股票融资标准 <播客分享>NBA表现科学家+体能教练|Siri创始人|NHL体能教练对于人工智能和竞技体育的看法_数据_人类_The

Max大郭（备注：郭佰鑫）股票融资标准

一位运营着公众号体育科学和AI大模型爱好者，喜欢刷科技资讯的大学生

联系我：MaxGBX （欢迎科研、产品、自媒体合作交流）

摘要

由朱利安·布兰德（Julian Blind）主持的《The Upside》播客节目，与人工智能和顶级体育领域的专家展开深度对话，探讨生成式人工智能技术在职业体育中不断演变的角色与整合。讨论聚焦于人工智能如何有望改变体育组织的决策模式、运动员表现及运营效率，同时强调了准确性、数据质量、透明度和人机交互等关键挑战。参与讨论的小组成员包括人工智能企业家、运动科学家、体能教练和行业实践者，他们就人工智能的未来影响、应用场景及风险分享了多元视角。专家们强调了人类专业知识与人工智能结合的重要性、优质数据管理的必要性，以及人工智能驱动工具的逐步采用。参与者还讨论了体育组织应如何从战略上推进人工智能落地——平衡内部研发与外部合作、解决伦理与隐私问题，并通过教育培训提升员工技能。对话最后指出，人工智能将作为增强工具重塑体育及其他领域的人类角色，而非取而代之。

▼ 资源来源

展开剩余94%

重点亮点

🤖 顶级体育中的生成式人工智能演进：将从基于文本的工具发展为融合实时数据与图形界面的集成系统。

⚠️ 关键局限性：包括人工智能的准确性、透明度不足，以及无法复制真实人类经验或直觉。

📊 数据质量的决定性作用：特定体育场景下的高质量情境化数据至关重要，“垃圾进，垃圾出”仍是重要警示。

🧑🤝🧑 人类从业者的不可替代性：在人工智能技术中，人类仍需承担解读、教育与建立信任的核心角色。

💼 技术落地的战略权衡：团队在自主开发人工智能解决方案或与供应商合作时，需权衡成本、数据隐私及内部能力。

🎓 人才储备与文化适配：为人工智能整合做准备，需通过教育与文化适应帮助运动员及工作人员有效利用新工具。

核心洞见

🤝 人工智能赋能协作决策：人工智能可作为强大助手，通过整合复杂数据输入辅助教练团队做出细致的阵容决策与赛中调整，在快节奏场景中节省时间并减轻认知负担，但最终判断仍由人类主导。

⚙️ 实时多模态数据集成是未来方向：当前生成式人工智能高度依赖预训练静态数据集，而未来系统需无缝融合实时生物特征、视频及情境数据，以在比赛和训练中提供可执行洞察，实现更动态的干预。

🔍 从‘知’到‘行’的挑战：人工智能从单纯预测报告向主动‘认知’与‘执行’（即自主行动或给出处方）的转变将是革命性跨越，需要人工智能架构与生态系统的同步进步。

📉 人工智能输出的准确性风险与‘幻觉’问题：人工智能编造看似合理却本质错误信息（“幻觉”）的倾向，凸显了从业者需批判性评估其建议，而非盲目接受，尤其在 injury prediction（ injury prediction 此处直译为“伤病预测”）和表现建模领域。

🏒 场景化数据的重要性：不同运动项目、团队甚至场馆间的数据异质性，限制了通用人工智能模型的迁移能力；因此，组织必须优先创建定制数据集与内部验证机制，以提升可信度与适用性。

🧠 人机交互的必要性：运动员对人工智能生成洞察的行为反应存在差异，成功的技术整合需要理解文化动态的人类中介，将数据转化为个性化、激励性的反馈。

💡 组织战略需平衡合作与自研：鉴于资源限制，许多团队可通过与专业人工智能供应商合作获取复杂分析能力，同时保留部分内部能力以确保数据治理、定制化与灵活性。

有任何想法欢迎您私信或评论，有s问题可以联系MaxGBX（我的微信）

文章比较长，希望各位有耐心阅读！我的文章同时也会发表到Linkedin和Medium上，欢迎你们也关注一下哈哈！

建议各位再关注一下这两个号，我也是作为作者的↑

我的私域资讯群会分享人工智能、心理学、健康以及海外的一些工作/科技资讯，有兴趣的欢迎您来了解！’

如果您认可我的内容的话，我非常希望您可以帮我转载/传播一下，让更多人了解前沿的文献/产品相关资讯！大郭在这里抱拳了

我联系方式放在文末了！

欢迎大家到腾讯元宝首页或公众号后台与我个人创建的AI智能体对话！（知识库是使用的我的公众号文章）

▼ 欢迎联系作者↓

嘉宾介绍Bill Burgos博士

LONU首席执行官（基于人工智能的新一代营养平台）

资深力量与体能训练专家，拥有丰富NBA经验，曾任明尼苏达森林狼队、奥兰多魔术队、纽约尼克斯队力量和体能训练主管

LONU首席执行官（基于人工智能的新一代营养平台）

资深力量与体能训练专家，拥有丰富NBA经验，曾任明尼苏达森林狼队、奥兰多魔术队、纽约尼克斯队力量和体能训练主管

著名计算机科学家、企业家，Siri联合创始人及最初开发者（2010年被苹果收购）

Change.org创始成员，曾任职于Viv Labs（被三星收购）、SRI International

在人工智能、自然语言处理、人机交互领域有开创性贡献

著名计算机科学家、企业家，Siri联合创始人及最初开发者（2010年被苹果收购）

Change.org创始成员，曾任职于Viv Labs（被三星收购）、SRI International

在人工智能、自然语言处理、人机交互领域有开创性贡献

运动表现科学家，现任职于NBA非洲学院（NBA Academy Africa），专注通过定制训练与营养计划优化运动员发展

曾任Playermaker应用运动表现科学家，服务于武里南联、莱斯特城等欧洲及亚洲职业足球俱乐部

运动表现科学家，现任职于NBA非洲学院（NBA Academy Africa），专注通过定制训练与营养计划优化运动员发展

曾任Playermaker应用运动表现科学家，服务于武里南联、莱斯特城等欧洲及亚洲职业足球俱乐部

NHL球队匹兹堡企鹅队S&C主教练

如今，大多数生成式人工智能工具依赖于预先训练的模型和简单的聊天界面。但在未来三到五年内，我预计将出现三大转变。首先，界面将不断演变。就像早期的网络是静态的，最终转变为交互式和商业驱动的一样，人工智能界面也将变得更加丰富——将图形系统与自然语言相结合，以更好地服务人类用户。

其次，人工智能需要超越缓存知识。目前，这些模型无法访问实时 API 或当前数据，这使得它们已经过时。未来的人工智能系统需要“知”和“行”——与实时数据交互、执行操作并动态学习。第三，我们需要构建一个人工智能生态系统——就像移动和 Web 的应用生态系统一样——以便品牌、合作伙伴和相关功能能够直接融入其中。这不再仅仅是爬虫或抓取数据那么简单。人工智能必须能够与拥有数据并了解该领域的人直接合作。这正是转型的关键所在。

亚当·道格拉斯（匹兹堡企鹅队）：

在精英运动领域，我希望AI能成为我所缺乏的眼睛。作为一名从业者，我被海量的数据淹没——训练中的GPS定位、训练中的生物特征数据、教练的球探报告——我不可能处理所有数据。AI应该能够标记我遗漏的信息，过滤掉噪音，并突出那些我自己无法察觉的趋势。但这不仅仅是认知，更是行动。当AI能够做到认知与行动同步，同时又能让我更好地理解运动环境时，它就真正成为了提升运动表现的利器。

Jordan Stewart-Mackie（英超/NBA表现专家）：

我们并非试图用人工智能复制人类——我们试图增强我们在高性能环境中展现人类认知的能力。人工智能的作用是帮助我们迭代、适应和创新。它旨在弥合本能与分析之间的差距，帮助我们做出更明智的决策，同时尊重精英运动的复杂性。危险在于，人们认为人工智能会取代人类——我们真正想要做的是以正确的方式增强它。

Q2. 精英体育领域最具影响力的人工智能用例有哪些？Adam Cheyer:

我认为最强大的应用之一是协作决策。我担任尼日利亚奥运篮球队的客座教练时亲眼目睹了这一点。看着教练们讨论派谁去奥运会，真是令人着迷——一切都关乎权衡：年轻球员还是经验老道，速度还是领导力，化学反应还是个人技术。想象一下，如果人工智能工具不仅能提供数据，还能帮助你了解团队内部的分歧所在，并找出哪些决策需要更深入的分析。体育运动中的决策很少是个人的，而是集体的。人工智能可以以我们从未见过的方式支持这种协作。

乔丹·斯图尔特·麦基：

亚当·道格拉斯：

对我来说，关键优势在于时间和成本效率。几年前，我们还在犹豫是内部构建分析系统还是与人工智能供应商合作。如果要招聘新员工并自行构建模型，需要耗费数年时间，并耗资数十万美元。而与供应商合作，我们可以立即访问成熟的平台。在精英体育领域，分秒必争，能够实时提供切实可行的洞察至关重要。人工智能不仅取代了耗时的任务，还能让我们专注于教练和决策中人性化的部分。

比尔·布尔戈斯：

人们常常忽视这一切中的人为因素。人工智能的好坏取决于为其提供数据的人。谁来标记你的数据集？谁来解读这些信息？这些都很重要。如果没有合格的力量教练、营养师或物理治疗师的参与，你就无法充分利用这项技术。所以对我来说，人工智能是一种辅助工具——但真正的区别在于实践者。我们对既了解绩效又了解人工智能的人才投入越多，这些工具就越有用。

问题 3：您认为哪些具体用例会对精英体育运动产生最大的表现或竞争力影响？Adam Cheyer:

人工智能在精英体育中最强大的应用之一是协作决策。我有幸担任尼日利亚奥运代表队的客座教练，参与球队阵容的制定。这过程引人入胜——经验丰富的领导力与年轻运动员之间的权衡、位置的平衡以及角色的多样性。一切都极其微妙。令我印象深刻的是，如果能拥有一些工具，能够揭示教练组成员之间细微的分歧和权衡点，那将是多么宝贵——这些工具不仅能显示数据，还能帮助专家们共同商议，做出最优选择。每个组织都会做出数百个类似的决策——从阵容选择到康复时间安排——而人工智能可以实时推动他们做出更明智、更一致的决策。

乔丹·斯图尔特·麦基：

我认为人工智能将在两个大领域发挥变革性作用。

亚当·道格拉斯：

对我来说，关键在于时间、效率和成本。我记得我们的分析总监说过，‘我们可以向供应商支付 5 万美元，也可以花 10 倍的钱雇人，培训他们，然后等两到四年自己搭建基础设施。’这真是令人大开眼界。团队面临着快速、高质量决策的压力。而人工智能可以大幅缩短从收集数据到利用数据的周转时间。无论是训练负荷、康复监测还是球员分析，这种速度都能带来真正的竞争优势。

比尔·布尔戈斯：

对我来说，最重要的是围绕人工智能的人性层面。人工智能或许能处理海量数据，但它并不理解更衣室的文化，也不理解如何与球员沟通。可穿戴设备首次进入NBA时，球员们认为我们利用数据来对付他们。双方缺乏信任。现在，劳资协议要求我们用通俗易懂的语言，准确解释我们使用的指标、原因以及这些指标如何使球员受益。人工智能在体育领域的未来取决于对运动员的教育，以及赢得他们的认可。如果能做到这一点，人工智能就会成为一个强大的工具。否则，它就会成为一种干扰。

Q4：在职业体育等高性能环境中应用人工智能的最大限制或风险是什么？Adam Cheyer:

这些模型存在三个关键限制：

准确性——这些模型基于海量数据进行训练，但当它们不知道某些信息时，它们倾向于猜测。它们会产生幻觉。这在高风险决策中非常危险。

透明度——这些系统就像黑匣子。即使你问它们为什么给出某个输出，它们也会编造一个理由。按下刷新键，你就会得到不同的解释。这会破坏信任。

第三，它们缺乏真正的人类背景和经验。它们不理解竞争、受伤或感受到压力意味着什么。这就是为什么人类的判断永远重要。你应该像对待一个聪明的实习生一样对待人工智能——有用，但还不完全可靠。

亚当·道格拉斯：

最大的问题是数据质量和标准化。以冰球为例，可穿戴设备直到两年前才在CBA正式落地，现在联盟强制要求各支球队使用一套系统，但我们并不清楚它的有效性和可靠性。如果我不信任输入，就无法信任输出。更糟糕的是，如果我的数据和其他球队的数据处理方式不同，我们如何训练出能够跨组织运行的模型？即使在一个俱乐部内，如果我们只有三年干净、可信的数据，那么我们构建人工智能的基础就太小了。输入的是垃圾，输出的也是垃圾。在利润微薄的精英体育领域，这种情况尤其严重。

比尔·布尔戈斯：

人工智能的优劣取决于使用它的从业者。我在攻读博士学位时研究过电子病历——系统故障的最大原因是用户失误。人工智能也是如此：如果输入的数据标签错误、不完整或解读错误，整个模型都会存在缺陷。此外，还有球员互动环节。在NBA，我遇到过一些运动员，他们对相同的反馈反应截然不同。人工智能并不了解你的球员——你才了解。因此，如果你不根据这些人为因素来调整沟通和互动方式，你就会失去客户。人工智能无法取代教练与球员之间的关系——它只能起到辅助作用。

乔丹·斯图尔特·麦基：

最大的风险之一是运动员在缺乏具体情境的情况下自行解读人工智能的洞察。我见过运动员因为可穿戴设备发出的信号而改变训练计划——即使这并非正确的举动。有了金钱和私人教练，他们就会偏离训练计划，甚至可能伤害到自己。我们需要培训运动员负责任地拥有自己的数据，并理解这些数据在具体情境下的含义。人工智能或许能为我们提供数据，但我们需要塑造他们的行为。而这只有通过教育、清晰的思路和对系统的信任才能实现。

问题5：专业团队和联盟应该如何构建他们的AI战略？他们应该自行构建、与初创公司合作，还是使用现成的平台？亚当·道格拉斯：

我们曾认真权衡过是内部构建 AI 功能还是与外部公司合作。在内部，从头构建分析功能意味着需要聘请全职员工、培训他们、设计模型，并等待数年才能看到结果。这比供应商提供的成本高出 10 倍。

但我们还必须考虑数据隐私和联盟规定。在冰球领域，CBA 仍在奋力追赶，对可共享的数据种类存在限制。因此，虽然外部供应商提供了速度和成本效益，但他们也带来了对所有权和控制权的担忧。

目前最好的方法是混合模式：团队与已经拥有基础设施的成熟供应商合作，但对数据的使用方式和访问权限保持警惕。

Adam Cheyer:

AI 将应用于组织的每个职能部门，而不仅仅是绩效部门。从市场营销到人力资源再到球探，它将触及方方面面。

有些部门完全可以使用现成的工具，例如 ChatGPT 或 Copilot。但是，当涉及到特定运动的表现用例（例如伤病预测或阵容优化）时，您需要与深入了解该运动的供应商合作。这就是初创企业合作伙伴关系的优势所在——它们敏捷、快速迭代，并且能够解决特定问题。

关键在于团队要制定清晰的AI 供应商资格框架。谁是最好的合作伙伴？他们的业绩记录如何？他们如何处理敏感数据？这些问题的答案将塑造您的长期 AI 战略。

比尔·布尔戈斯：

初创企业理论上很棒——但它们非但不会减少你的工作量，反而会增加你的工作量。我遇到过这样的情况：一家公司做出了巨大的承诺，让我们兴奋不已，但一年过去了，我们仍在等待一些可用的成果。与此同时，我却要付出双倍的努力来支持他们。

所以我现在的清单是：

您已经建造了什么？

你们能多快送货？

这会简化我的日常生活还是使其变得更加复杂？

在体育运动中，时间和简单至关重要。我们没有时间等待。

乔丹·斯图尔特·麦基：

对我来说，最重要的是情境匹配。如果你要使用人工智能模型，它们必须反映你所在环境的具体特征——你的运动员、你的流程、你的执教理念。

这就是为什么内部模型如此强大——它们包含了你团队独有的错误、异常和经验教训。但并非每个团队都有能力构建这些模型。所以，关键在于找到适当的平衡：在合理的情况下与供应商合作，但不要完全依赖他们。否则，你将失去适应能力，最终只能听命于别人的路线图。

问题 6：随着人工智能越来越深入精英体育和商业领域，哪些技能或角色将变得至关重要？Adam Cheyer:

最重要的转变是每项工作都将发生改变。无论你是从事球探、球迷互动还是教练工作，人工智能都将成为你工作方式的一部分。

关键技能是学会将人工智能作为你的副驾驶。这意味着要知道如何引导它，如何解读结果，如何验证输出，以及如何整合它的建议而不是盲目跟风。

是的，孩子们已经在学习这些了。在中国，孩子们从六岁就开始接受人工智能教育。这就是为什么我总是说：人工智能不会抢走你的工作，但使用人工智能的人会。你想成为那个人。

亚当·道格拉斯：

这就像互联网的早期。起初，有些人抵制它——现在，没有人能离开它。人工智能也将遵循同样的曲线。它已经出现在电子邮件、日历、球探系统和球员管理软件中。不同之处在于，现在拥抱它的从业者将成为未来的领导者。而那些抵制它的人将会落后。它即将到来——它不再是可有可无的。

比尔·布尔戈斯：

我曾与NBA最老和最年轻的球队合作过，差异非常明显。年纪较大的球员并非在科技的熏陶下成长，所以他们曾抱有怀疑态度。而年轻人呢？他们是数字时代的原住民。他们从15岁起就对人工智能、训练负荷、恢复数据等提出了深刻的疑问。这就是未来。五年后，NBA、NFL和NHL将充满期待科技融合的运动员。因此，如果你是一名从业者，却不学习人工智能的工作原理，你将会与你的运动员失去联系。

乔丹·斯图尔特·麦基：

人工智能最大的长期价值不在于统计数据，而在于它如何促进人类成长。如果运用得当，人工智能可以帮助我们学习得更快、思考得更深、创造力更强。这才是优势所在——不在于自动化，而在于进化。

我们需要训练自己和运动员，不仅要学会使用人工智能，更要理解它、质疑它，并明智地运用它。这样才能充分释放其潜力。

作者介绍Max大郭股票融资标准

作者介绍Max大郭

发布于：吉林省

文章为作者独立观点，不代表联华证券_网上股票配资_正规股票网配资观点