世界盃結束，法國隊奪冠，為何AI預測被打臉？

關鍵時刻，第一時間送達

文 / 竇悅怡 編輯 / 郭娟

歡迎下載騰訊新聞客戶端，關注科技頁卡，查看更多科技熱點新聞

此前，高盛、瑞銀、多蒙德大學等都利用AI技術對2018俄羅斯世界盃進行預測。比賽結果卻大相徑庭：高盛認為巴西最終會捧起大力神杯，瑞銀推斷是德國。AI預測足球賽，還沒那麼准。

昨晚凌晨，隨著法國和克羅埃西亞的決賽，法國隊奪冠後，這屆俄羅斯世界盃也宣告結束。

本屆世界盃，我們見證了一場場精彩的比賽，看到每個隊的球員為了國家榮譽勇敢拼搏，也看到了現場的觀賽的球迷，充滿激情地為自己的國家加油助威。

除了精彩的比賽，這屆世界盃也引入了諸多科技——5G、VAR、智能設備、人工智慧等，其中，AI賽事預測在世界盃的應用最為人們關注。

B2B圈了解到，諮詢機構、金融機構、博彩公司、科技企業等都在賽前或者賽中，利用AI的各種演算法模擬預測數千萬場比賽，進行每場比分預測，預測大賽冠亞軍。

有趣的是，人工智慧的預測結果卻差強人意。賽前，高盛集團利用數據挖掘、機器學習和計量經濟學對比賽結果進行了百萬次模擬，從而預測出每輪比賽中的勝利者。高盛最後得出結論：決賽中，巴西隊會擊敗衛冕冠軍德國隊，最終捧起大力神杯。

這樣的例子還有：德國多特蒙德大學研究者，通過設計的獨立AI產品預測到，西班牙將贏得大力神杯；瑞銀集團則在使用了「用以幫助客戶挑選股票的計量經濟學工具」後得到了「高度精準的模型」，認為德國隊將再次捧起大力神杯。

可是，隨著德國、西班牙、阿根廷、法國、葡萄牙等傳統豪門球隊接連被淘汰，無論是足球圈、科技圈還是金融圈，對AI預測這件事充滿了嘲諷聲：AI預測被打臉，我們要「天台見」。

那麼，AI是否能夠預測比賽賽事？原理是什麼？AI預測失敗的原因是什麼？相信看過B2B圈這篇文章後，大家會有一定的答案。

AI預測賽事，還在探索期

AI預測是基於企業歷史數據分析、利用深層次的數據模型和機器學習等演算法，替代傳統人為的經驗式決策，預測分析出結果，從而可以快速幫助企業搭建從數據分析到商業決策的橋樑，進而使企業在複雜的數據環境中找到最佳解決方案。

目前，AI 預測已經應用在金融、零售、製造、醫療、文娛等領域。如零售業的庫存管理、產品銷量預測；製造業的工廠設備故障預測；金融業的信用卡逾期還款預測和借貸風險預測；醫療領域疾病的預測；文娛領域通過AI預測奧斯卡獎項、AI預測綜藝選秀節目的冠軍……

這些場景都在實踐AI預測，體育賽事也不例外。早在AI預測世界盃足球賽事之前，已經有人把AI預測到橄欖球、網球、籃球等領域。其中，「超級碗」比賽（是美國職業橄欖球大聯盟NFL的年度冠軍賽）是AI預測賽事最為典型案例。

2017年2月，美國的Unanimous A.I.公司利用自主UNU平台成功預測了「超級碗」的準確比分。此外，Unanimous A.I.準確預測了肯塔基賽馬會的一項比賽結果，這項結果的賠率為540比1。這也讓該公司創始人路易斯·羅森博格（Louis Rosenberg）用20美元賺到了1.1萬美元。

據悉，Unanimous A.I.創始人羅森博格將「蜂群思維」引入UNU中，讓用戶可以通過移動游標，使結果更接近想要的答案，從而協調預測。在其平台上，AI提供後端演算法，這些演算法監控到用戶在平台上如何互動，他們的互動是否表現出信心、過度信心或不確定性，並試圖引導遊標移動至最能代表群體觀點的位置。

簡單來說，通過蜂群實驗，可以將預測結果與實際情況進行對比，羅森博格及其團隊希望獲得具有統計意義的足夠數據來完善平台，讓預測更準確。同時，其他研究人員也在多項研究中測試蜂群智慧的理論，也取得了良好的結果。

例如，根據相關資料顯示，在牛津大學的一項研究中，美國足球迷被要求預測英超聯賽的比賽結果。在他們進行預測時，準確率約為55%。而作為「蜂群」的一部分，他們的準確率上升至72%。

據悉，關於今年的「超級碗」，UNU也做出了預測，結果是愛國者隊將以4到6分的優勢勝出，比賽總分將超過48.5分。此外，UNU還成功預測了馬克龍當選法國總統，不過這是題外話了。

再回到今年世界盃的AI預測賽事結果，以高盛集團為例，他採用AI技術，綜合每個球隊的小組表現、球員的個人表現、往年世界盃戰績等信息，利用機器學習模型將這些數據與2005年以來的世界盃和歐洲杯比賽得分進行對比，然後，他們還對世界盃進行了100萬次模擬，最終預測結果顯示，巴西最終將在決賽中擊敗德國。

然而，結果我們都看到了，德國、巴西全部出局，無緣世界盃決賽。那麼，為什麼AI預測在體育賽事里，預測結果如此不穩定？

缺乏有效數據

通過以上對比，我們不禁要問，AI預測「超級碗」比賽已經很不錯了，為什麼卻慘敗在本屆世界盃上？答案是：賽事不確定性太強，缺乏有效數據支撐！

我們知道，AI的發展離不開數據、演算法、場景化落地這「三駕馬車」，其中，數據是基礎，是AI的原材料，同時，這些數據是指企業經過處理和加工後的高價值數據。如果數據量不夠、質量不高，很難訓練演算法模型，更別說產品化、場景落地了。

其實，早些年AI沉寂了很長一段時間，很大程度是因為算力以及數據的匱乏。現在，隨著存儲變得非常便宜以及數據大規模的爆發，湧現出了非常多的應用，這一時期的代表性事件為阿爾法狗大戰李世石，使得AI重回大眾視野中。

業內人士認為，體育賽事會帶來大量人工智慧開發者喜歡的數據。具體的例子包括籃球前鋒的投籃命中率、橄欖球選手的跑動距離，以及足球中場球員的助攻等。體育賽事中還有其他不太明顯的數據，可以讓我們獲得更精細、更完整的視點。

然而，在數據的數量和質量方面，並非所有體育運動都是平等的。例如棒球，很容易拿出球員的各項統計數據。而網球協會則會收集高精度數據集，其中包括比賽中球的運行軌跡，從而讓預測分析變得更簡單。

具體到足球賽事上，會涉及選手的身體狀態，精神品質，球隊士氣、教練的排兵布陣、球員的臨場發揮，裁判的爭議吹罰等因素，這些數據不但會影響賽場發揮，也無法收集有效數據，反哺模型演算法。

其次，有些比賽壓根就沒有數據。國家隊之間的歷史交戰記錄非常稀疏，這些數據沒有任何借鑒意義，這樣無法提供足夠多的信號支持預測的結果。

此外，業內人士認為，數據本身也具有一定的欺騙性，畢竟在統計時，一腳世界盃進球和對方的烏龍球都會成為比分牌上的數字「1」，但這個數字卻無法完全真實反映場上的情況。

總的來說，在足球賽事上，缺乏大量有效的數據支撐，同時球賽的影響因素充滿著不確定性，無法通過數據反哺模型訓練，這樣就很難做出正確的預測。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！