新的技术更注重问题的表述和机制，以此促进新颖的表现或比简单地聚集各个结果更好的结果。而AI在体育运动领域的发展，必然会不断推动深度学习在智能判断领域的不断深入和拓展。
随着赛程的展开，中国军团不仅在优势项目上对金牌进行激烈的角逐，也迎来越来越多项目的历史首秀，刷新一个又一个最好成绩。这些不断被创造和改写的历史，正是中国冬季运动跨越式发展的生动写照，也是中国健儿对“更快、更高、更强——更团结”的奥林匹克格言的生动诠释。
不到十年，中国冰雪运动的水平就已经追上了别人几十年发展带来的优势。这也带动越来越多的人关心冬季运动产业，并让全民健身有了向冰雪领域发展的势头。
可以说，从让世界看见中国到“让世界看见世界”，从2008年奥运会到2022年的冬奥会，十几年来，中国运动员与奥林匹克的故事一直在变。
值得关注的是，如今，科技也成为北京冬奥会的亮丽底色，一系列新技术、新应用，在冬奥会的各项工作中落地实践，让“科技冬奥”从愿景走进了现实。在很多人看来，冬奥会是个技术活儿，有着AI范儿。
01丨从动作开始
2019年，国家体育总局针对冬奥筹备工作成立专家组，希望能利用高新技术指导运动员训练，继而在中国劣势项目上实现成绩的突破。
这是中国备战奥运会的传统，最近几届奥运会中国代表团都享受到了科技带来的便利，也坚定了使用高新技术配合备战的决心。
因此，当年1月，工信部、国家体育总局开始规划制定冰雪装备器材产业发展行动计划，这被看作是中国备战冬奥的助推器。
当时，国内对于体育运动技术研发最前沿的能力，大部分集中在北京体育大学。
当时，整个北体大的研究团队为了帮助田径运动员，尤其是铅球和铁饼运动员备战，建立了一套AI辅助运动训练系统。
这套系统是一个无反光点人体运动自动捕捉人工智能系统，也就是不用对于目标贴放反光点，也能利用计算机自动建模对于目标的动作进行捕捉。
其中蕴藏的科技战术是基于深度学习原理的人工智能技术，建立神经网络模型，实现对动作视频中人体关节点的计算机自动识别，进而建立起适用于竞技体育和一般生物力学研究的计算机系统。
这套系统可以实现对运动员日常训练动作的记录，然后可以告知运动员哪些动作可以微调，最终实现最有效率的用镜，从而获得成绩上的突破。
在这套系统帮助下，中国选手巩立姣和刘诗颖在东京奥运会女子投掷项目比赛中发挥出色，分获铅球和标枪金牌。巩立姣更以20米58创造了个人最好成绩，也为中国队赢得了奥运会田赛项目首枚金牌。
而这次北京冬奥会，体育总局又想起北体大的这套系统，并将提升雪上运动训练水平的任务交给了项目组。
不过，跟他们熟悉的田径比赛不一样，整个研究小组在冰雪训练中心一待就是半年，对于雪上项目和速度滑冰运动员进行了超过8000多次的数据采样，逐渐形成了项目数据库。
毕竟，对于冰雪运动尤其是速度滑冰项目而言，一个动作微调都可能带来1-2秒的增速，某些时候就是决定性的时间差。而这套系统建模完成之后，AI的深度学习可以明确告知运动员什么动作没到位，又有哪些动作不对需要调整。
同样，上海复旦大学人工智能专家张立华团队也关注到人工智能在训练领域的应用机会，他意识到，动作识别与检测、运动分析与追踪等技术可应用于冰雪项目训练，并提出用AI提高冰上运动训练水平的建议。
2019年2月，在首钢训练基地，整个研发小组同国家体育总局冬季运动管理中心聘请的高水平运动表现顾问克里斯汀·科林斯女士进行沟通，讨论了智能辅助分析系统的实用价值。在得到认可后，他带领团队同吉林省体育局合作，开始构建冰上运动智能训练示范系统。
研究人员用基于人工智能计算机视觉算法，对滑冰运动员的动作、姿态、速度等信息进行分析对比，从定性、定量再到定制化分析每个运动员的特点，然后在叠加经过深度学习的系统判断，最终为运动员矫正姿态提升成绩提供帮助，提高科学化训练水平与效率。
02丨运动捕捉与评分
其实，这次帮助冬奥选手备战的AI系统，优点在于多项算法技术可以确保自动识别快速准确。
毕竟，这是一种运动视频自动解析，至少需要解决识别-跟踪-预测3个问题。首先，由于运动现场拍摄视频，画面环境复杂多样，于是两个团队在常用的运动人体跟踪算法中结合了光流跟踪技术，有效规避快速运动造成的影像模糊，减少复杂背景等因素干扰，通过动作量的多少、动作幅度的大小来准确锁定主ID(身份人物)，确保能够“跟得住”。
其次，整个系统需要对大量已标记的训练数据进行机器学习，利用计算机系统形成神经网络，可识别不同运动姿态下的人体关节点，达到“识别准”。
最后，该系统运用算法增加对连续运动的时间约束，即识别出各个关节点的高频误差并把它排除掉，以此修正关节点位置坐标，对每一帧图像的关节点进行独立计算，减小独立计算时关节点位置的随机误差，最终获得高精度计算结果。
来自体育总局的信息显示，从2019年起经过数个版本的迭代升级，该系统已能快速准确地自动识别运动视频中的人体关节点，对旋转、翻滚等人体动作也能进行比较好的自动识别。
而如果系统采用的是工业录像机，数据的传输与处理往往在1—3分钟就可完成。这将对技巧类运动员深刻体验竞技状态、掌握技术要领起到至关重要的作用。
同时，这一系统还提供多种空间三维标定方案，可解决大范围、高空动作的数据采集问题。
具体来说，在纵横20—30米的空间范围都可覆盖。尤其是针对跳台滑雪空中技巧类的项目，能够为教练员很难用肉眼识别的技术细节找寻改进的空间。
目前，该系统已被用于钢架雪车、花样滑冰、跳台滑雪、越野滑雪、速度滑冰等项目的国家队备战训练工作，提升的相应效果已经成为当下能看得见的运动成绩突破。
另外，要帮助教练找到运动员训练中的问题并加以解决，除了对运动态势实现实时捕捉外，还需要建模对其进行分析。
这就是所谓的AI评分系统，可将转瞬即逝的动作转化为空间坐标上量化的数据指标，无论是动作纠偏还是动作打分，都可以达到极高精度。这其中运用的目标识别与目标跟踪都是计算机视觉(CV)领域的重要研究内容。
整个评分系统，通过对之前比赛数据的解读和裁判标准的数据化记录，可以会对运动员动作视频进行逐帧的分析和检测。
而经过目标检测、目标描述、目标搜索和模型更新4个阶段，整个系统就能得出运动员的运动轨迹和动作信息，并据此进行评分。
03丨深度学习
实际上，此次冬奥利用AI技术助力备战的核心，是深度学习。毕竟，只要教会系统判断运动员动作的可靠性和合理性，才能提高他们的训练效率。而这些判断能力的背后，无一例外意味着强大的深度学习能力。
从公开信息不难看出，当前中国的体育AI项目，大部分都采用网络嵌入这个最新的深度学习理论。
该方法计算各种数据点直接的相似性，从中找到隐藏其中的各种结构，最后在计算机系统中建立判断模型。
而矩阵分解的数据融合(DFMF)是网络嵌入理论寻找数据结点的方法，可以预测异构节点之间直接和间接交互，最终帮助系统找到其中的规律。
其实，深度学习是一种机器学习技术，可以从非常大的、异构的、高维数据集的原始数据中自动提取高级特征。这一优势使深度学习非常适合生物学中大数据的复杂性，因为它可以用于网络嵌入以找到复杂的结构特征并学习深度、高度非线性的节点表示。
某种意义上，这个AI助力冬奥备战的深度学习系统就是在训练一个含有若干个模型的集合，并根据平均输出进行预测。
为了将特殊的活动也纳入考虑，深度学习和集体智能的其它组合采纳了复杂系统的一些概念，如自组织、涌现行为、粒子群优化和元胞自动机。由此产生的系统，已经被证明是上一段所述某些问题的潜在解决方案。
新的技术更注重问题的表述和机制，以此促进新颖的表现或比简单地聚集各个结果更好的结果。而AI在体育运动领域的发展，也必然会不断推动深度学习在智能判断领域的不断深入和拓展。
也许，未来的冬奥会不光会有AI教练，甚至还会有AI裁判。
到那时，社会将变成一个无法想象的存在。
