Towards Comprehensive Basketball Understanding

观看一场职业篮球比赛是一种丰富且具有层次感的体验。要真正理解正在发生的一切，观众不仅仅要看到球在球场上移动。人们必须识别出涉及的具体球员，追踪传球发生的精确时刻，定位投篮发生的准确位置，并将这些视觉瞬间与关于球队、球员职业生涯及运动规则的海量事实库联系起来。几十年来，计算机一直难以实现这种深度的、整合性的理解。虽然现代人工智能在识别照片中的物体或回答有关图像的简单问题方面已经做得相当出色，但当被要求结合这些技能时，它往往会失败。它可能能识别出一名球员的面部，却无法回忆起其职业生涯的统计数据；或者它能看到一次投篮，却无法说出那次投篮具体发生在球场的哪个位置。这种“看”与“理解”之间的差距，正是北京大学和上海交通大学研究人员的一项新研究旨在弥补的核心挑战。

研究人员首先通过构建一个名为 BasketballBench 的大规模、严谨的测试场来应对这一问题。他们收集了 2025–2026 赛季 NBA 赛季的数据，包括 2,500 多个比赛回合的视频片段、530 名活跃球员的官方记录以及数千条结构化的比赛细节。基于这些素材，他们设计了近 8,000 个需要不同类型思维的问题。有些问题很简单，比如要求计算机从转播画面中读取比分，或从照片中识别一名球员。另一些则要复杂得多，要求计算机观看一段视频，弄清楚是谁完成了特定的动作，确定该动作发生的时间和空间位置，然后从数据库中检索出关于该球员职业生涯的特定事实。其目标是观察当前的人工智能系统是否能够处理这些任务，更重要的是，它们是否能够结合这些能力来解决单个的多步骤问题。

当研究人员测试目前最先进的通用人工智能模型时，结果发人深省。这些强大的系统在处理简单任务时表现良好。它们能高精度地从屏幕上读取比分或识别球衣号码。然而，当问题要求它们将所见视频与所知比赛信息联系起来时，它们的表现大幅下降。例如，当被问及识别做出投篮的球员并随后查找该球员的职业统计数据时，这些模型经常出错。它们能看到动作，但在将该动作与正确的人员进行绑定，并提取正确信息方面却显得力不从心。研究表明，这些通用模型并不具备自然整合视觉感知、空间推理和事实知识以形成单一连贯答案的能力。

为了解决这一局限性，团队开发了一个名为 BasketballSkills 的新系统。该系统并非依赖于一个试图完成所有工作的单一庞大模型，而是构建了一个像专业专家团队一样的框架。该系统使用一个中央控制器来阅读问题，然后选择一组特定的工具来解决问题。这些工具是针对篮球运动专业化的：一个工具用于追踪球员和球，另一个用于识别正在进行的比赛类型，第三个用于读取球衣号码，第四个用于搜索结构化的球员事实数据库。控制器不是靠猜测，而是遵循清晰的、循序渐进的程序。如果一个问题询问某次特定进攻后的球员投篮命中率，系统会先追踪视频找到该球员，然后识别其球衣号码，最后查询其统计数据的数据库。它会在进入下一步之前验证每一步，确保在形成最终答案之前所收集的证据是准确的。

这种新方法的测试结果令人瞩目。在十种不同类型的测试中，BasketballSkills 系统在其中八种任务上都超越了最优秀的商业人工智能模型。它在需要结合多种能力的复杂任务上表现尤为出色，例如从视频片段中识别球员并检索其职业数据。当通用模型往往无法将视觉证据与事实知识联系起来时，这个专门化系统成功地组合了这些不同的能力以得出正确的结论。这项研究表明，对于像职业体育这样复杂的现实领域，未来的路径可能不在于让通用模型变得更大，而在于构建能够显式组织并结合专业技能的系统。通过将一个困难的问题分解为一系列可靠的、特定领域的步骤，研究人员证明了计算机可以被教会以一种此前难以企及的深度和准确度来理解篮球运动。