39天的美加墨世界杯终于落幕，西班牙捧起了大力神杯——距离上次夺冠，已经过去了16年。

　　见到米卢的时候，这位曾带中国男足打进世界杯的传奇教练，先纠正了一个说法：“不是soccer，是football。”接着他又补了一句：“比起机器人，我更喜欢看真人。”意思很明确：机器人和AI，别想取代足球。

　　说起来，这届世界杯有几场比赛就在硅谷踢的。科技大佬们扎堆去看球，可他们平时挂在嘴边的“AI改变一切”，到了足球这儿，好像就不太灵了。过去几年，不少初创公司和热钱涌进来，想用AI颠覆足球，结果呢？远没想象中那么乐观。

　　咱们今天聊聊，顶级俱乐部到底怎么用AI改造足球，成功过还是失败过；Football Tech这条赛道怎么吸引投资，又怎么自我修正；还有AI怎么悄悄改变我们看球的方式。当然，最后得问一个扎心的问题：中国AI发展这么快，能不能帮中国男足打进下一届世界杯？

　　先给“足球AI”下个定义。如果你想象的是，AI能当教练、提高胜率、帮球队拿冠军——那对不起，目前还没证据证明它做到了。就算把范围缩小，比如帮俱乐部签下更好的球员，或者提高角球进球率，结论也差不多。

　　当然，有些俱乐部已经试过了。利物浦跟谷歌DeepMind合作，搞了个叫“TacticAI”的定位球系统，媒体吹过“足球AI里程碑”，DeepMind还在《自然》杂志上发了论文。切尔西跟AiSCOUT合作，把AI用在青训里，分析年轻球员的技术动作。西甲的塞维利亚跟IBM合作，搞了个Scout Advisor，能看懂球探报告里的“擅长任意球”这种话，帮球探快速筛选人。

　　最出名的是利物浦和DeepMind的合作。咱们就看看这个案例。DeepMind用了利物浦三个赛季的7176个角球来训练模型，理论上能预测谁先碰到球、角球能不能形成射门，还能建议球员怎么跑位。听起来挺唬人，对吧？但利物浦的角球进球率真提高了吗？我们翻了一圈科技媒体和体育媒体的报道，没人给出结论。干脆自己动手——让AI从StatBunker和StatMuse拉数据，算过去六个赛季利物浦的角球进球率。

　　结果呢？除了2021到2022赛季，其他赛季基本都在3%左右晃悠，没啥变化。DeepMind和利物浦都没说系统啥时候开始用的，论文是2024年3月发的，所以2021到2022赛季大概率还没用上。也就是说，到现在为止，这个AI模型对利物浦的角球表现，没有任何数据能证明它有用。我们之前想采访Google DeepMind，也没收到回复。

　　这就怪了——AI在其他领域一路狂奔，怎么到了足球这儿就卡住了？跟业内的人聊了聊，一个可能的答案是：足球是所有运动里偶然性最高、变量最多的。天气、裁判、场地、球员状态、现场氛围、球员之间的关系、心理状态，甚至假球，都可能决定比赛结果。这些变量还互相影响：现场氛围影响球员状态，裁判判罚反过来影响氛围。有些变量随时间变化，比如球员成名前很自律，成了亿万富翁可能就松懈了。而且变量的权重也会变——年轻时不自律可能没啥，年纪大了就状态下滑；但大罗体重超标，照样是世界顶级。

　　这就形成了一个悖论：AI控制不了变量，模型提升慢；就算俱乐部成绩好了，也很难证明是AI的功劳，而不是其他因素叠加的结果。足球里很多东西没法量化，比如“阅读比赛的能力”“化学反应”“为了国家荣誉而战”。强队底蕴、对胜利的渴望、更衣室氛围、裁判尺度的松紧——这些你让AI怎么算？

　　举个本届世界杯的例子：佛得角，一个几十万人口的岛国，球员大多在低级别联赛踢球，全队身价加起来还没梅西高。AI怎么预测这支球队能连续逼平西班牙和乌拉圭，甚至把阿根廷逼到绝境？一份合格的球探报告，不光要写速度、耐力、弹跳这些量化指标，还得看位置感、领导力、决策力、比赛态度。穆里尼奥就要求球探评估球员性格，比如自不自律、有钱之后会不会飘。

　　足球里的因果关系往往是非线性的。控球率高不一定赢，反而可能被反击打穿。把11个超级巨星凑一块，不一定能夺冠，更衣室里谁也不服谁，可能还不如一支平民球队。这种非线性关系，恰恰是AI最难处理的。

　　另一个重要原因：数据。足球的数据分散在全球几千家俱乐部里，从来没有形成像BooksCorpus、WebText那种大型文本数据集。球员公开的身体数据，比如身高体重，最多用来做球星卡。真正跟竞技表现相关的数据，比如局部体脂分布、快肌慢肌比例、肌肉横截面积、乳酸阈值、重复冲刺能力、地面反作用力、发力链时序——这些需要通过动作捕捉、测力台、肌电图同步采集，AI公司几乎不可能通过公开渠道拿到。

　　再比如伤病预测模型。俱乐部私有的数据包括细胞内外液比例、步态不对称性、关节松弛度、隐性微损伤和软组织疤痕硬度。这些数据分散在几千家俱乐部里，没有任何组织能完整获得。单独一家俱乐部掌握的数据，样本量又不够大。

　　总结一下，AI在足球领域失效的原因：足球低得分、高随机性，数据信号弱；比赛胜负由少量关键事件决定，不是整体统计规律；对抗性动态博弈，对手会主动破坏规律；AI只能理解历史相关性，无法理解真实因果；不可量化的数据太多。所以，想复刻“ChatGPT时刻”或“Claude Code时刻”，太难了。

　　商业层面，一度让资本兴奋的Football Tech，也经历了一轮自我修正。全球AI公司估值猛涨，沾上AI概念股价就飙升，但足球AI领域始终没出现一家独角兽。咱们看看曾经的明星公司SciSports。

　　2013年，在荷兰恩斯赫德一间学生公寓里，三个年轻人冒出一个想法：《Football Manager》能预测球员潜力，现实世界为什么不行？他们决定开发一套足球数据智能系统，帮俱乐部判断球员价值、预测潜力、理解比赛。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、职业俱乐部客户。想象一下，如果提前一年发现下一个哈兰德、贝林厄姆或姆巴佩，能省下几千万欧元。一款参与转会决策的软件，难道不该值十亿美元？

　　但十多年过去，SciSports没上市，也没成为独角兽。2024年被荷兰VANAD Group收购。为什么一个看似正确的创业方向，最终没变成足球界的Palantir？

　　先看产品。早期做数据化球探，把球员比赛数据、联赛强度、出场时间、位置、球队表现、年龄、成长曲线输入模型，搞了个全球球员评分系统叫SciSkill Index。切入点很聪明——转会是最昂贵也最容易出错的决策之一，买错人损失几百万甚至几千万欧元。但SciSports不满足，又开发了更重的产品BallJames，通过计算机视觉把比赛视频转成实时3D数据，自称“球场MRI”。2016年，荷兰俱乐部Heracles Almelo成了最早安装的客户之一。

　　痛点抓得准，以至于被贴上了“下一个欧洲独角兽”的标签。但为什么没成功？第一个问题：客户少，预算窄。足球市场看起来大，但愿意为高级数据分析花大钱的，主要是职业俱乐部、联赛、足协和经纪公司。顶级俱乐部有钱，数量有限；中小俱乐部数量多，软件预算却非常有限。一套系统也许能帮球队省上千万转会费，但俱乐部未必愿意每年掏几百万买软件。体育科技最尴尬的地方就在这里：企业创造的是“决策价值”，客户付费时只把它当“订阅软件”。

　　第二个问题：AI给出的答案很难直接转化为决策。电商推荐系统判断用户会买鞋，平台立刻推送广告。但足球AI判断某边锋潜力高，俱乐部不能立刻刷卡下单——还得考虑教练喜不喜欢、战术适配不、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。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：底层数据太重。BallJames很先进，但需要在球场安装设备、部署摄像机、标定、维护、清洗数据，扩张速度很难像纯SaaS那样指数级增长。后来行业趋势转向从现有转播画面、单机位视频中提取追踪数据，而不是把整座球场3D化。谁能以更低的成本把普通视频变成结构化数据，谁就能规模化。说到底，这是一笔经济账。

　　第四个问题：俱乐部不想再买一个孤立的工具。内部已有视频平台、球探系统、体能系统、医疗系统、沟通工具、数据供应商。分析师最怕外部软件无法嵌入内部工作流和体系。传统SaaS模式不适合SciSports，Palantir的模式也不适合——客户没那么多预算单独部署。这也是Football Tech行业后来出现大量并购的原因。

　　StatsBomb曾是职业足球领域有影响力的高级事件数据和模型公司，2024年被美国体育视频平台Hudl收购。Hudl的逻辑很清楚：原本做视频分析和教练工作流，把StatsBomb的高级数据接进来，就能把“视频、数据、球探、比赛分析”打包卖给职业球队。Second Spectrum曾是NBA、英超、MLS的官方数据追踪供应商，2021年被Genius Sports以约2亿美元收购。Sportlogiq主打冰球市场，2026年被美国公司Teamworks收购，价格没披露，估算约2000万到3000万美元。至于SciSports，2024年被VANAD Group收购，早期融资后估值约1580万美元，“成为下一个欧洲科技独角兽”的愿望落空了。

　　足球市场大不大？当然大，全球第一运动，几十亿球迷。转会市场贵不贵？当然贵，头部俱乐部每年投入像天文数字。AI有没有用？有用，数据能提高球探、分析和训练的效率。但这些叠加在一起，并不自动等于一家估值十亿美元的软件公司。足球作为“文化产业”非常庞大，作为“职业俱乐部软件市场”却没想象中那么大——这是SciSports故事里最重要的反转。

　　所以Football Tech很难只靠一个数据模型、一套评分系统或一款视频分析工具支撑起超级独角兽。但如果这些产品被整合进大型平台，成为“视频、数据、球探、训练、转播”链条的一部分，依然有商业价值。答案其实已经出来了：真正的问题不是AI没用，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，单点产品很难独立成长为巨头。

　　虽然AI目前还无法提高球员成绩和球队整体水平，但如果把视野从比赛扩大到世界杯这样的赛事，技术含量正在提高，AI也在改变观赛体验。

　　葡萄牙对克罗地亚的淘汰赛就是个例子。7月3日的美加墨世界杯1/16决赛，VAR介入发现克罗地亚球员越位，进球无效，葡萄牙2比1逆转。协助裁判做决定的，是比赛用球里一枚500Hz惯性测量单元（IMU），能实时追踪三维空间中的加速度和细微动作，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球。没有IMU足球和VAR的时代，这种细节人类裁判根本抓不住。

　　决赛前两天，我们飞到迈阿密，走进本届世界杯的“大脑”——藏在一栋外部没有任何标识的六层小楼里，在Coral Gables一条安静的街道上。48支球队、104场比赛、16座球场，加上北美600多个站点，除了转播，一切从这栋楼里调度。FIFA技术指挥中心和赛事运营中心由联想共同搭建，1.7万台设备、350名工程师分布在16座球场、广播中心和球队大本营。联想还介绍了分析工具FIFA AI Pro——以前世界杯结束后，FIFA给各队五六十页数据报告加大量摄像机画面，分析师工作量巨大。现在FIFA AI Pro是个生成式AI平台，用自然语言就能问“C罗这场比赛最活跃的位置”，还能生成交互式图表和视频，甚至解锁3D视角，从球员角度看赛场。

　　这届世界杯数据采集投入很大：16个比赛场地，每个装16台光学追踪摄像机，每秒扫描29个点、采集50次；足球里传感器每秒采集500次数据。一场比赛能积累超过1.5亿个追踪数据点——上届只有60万个，直接翻了数百倍。这么多数据主要干三件事：第一，越位判定更准确。球员越位超过10厘米且系统有把握，助理裁判耳麦里直接响起音频提示，当场举旗。1248名球员赛前都做了全身3D扫描，相当于每个人有个虚拟分身，输入越位判罚系统。第二，解决“球出界”“球过线”这类争议判罚。还记得上届日本对西班牙那次吗？三笘薫底线救球，肉眼看着像出界，VAR判断还有极小部分压在线上，进球有效，德国被淘汰。现在靠整场比赛实时3D重建加足球传感器锁定轨迹，VAR不用再靠几张模糊截图判断。越位干扰也一样，球员有没有挡住门将视线，3D视角一目了然。第三，给转播机构和观众提供新观赛方式——观众能看到球员3D分身，部分转播商还能把精彩镜头甚至整场比赛做成3D版。

　　裁判随身摄像机以前抖得厉害，没法转播。今年联想做了稳定处理，画面抖动减少了50%到70%，用“边缘计算、混合AI加多个针对性小模型”的架构满足低延迟要求。还有个小花絮：墨西哥花了14.5万美元买了一批机器狗，协助警方打击世界杯期间的犯罪活动，保护警察人身安全。

　　当我们讨论AI改变足球时，它到底改变了比赛本身，还是改变了幕后运营体系？世界杯期间，连续工作50天的联想FIFA项目负责人Myles Spittle在FIFA中心接受采访时回答了一个问题，具体内容不重复了。总之，世界杯正在变得更技术化、更AI化，但这些尝试还在早期阶段。目前技术主要用在判罚、数据采集和观赛体验上，想让AI真正提高人类足球成绩、指导人踢球，还早得很。

　　米卢说，未来一切皆有可能，机器人甚至可能取代人类踢球，未来也许有机器人世界杯或AI世界杯。但足球对于人类是特别的，也是珍贵的。这里是人类创造奇迹的地方，充满惊喜、信念与泪水。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AI狂热中重新思考AI的边界。

　　是的，你怎么能不爱足球？

　　我们在墨西哥一场活动中见到了米卢，人们依然感激这位传奇教练，24年前给中国球迷带来的惊喜。也希望这样的惊喜，能再次到来。

　　注：部分图片来源于网络

　　【本期节目不构成任何投资建议】