度及黏著度，進而提升觀眾參與。如Visa公司於2022年世界盃足球賽事期間，結合足球、科技及藝術，將足球場上的動作利用生成式AI製作出獨一無二的NFT，供體驗的球迷收藏。

圖3 生成式AI結合運動及藝術

(圖：Imagination官方網站)

 

結論

隨著生成式AI的發展，相關應用也越來越多元，生成式AI除了具備深度學習的能力，更重要的是可以提供多樣化的內容。面對到資訊量日益龐大的時代，能夠從巨量資訊中提取所需資訊是資料應用關鍵的一步，而生成式AI將有助於提升效率，可以更快地彙整所需內容，並隨著使用情境的不同更有彈性地整理成目標格式。而在運動科技上，隨著科技的發展，有越來越多運動數據、影像的產生，利用生成式AI便能夠更快地處理這些數據，呈現出更豐富的內容。而以上也僅能列舉出幾個應用的方向，未來當生成式AI更加成熟，實際上帶來的影響可能遠大於我們的想像。

 

參考資料

1. Stats Perform. https://www.statsperform.com/opta-vision/
2. Fernando, T., Denman, S., Sridharan, S., & Fookes, C. (2019). Memory augmented deep generative models for forecasting the next shot location in tennis. IEEE Transactions on Knowledge and Data Engineering, 32(9), 1785-1797.
3. Stenum, J., Cherry-Allen, K. M., Pyles, C. O., Reetzke, R. D., Vignos, M. F., & Roemmich, R. T. (2021). Applications of pose estimation in human health and performance across the lifespan. Sensors, 21(21), 7315.
4. Jain, D. K., Zareapoor, M., Jain, R., Kathuria, A., & Bachhety, S. (2020). GAN-Poser: an improvised bidirectional GAN model for human motion prediction. Neural Computing and Applications, 32(18), 14579-14591.
5. Buchanan, R., Elakim, R., & Eliakim, E. (n.d.). Artificial Intelligence in Football: A New Frontier for Mitigating Injury Risk? Sportsmith. https://www.sportsmith.co/articles/artificial-intelligence-in-football-a-new-frontier-for-mitigating-injury-risk/
6. Establishing Visa as More than Just a Credit Card. (n.d.). Imagination. https://imagination.com/work/visa-masters-of-movement