這是北京冬奧會的第7天。

隨著賽程的展開，中國軍團不僅在優勢項目上對金牌進行激烈的角逐，也迎來越來越多項目的歷史首秀，刷新一個又一個最好成績。這些不斷被創造和改寫的歷史，正是中國冬季運動跨越式發展的生動寫照，也是中國健兒對“更快、更高、更強——更團結”的奧林匹克格言的生動詮釋。

不到十年，中國冰雪運動的水平就已經追上了別人幾十年發展帶來的優勢。這也帶動越來越多的人關心冬季運動產業，并讓全民健身有了向冰雪領域發展的勢頭。

可以說，從讓世界看見中國到“讓世界看見世界”，從2008年奧運會到2022年的冬奧會，十幾年來，中國運動員與奧林匹克的故事一直在變。

值得關注的是，如今，科技也成為北京冬奧會的亮麗底色，一系列新技術、新應用，在冬奧會的各項工作中落地實踐，讓“科技冬奧”從愿景走進了現實。在很多人看來，冬奧會是個技術活兒，有著AI范兒。

#01

從動作開始

2019年，國家體育總局針對冬奧籌備工作成立專家組，希望能利用高新技術指導運動員訓練，繼而在中國劣勢項目上實現成績的突破。

這是中國備戰奧運會的傳統，最近幾屆奧運會中國代表團都享受到了科技帶來的便利，也堅定了使用高新技術配合備戰的決心。

因此，當年1月，工信部、國家體育總局開始規劃制定冰雪裝備器材產業發展行動計劃，這被看作是中國備戰冬奧的助推器。

當時，國內對于體育運動技術研發最前沿的能力，大部分集中在北京體育大學。

當時，整個北體大的研究團隊為了幫助田徑運動員，尤其是鉛球和鐵餅運動員備戰，建立了一套AI輔助運動訓練系統。

這套系統是一個無反光點人體運動自動捕捉人工智能系統，也就是不用對于目標貼放反光點，也能利用計算機自動建模對于目標的動作進行捕捉。

其中蘊藏的科技戰術是基于深度學習原理的人工智能技術，建立神經網絡模型，實現對動作視頻中人體關節點的計算機自動識別，進而建立起適用于競技體育和一般生物力學研究的計算機系統。

這套系統可以實現對運動員日常訓練動作的記錄，然后可以告知運動員哪些動作可以微調，最終實現最有效率的用鏡，從而獲得成績上的突破。

在這套系統幫助下，中國選手鞏立姣和劉詩穎在東京奧運會女子投擲項目比賽中發揮出色，分獲鉛球和標槍金牌。鞏立姣更以20米58創造了個人最好成績，也為中國隊贏得了奧運會田賽項目首枚金牌。

而這次北京冬奧會，體育總局又想起北體大的這套系統，并將提升雪上運動訓練水平的任務交給了項目組。

不過，跟他們熟悉的田徑比賽不一樣，整個研究小組在冰雪訓練中心一待就是半年，對于雪上項目和速度滑冰運動員進行了超過8000多次的數據采樣，逐漸形成了項目數據庫。

畢竟，對于冰雪運動尤其是速度滑冰項目而言，一個動作微調都可能帶來1-2秒的增速，某些時候就是決定性的時間差。而這套系統建模完成之后，AI的深度學習可以明確告知運動員什么動作沒到位，又有哪些動作不對需要調整。

同樣，上海復旦大學人工智能專家張立華團隊也關注到人工智能在訓練領域的應用機會，他意識到，動作識別與檢測、運動分析與追蹤等技術可應用于冰雪項目訓練，并提出用AI提高冰上運動訓練水平的建議。

2019年2月，在首鋼訓練基地，整個研發小組同國家體育總局冬季運動管理中心聘請的高水平運動表現顧問克里斯汀·科林斯女士進行溝通，討論了智能輔助分析系統的實用價值。在得到認可后，他帶領團隊同吉林省體育局合作，開始構建冰上運動智能訓練示范系統。

研究人員用基于人工智能計算機視覺算法，對滑冰運動員的動作、姿態、速度等信息進行分析對比，從定性、定量再到定制化分析每個運動員的特點，然后在疊加經過深度學習的系統判斷，最終為運動員矯正姿態提升成績提供幫助，提高科學化訓練水平與效率。

#02

運動捕捉與評分

其實，這次幫助冬奧選手備戰的AI系統，優點在于多項算法技術可以確保自動識別快速準確。

畢竟，這是一種運動視頻自動解析，至少需要解決識別-跟蹤-預測3個問題。首先，由于運動現場拍攝視頻，畫面環境復雜多樣，于是兩個團隊在常用的運動人體跟蹤算法中結合了光流跟蹤技術，有效規避快速運動造成的影像模糊，減少復雜背景等因素干擾，通過動作量的多少、動作幅度的大小來準確鎖定主ID（身份人物），確保能夠“跟得住”。

其次，整個系統需要對大量已標記的訓練數據進行機器學習，利用計算機系統形成神經網絡，可識別不同運動姿態下的人體關節點，達到“識別準”。

最后，該系統運用算法增加對連續運動的時間約束，即識別出各個關節點的高頻誤差并把它排除掉，以此修正關節點位置坐標，對每一幀圖像的關節點進行獨立計算，減小獨立計算時關節點位置的隨機誤差，最終獲得高精度計算結果。

來自體育總局的信息顯示，從2019年起經過數個版本的迭代升級，該系統已能快速準確地自動識別運動視頻中的人體關節點，對旋轉、翻滾等人體動作也能進行比較好的自動識別。

而如果系統采用的是工業錄像機，數據的傳輸與處理往往在1—3分鐘就可完成。這將對技巧類運動員深刻體驗競技狀態、掌握技術要領起到至關重要的作用。

同時，這一系統還提供多種空間三維標定方案，可解決大范圍、高空動作的數據采集問題。

具體來說，在縱橫20—30米的空間范圍都可覆蓋。尤其是針對跳臺滑雪空中技巧類的項目，能夠為教練員很難用肉眼識別的技術細節找尋改進的空間。

目前，該系統已被用于鋼架雪車、花樣滑冰、跳臺滑雪、越野滑雪、速度滑冰等項目的國家隊備戰訓練工作，提升的相應效果已經成為當下能看得見的運動成績突破。

另外，要幫助教練找到運動員訓練中的問題并加以解決，除了對運動態勢實現實時捕捉外，還需要建模對其進行分析。

這就是所謂的AI評分系統，可將轉瞬即逝的動作轉化為空間坐標上量化的數據指標，無論是動作糾偏還是動作打分，都可以達到極高精度。這其中運用的目標識別與目標跟蹤都是計算機視覺（CV）領域的重要研究內容。 

整個評分系統，通過對之前比賽數據的解讀和裁判標準的數據化記錄，可以會對運動員動作視頻進行逐幀的分析和檢測。

而經過目標檢測、目標描述、目標搜索和模型更新4個階段，整個系統就能得出運動員的運動軌跡和動作信息，并據此進行評分。

#03

深度學習

實際上，此次冬奧利用AI技術助力備戰的核心，是深度學習。畢竟，只要教會系統判斷運動員動作的可靠性和合理性，才能提高他們的訓練效率。而這些判斷能力的背后，無一例外意味著強大的深度學習能力。

從公開信息不難看出，當前中國的體育AI項目，大部分都采用網絡嵌入這個最新的深度學習理論。

該方法計算各種數據點直接的相似性，從中找到隱藏其中的各種結構，最后在計算機系統中建立判斷模型。

而矩陣分解的數據融合（DFMF）是網絡嵌入理論尋找數據結點的方法，可以預測異構節點之間直接和間接交互，最終幫助系統找到其中的規律。

其實，深度學習是一種機器學習技術，可以從非常大的、異構的、高維數據集的原始數據中自動提取高級特征。這一優勢使深度學習非常適合生物學中大數據的復雜性，因為它可以用于網絡嵌入以找到復雜的結構特征并學習深度、高度非線性的節點表示。

某種意義上，這個AI助力冬奧備戰的深度學習系統就是在訓練一個含有若干個模型的集合，并根據平均輸出進行預測。

為了將特殊的活動也納入考慮，深度學習和集體智能的其它組合采納了復雜系統的一些概念，如自組織、涌現行為、粒子群優化和元胞自動機。由此產生的系統，已經被證明是上一段所述某些問題的潛在解決方案。

新的技術更注重問題的表述和機制，以此促進新穎的表現或比簡單地聚集各個結果更好的結果。而AI在體育運動領域的發展，也必然會不斷推動深度學習在智能判斷領域的不斷深入和拓展。

也許，未來的冬奧會不光會有AI教練，甚至還會有AI裁判。

到那時，社會將變成一個無法想象的存在。