本文来自微信公众号： 硅谷101 ，作者：硅谷101
历时39天，美加墨世界杯终于落下了帷幕，西班牙最终夺得冠军，时隔16年再次捧起了大力神杯。
我们这次在见到曾带领中国男足进入世界杯的传奇教练米卢时，他首先纠正了我们对足球的英文表达：
"Not soccer.Football."
随后，他又告诉我们，机器人和AI的发展不会取代足球这项运动：
"I prefer men,not robots."（“比起机器人，我更喜欢看真人。”）
此次的世界杯，一些比赛也在硅谷举行，众多科技大佬都曾前往现场观赛。在硅谷，人们相信AI将改变一切，但面对足球，这套信念似乎遇到了挑战。
过去几年，确实有不少初创公司和资本投入重金，试图用AI颠覆足球，但结果并不像人们想象得那么乐观。
这篇文章，我们将讨论顶级俱乐部如何利用AI改造足球，它们做过哪些尝试，又有哪些成功与失败的案例。Football Tech这一垂直赛道如何拥抱产业投资，又如何经历自我修正；以及AI正在如何悄悄改变我们参与足球和世界杯的方式。
当然，还有一个终极问题：中国的AI发展如此迅速，能让中国男足进入下一届世界杯吗？
本文为视频改写，欢迎大家收看以下视频
我们先定义一下“足球AI”。如果你对足球AI的想象是，它能够提高球队胜率，成为一名“AI教练”，帮助球队赢得冠军，那么目前还没有证据能够表明，AI在这方面发挥了作用。
即便把范围再进一步缩小，例如AI能否帮助俱乐部签下更好的球员，或者提高角球的进球率，结论或许依然相同。
目前，已经有一些俱乐部做出了大胆尝试。例如，大名鼎鼎的“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。它曾被媒体称为“足球AI的里程碑”，DeepMind还为此专门在《Nature》上发表了论文。
切尔西则与一家名为AiSCOUT的公司合作，将AI用于队内的青训系统。AI会分析年轻球员的各项技术动作，帮助青训部门发现优秀球员。
西甲的塞维利亚也曾与IBM合作，推出Scout Advisor。这套系统基于IBM watsonx，后来也使用过Meta的Llama。它能够理解球探报告中的自然语言，例如“擅长任意球”，帮助球探从大量报告中快速找到合适的球员。
在这些尝试中，利物浦与DeepMind的合作最为知名。我们以此为例，看看AI能否带来人们想象中的竞技水平提升。根据《Nature》上发表的论文，DeepMind使用了利物浦三个赛季的7176个角球进行训练和评估。完成训练后，模型理论上可以预测哪名球员更可能第一个触球、一次角球能否形成射门，也可以建议球员如何移动和站位。
一家足球豪门与一家顶尖AI公司合作，还在《Nature》上发表了论文，这样的组合听起来颇具说服力。但具体效果如何？利物浦的角球进球率真的提高了吗？我们查阅了主流科技媒体和体育媒体的报道，没有找到相关结论。于是，我们自己做了一次统计。
我们让AI从StatBunker调取了过去六个赛季利物浦的角球进球数，又从StatMuse调取了同期利物浦获得的角球数量，并计算出每个赛季的角球进球率：
从数据中可以看出，除了2021到2022赛季，其他赛季的角球进球率并没有显著变化，基本都在3%左右。DeepMind和利物浦都没有披露，这套AI系统具体从何时开始使用。《Nature》上的论文发表于2024年3月，因此在2021到2022赛季，这套系统大概率还没有投入使用。
也就是说，截至目前，与DeepMind合作开发的模型，尚未对利物浦的角球表现形成任何有数据支撑的改善。我们此前也曾在内部讨论过这个选题，并向Google DeepMind发出采访邀请，但没有收到回复。
沿着这组统计产生的疑问继续追问：为什么AI在其他领域一路狂飙，足球领域却始终没有出现一款，能够对竞技成绩产生颠覆性影响的AI产品？
我们与一些业内人士交流后，得到的一个可能答案是：足球是所有体育运动中偶然性最高、变量最多的项目之一。这使得任何单一因素对比赛结果的影响，都很难被量化和验证。
一场比赛的结果受到太多变量影响，多到甚至无法完整统计。天气、裁判、场地条件、球员状态、现场氛围、球员之间的关系与协作，甚至球员的心理状态，都可能决定比赛结果。当然，还有阴谋论中的假球。
这些复杂变量还会相互影响，例如，现场氛围会影响球员状态，裁判的判罚也会反过来影响现场氛围。同时，一些变量还会随着时间推移发生变化，例如球员成名前可能非常自律，成为亿万富翁后却可能逐渐松懈。
一些变量的权重同样会发生变化，而且很难预测。以不自律为例，一位球员在年轻时，不自律的行为习惯或许对球场表现影响不大，年龄增长后，却可能导致状态明显下滑。但也存在反例：同样是体重超标，大罗依然是世界顶级球员。
这就形成了一个悖论：AI无法控制变量，导致模型的提升十分缓慢；即使俱乐部成绩有所提高，也很难证明这是AI带来的结果，而不是其他因素共同作用的结果。
足球中的很多变量无法量化，更难计算这些变量对比赛结果的影响权重。AI或许无法理解什么叫“阅读比赛的能力”，什么叫球员之间的“化学反应”，也很难理解什么叫“为了国家荣誉而战”。这些难以量化的变量几乎可以无穷无尽地列下去：强队底蕴、对胜利的渴望、更衣室氛围，以及裁判尺度的松紧等。
以本届世界杯的最大黑马佛得角为例，这是一个只有几十万人口的岛国，球员大多效力于低级别联赛，全队身价加起来还没有梅西高。AI如何能够预测，这样一支球队会连续逼平西班牙和乌拉圭，甚至把阿根廷几乎逼上绝境？
一份符合IPSO（国际职业球探组织）标准的球探报告，不仅要包括速度、耐力、弹跳等可以量化的指标，还要考察很难量化的位置感、领导力、决策力和比赛态度等因素。著名教练穆里尼奥就要求手下的球探评估球员的性格，包括是否自律、有钱之后是否张扬等维度。
足球中的因果关系往往是非线性的，增加控球率不一定能够提高胜率，反而可能因为对手的防守反击而输球。让11名超级巨星组成一支球队，也不一定能够赢得冠军，反而可能因为更衣室里谁也不服谁，导致成绩还不如一支平民球队。
足球中的这种非线性关系，恰恰是AI最难处理的类型。除此之外，AI在足球领域效果有限，还有一个重要原因：数据。
足球的数据究竟是什么？足球由人来踢，因此，球员的竞技和身体数据，分散在全世界数千家俱乐部中。足球行业从来没有形成，类似BooksCorpus和WebText这样的大型文本数据集。
球员公开的身体数据，例如身高、体重等，最多只能用来制作球星卡。真正与竞技表现相关的身体数据，则完全不同。例如，一篇俱乐部不公开的球员报告，可能包括以下数据：
局部体脂分布：包括腹部、大腿前侧和后侧、臀部、肩背等部位的分区体脂。这些数据会影响球员的爆发力、对抗能力和伤病风险。
快肌与慢肌纤维比例：决定球员更偏向爆发型还是耐力型，属于天生属性，极难通过后天改变。
肌肉横截面积（CSA）：包括股四头肌、腘绳肌和臀肌等部位，直接关系到球员的对抗能力、射门力量和伤病概率。
乳酸阈值与实测最大摄氧量：直接关系到球员能够承受多长时间的高压比赛。
重复冲刺能力：连续进行5至10次冲刺后的速度衰减率，是高压逼抢战术的核心指标。
地面反作用力：球员急停、变向和起跳时，脚对地面产生的压力，可以用来判断动作是否合理。
发力链时序：球员射门或传球时，髋关节、膝关节和脚踝的发力顺序，既能判断动作是否合理，也是针对性训练的重要参考。
相关数据需要通过动作捕捉、测力台和肌电图同步采集。即使AI公司使用多角度摄像机与AI姿态模拟，也很难达到实验室的精度。也就是说，这些数据几乎不可能由AI公司通过公开渠道获得。
再以AI公司早期聚焦的伤病预测模型为例。俱乐部掌握的私有数据中，还包括以下内容：
细胞内外液比例：可以用来判断水肿、肌肉炎症和过度疲劳。
步态不对称性：左右腿发力差异和落地重心偏移，可能是肌肉拉伤、十字韧带撕裂等严重伤病的前兆。
关节松弛度和韧带稳定性：可以反映脚踝、膝盖和髋关节的松动程度，是伤病的高危信号。
隐性微损伤和软组织疤痕硬度：可以判断旧伤术后的肌腱弹性和疤痕粘连程度，直接影响再次受伤的概率。
这些数据分散在数千家俱乐部中，没有任何一个组织或商业公司能够完整获得。与此同时，每一家俱乐部单独掌握的数据，样本量又不够大。因此，我们可以总结出，AI在足球领域失效的几个原因：
足球是一项低得分、高随机性的运动，数据信号极弱。
比赛胜负由少量关键事件决定，而不是整体统计规律。
球场上进行的是对抗性动态博弈，既有规律会被对手主动破坏。
AI只能理解历史相关性，无法理解真实因果；同时，足球中不可量化的数据过多。
因此，AI想要在足球领域复刻“ChatGPT时刻”或“Claude Code时刻”，非常困难。而在商业层面，一度令资本充满期待的Football Tech，也经历了一轮自我修正的周期。
在全球AI公司估值不断上涨、只要沾上AI概念股价就可能飙升的今天，AI足球技术领域却始终没有出现一家独角兽。我们以曾经的Football Tech明星初创公司SciSports为例，看看这个产业背后的困境。
2013年，在荷兰恩斯赫德市的一间学生公寓里，三个年轻人产生了一个听起来非常“硅谷”的想法：如果《Football Manager》可以在游戏中预测球员潜力，那么在现实世界中，为什么不行？
于是，他们决定开发一套足球数据智能系统，帮助职业俱乐部判断球员价值、预测球员潜力，甚至理解比赛本身，这家公司就是SciSports。在当时，这个故事几乎踩中了所有热门关键词：足球、AI、机器学习、计算机视觉、转会市场、全球化数据库和职业俱乐部客户。
想象一下，如果能够提前一年发现下一个哈兰德、贝林厄姆或姆巴佩，就可能帮助俱乐部节省数千万欧元。如果一款软件能够参与转会决策，它是否应该成为一家估值十亿美元的公司？
但十多年过去，SciSports没有上市，也没有成为全球知名的足球AI独角兽。2024年，它被荷兰VANAD Group收购。为什么这样一个看起来无比正确的创业方向，最终没有变成足球世界的Palantir？
我们先来看看SciSports的产品，早期它主要做的是数据化球探业务。它将球员的比赛数据、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，试图建立一个可以在全球范围内比较球员的评分系统，名为SciSkill Index。
这个切入点非常聪明。转会是足球领域最昂贵、也最容易出错的决策之一。买错一名球员，俱乐部可能损失数百万甚至数千万欧元。但如果一套数据系统，能够帮助俱乐部提前发现被低估的资产，它的价值听起来非常巨大。
但SciSports并不满足于只做球员数据库。它开始开发更重的产品：BallJames。这套系统的目标，是通过计算机视觉将比赛视频转化为实时3D数据。SciSports曾将其形容为足球比赛的“球场MRI”，像扫描人体一样，扫描整块球场。2016年，荷兰俱乐部Heracles Almelo成为最早安装BallJames的职业俱乐部之一。
SciSports找到的这些痛点十分准确，以至于它后来被贴上了一个很有想象力的标签：Next European Unicorn（下一个欧洲的独角兽）。但它为什么没有成功？
第一个问题是，客户少，预算窄。
足球看起来是一个全球市场，但真正愿意为高级数据分析投入大量资金的客户，主要是职业俱乐部、联赛、足协和经纪公司。顶级俱乐部有钱，但数量有限；中小俱乐部数量很多，软件预算却非常有限。
一套系统或许能够帮助球队节省上千万欧元的转会费，但俱乐部未必愿意每年为软件支付数百万欧元。这正是体育科技最尴尬的地方：企业创造的是“决策价值”，但在付费时，客户可能只把它当作“订阅软件”。
第二个问题是，AI给出的答案很难直接转化为决策。
如果一个电商推荐系统判断某位用户可能会购买鞋子，平台可以立刻向他推送广告。但如果一套足球AI判断某名边锋潜力很高，俱乐部却不能立刻刷卡下单。
俱乐部还需要考虑教练是否喜欢这名球员、战术是否适配，以及语言文化、伤病史、经纪人、合同、薪资结构、更衣室性格，甚至老板的个人偏好。因此，足球转会是一个由数据、政治、人情和风险共同作用的复杂决策。
第三个问题是，底层数据太重。
BallJames非常先进，但如果一套系统需要在球场安装设备、部署和标定摄像机，并承担维护与数据清洗工作，它的扩张速度就很难像纯SaaS一样，实现指数级增长。
因此，后来的行业趋势逐渐转向另一条路径：从现有转播画面、单机位视频和战术机位中直接提取追踪数据，而不是将整座球场和整场比赛3D化。谁能以更低的成本将普通视频转化为结构化数据，谁就更容易实现规模化。这里，最终计算的依然是一笔经济账。换句话说，SciSports很早就看到了正确的方向，但早期的实现路径可能过于沉重。
第四个问题是，俱乐部不想再购买一个孤立的工具。
足球俱乐部内部已经拥有视频平台、球探系统、体能系统、医疗系统、沟通工具和数据供应商。分析师最担心的是，外部软件无法顺利嵌入内部工作流和数据体系。从这个角度看，传统SaaS模式并不适合SciSports，而Palantir的模式同样不适合，因为它的客户没有足够的预算支持单独部署。这也是Football Tech行业，后来出现大量并购的原因。
例如，StatsBomb一度是职业足球领域，颇具影响力的高级事件数据和模型公司。2024年，它被美国体育视频平台Hudl收购。Hudl的逻辑非常清楚：它原本就在做视频分析和教练工作流，将StatsBomb的高级数据接入之后，就可以把“视频、数据、球探和比赛分析”打包销售给职业球队。
再比如Second Spectrum，它曾是NBA、英超和MLS的官方数据追踪与分析供应商之一，可以将比赛中的球员和足球转化为机器可读的数据，再服务于教练、分析师、媒体和转播方。但在2021年，它被体育数据公司Genius Sports以约2亿美元收购。
还有Sportlogiq，其主要市场是冰球。2026年，它被美国公司Teamworks收购。Teamworks将自己定位为“体育行业操作系统”，希望把球队运营、运动员管理、表现分析和AI洞察整合在一个平台中。Sportlogiq的收购价格没有披露，第三方数据库Dealroom曾给出约2000万至3000万美元企业价值的估算。
最后是前面重点提到的SciSports，2024年，它被荷兰VANAD Group收购，交易价格没有披露。按照早期融资数据，Wellfound显示，SciSports在2017年融资后的估值约为1580万美元。可以说，它早期“成为下一个欧洲科技独角兽”的愿望，最终落空了。
足球市场巨大吗？当然巨大，足球是全球第一运动，拥有数十亿球迷。转会市场昂贵吗？当然昂贵，头部俱乐部每年的投入都如同天文数字。AI有用吗？确实有用，数据可以提高球探、分析和训练的效率。
但这些因素叠加在一起，并不自动等于一家估值十亿美元的软件公司。因为足球作为“文化产业”非常庞大，作为“职业俱乐部软件市场”，却没有想象中那么大，这是SciSports的故事中最重要的反转。
因此，Football Tech很难只依靠一个数据模型、一套球探评分系统或一款视频分析工具，支撑起一家超级独角兽。但如果这些产品能够被整合进一个大型平台，成为“视频、数据、球探、训练和转播”链条的一部分，它们依然具有商业价值。
至此，答案似乎已经出现：真正的问题并不是AI没有用，而是足球俱乐部的软件预算太窄、销售周期太长、工作流太碎，导致单点产品很难独立成长为行业巨头。
虽然AI目前还无法提高球员成绩和球队整体水平，但如果将视野从足球比赛，扩大到世界杯这样的体育赛事，就会发现其中的技术含量正在不断提高，AI也在逐渐改变观赛体验。
最近葡萄牙对阵克罗地亚的淘汰赛，就是一个很好的例子。在7月3日举行的美加墨世界杯1/16决赛中，视频助理裁判（VAR）系统介入，发现克罗地亚球员越位，主裁判因此判定进球无效。这一判罚，帮助葡萄牙队以2比1逆转克罗地亚。
协助裁判完成最终裁决的，是比赛用球中搭载的一枚500Hz惯性测量单元，也就是IMU。它可以实时追踪三维空间中的加速度和细微动作，从而捕捉到克罗地亚球员马塔诺维奇的头部，极其轻微地碰到了足球。在没有IMU足球和VAR的时代，这样的细节几乎不可能被人类裁判捕捉。
在本届世界杯决赛的前两天，我们飞往迈阿密，走进了本届世界杯的“大脑”。它藏在Coral Gables一条安静的街道上，是一栋外部没有任何标识的六层小楼，被称为赛事总部。48支球队、104场比赛、16座球场，再加上北美600多个站点，除了转播之外的一切，都从这栋楼里进行调度。
以往的世界杯比赛结束后，FIFA经常向各支国家队提供大量赛后数据。五六十页的数据报告，加上大量摄像机画面，会被一次性交给教练和分析师处理，工作量非常大。
本届世界杯在数据采集上投入了大量资源，16个比赛场地，每个场地安装16台光学追踪摄像机，每秒扫描29个点、采集50次；再加上足球中每秒采集500次数据的传感器，一场比赛可以积累超过1.5亿个追踪数据点。相比之下，上届世界杯的这套系统只采集了60万个数据点，本届直接增加了数百倍。如此庞大的数据量，主要用于三件事：
第一，越位判定更加准确。
现在，只要球员越位超过10厘米，且系统对判定有足够把握，助理裁判的耳麦中就会直接响起音频提示，裁判可以当场举旗。为了提高判罚准确度，本届世界杯的1248名球员都在赛前完成了全身3D扫描，相当于每个人都拥有一个虚拟分身，并被输入越位判罚系统，作为判罚依据。
第二，解决“足球是否出界、是否过线”这类长期存在争议的判罚。
还记得上届世界杯，日本对阵西班牙的那次判罚吗？三笘薫在底线附近将球救回，肉眼看起来足球似乎已经出界，但VAR经过两分钟的判断，认定足球仍有极小的一部分压在线上，进球有效，德国也因此被淘汰。
对于这种毫米级的关键判罚，现在可以通过整场比赛的实时3D重建，再配合足球中的传感器锁定精确轨迹，VAR不再需要依靠几张模糊截图进行判断。越位干扰也是如此，球员究竟有没有挡住门将的视线，通过3D视角就可以看得一目了然。
第三，为转播机构和观众提供新的观赛方式。
观众可以在转播画面中看到球员的3D分身，部分转播合作伙伴还可以利用这些数据，将精彩镜头甚至整场比赛制作成3D版本，重新呈现给观众。
本届世界杯还有一些有趣的技术应用，为了打击世界杯期间的犯罪活动，墨西哥花费14.5万美元购买了一批机器狗，协助警方对冲突现场进行初步干预，从而保护警察的人身安全。
Myles Spittle
以半自动越位为例，它是在帮助裁判、消除人为失误，这有好有坏：作为一个足球纯粹主义者，我觉得人为失误有时反而给比赛增添了戏剧性；但当赌注如此之高、边际如此之小时，你需要100%的准确——能不能检测到头发碰了球，可能就是进球与否、胜负之间的差别。
我也看到它在幕后影响着比赛：让运营运转得更顺畅，让球队更高效，降低赛事期间出岔子的风险。
因此，不得不说，世界杯正在变得更加技术化，也更加AI化。但这些尝试仍然处于非常早期的阶段。目前，技术的主要用途依然集中在判罚、比赛数据采集和观赛体验上。真正让AI提高人类的足球成绩，甚至指导人类踢球，仍然为时尚早。
米卢告诉我们，未来一切皆有可能，机器人甚至可能取代人类踢球，未来也可能出现机器人世界杯或AI世界杯。
但足球对于人类而言是特别的，也是珍贵的。这里是人类创造奇迹的地方，也是充满惊喜、信念与泪水的地方。当人类面对AI“节节败退”时，足球也许会成为人类“最后的堡垒”，也让我们在陷入AI狂热时，重新思考AI的边界究竟在哪里。
是的，你怎么能不爱足球？
我们很高兴在墨西哥的一场活动中见到了米卢，人们依然感激这位传奇教练，在24年前为中国球迷带来的惊喜。也希望这样的惊喜，能够再次到来。