查看原文
其他

者识科技创始人李超:AIGC“颗粒化”体育场景,未来方向“少即是多”

东西文娱 2023-10-23

The following article is from 共同虚拟 Author 共同虚拟


东西精品沙龙系列

本期「未来的体育」

线下沙龙第三期


(会议现场点击下图即可阅读)



点击视频,直击现场体验

近期,AIGC的信息很密集,在AIGC+体育层面,者识科技是一家很受瞩目的公司。在分享完的互动环节,者识科技也引发了现场的一个讨论高潮。那么,AIGC可以如何应用于体育场景,下为者识科技在「未来的体育」第四期“体育娱乐科技‘新进化’”的现场分享。

位好,我是上海者识科技的创始人李超。我们公司一直在做一件事情,就是通过AI生成体育运动相关的内容。


我们覆盖的传统体育项目比较多,像篮球、足球、网球。我们生成的内容包括体育赛事的直播、体育运动的短视频,以及体育运动的数据等等。应用场景包括赛事、场馆、教培,以及专业队的训练教学。


上海者识科技的创始人 李超



AIGC:目前主要面向C端,未来发展方向“少即是多”


大家最近可能对 AIGC 这个概念都比较熟悉,因为技术爆炸式的发展,以天为单位,以周为单位在迭代。但我们自己因为做AI生成体育内容好多年,扎根在体育行业,所以我自己对这个的感触还是比较深一点。


我们现在见到的市场上的这些AI,包括文字类、图像类,都还是处于初级阶段,它是这个技术发展的第一个阶段。就是说,现在多就是好,可以用这个东西一下子生成十篇文字、十张图片、一百多张图片,就是好的阶段。


所以它现在更偏向于C端的AIGC应用,比如我搞了一张图片,然后发给朋友炫耀一下,设计师或者是写文案可以大概参考一下,之后再去做加工。它比较难以应用在具体的,比如工业、农业产业端,或者是教育文化这些产业当中。特别是如果涉及到我们体育行业一直说的空间和时间的问题,如果涉及到线下的,比如篮球、足球这些传统场景,就很难去把所谓的AI生成内容技术应用到这样的场景里面。


我觉得下一代要去发展的AIGC是“少即是多”。我希望你就给我一张图片,但是是精准的,是我想要的,然后是用很低的成本由AI来生成。这是我们这几年在体育产业AI应用方向上做的事情,我觉得也是接下来AIGC市场上的可能发展方向。





AIGC生成体育赛事的关键:通过生成各种赛事相关数据以“理解”比赛


先跟大家介绍一下我们是怎样来做这件事情,比如说我们会通过AI完全自动生成一场篮球比赛,一场足球比赛的直播、解说、短视频,以及这场比赛当中所有的数据。


首先,我们会用AI帮助大家去理解这一场比赛。理解是什么意思?就是我能知道场上每时每刻每一个人到底在干嘛?球在哪里?球跟人之间是什么关系?两个人之间互相是什么关系?


能够这样很多维度、很深度地去理解这场比赛后,接下来我们用AI生成这些内容的成本就会非常低。不像我们传统的方式,可能一个直播团队,要去抖音,去快手投放短视频,要派一个两三人的小组再去做一个短视频的团队,然后又要有一个技术的数据统计团队。


但是在我们的方案里,一旦你让机器去理解这场比赛的所有细节,后面这些所有内容生成的边际成本是非常低的。就像我们在给耐克全国高中联赛做服务的时候,一场比赛结束的时候,就能够给到各个跟赛事相关的直播、短视频数据内容,不用再去一个一个进行人工的二次生产。


大概给大家做一个我们如何理解一场比赛的技术演示。比如我们在一个球馆里,我们会跟踪场上每一个人的实时点位,他的位置。对于其中一些比较关键的动作以及运动员,我们会做三维空间里的建模,以及场上所有人的实时位置,跟人跟球之间的交互。



它的难点一个是在于,手机前面的交互,或者是类似于魔镜这种健身镜之前的个人交互,是在很干净、很理想的环境下的交互,这个市面上已经非常成熟了。但是在篮球、足球这种高对抗、高密集度的项目里面,做这种精确的追踪也好,位置的追踪也好都是难点。


第二个难点在于,很多AI数据分析是我们做的,我们反而觉得在这种高端俱乐部、国家队的场馆,做赛事服务的时候场景是可控的。你可以在一个很理想的环境里面布置你的设备。所以另外一个难点就是,我们怎么样把这个技术应用到全中国可能的C端,应用到各种各样的运动空间里面去。把成本降下来,把算法理解的稳定性升上去。




AIGC生成体育直播:降低成本,提高赛事服务成效


接下来给大家分别介绍一下,我们生成的直播大概是怎么样?生成的短视频是怎么样的?生成的数据大概又是怎么样?这是我们做的一个宣传短片,里面大部分我们已经应用在了全国小初高的各类比赛当中,像画面的切换,以及画面要切换什么内容,其实也都是全自动的,通过AI来判断。


主要跟大家分享两个点,一个就是关于效率跟成本的问题。因为刚刚大家看到的这种全自动生成的,包括运镜、切镜头、叠加的特效都是可以的。因为我们做的不是CBA那一类比赛,暂时还没有接触到这么高端的比赛。


我们做的是全国一年比如说有几万场的这种大众比赛,所以通过这种方式看着很酷炫。但其实我们大概每场比赛的成本可以降到几千块。现场所有的硬件设备两台手机就可以完成,估算了一下大概可以比广电级别的转播可以降低到1/10。


第二点是关于比赛内容。大家看到了很多的特效叠加,以及3D、2D的东西,但是我的主张其实是,没有必要在比赛当中故意穿插一些酷炫的东西。我们所有理念和内核是在于更好地去把这场比赛表现出来。比如说刚才那场耐高的比赛,大家会看到拿球的人或者相关的人头上会有自己的号码,会有姓名,这不是我们为了去炫耀自己的技术。我自己实际碰到的痛点就是,一个IP赛事就是要做里面的球星,要去强调这些球星做了一些很厉害的事情。


然后这是我们高中的比赛,但我看完10分钟的比赛之后,我基本上不知道里面谁是谁,谁在打什么,然后谁在干什么,也记不住任何一个很优秀的球员。通过我们这种方式,你看完 5 分钟的比赛之后,从大数定律上来说,可能会增加你对其中一两个球员的印象。那对整个赛事IP来说,它可能会对一些明星的塑造有很大的帮助。


这两场比赛就是用两个手机,没有任何人工参与播出来的。我们做这个事情都是因为自己特别喜欢体育行业,我们希望它的应用场景不仅局限在国家队、CBA、中超这种赛事的场景里面,我们希望更多把它扩展到线下各种运动的真实体验当中。




AIGC生成体育数据:颗粒化比赛场景,以生成多维度数据理解比赛


然后介绍一下我们在数据方面的应用。比如说大家知道我们生活在一个连续的世界,可能也不是一个连续的世界。那假设我们生活在连续世界,那其实我们人眼的分辨率大概可能有几亿分辨率。我们描述一件事物,人眼看起来就是一个连续的事件,但它其实可能也是由一个个小的像素组成。


同样的道理,如果你把一场赛事或一个篮球空间中的训练场景,能颗粒化到足够的细,可能能够对这个比赛完完全全地理解,之后就可以进行到后续的应用当中。比如说投篮,普通的人工方式我们大概就能记到说这个球是不是投中的?然后这个球是两分球还是三分球?


但是通过AI的方式,我们大概能得到十几种维度的数据。比如说投篮的时候弧线是怎么样,然后高度、出手角度是怎么样?我周围的这些队友大概跟我是什么样的分布位置,对手可能是防我到哪里,对我造成怎么样的威胁等等。



这种数据就是很枯燥,但是给大家讲一个稍微有意思的应用案例。不知道大家小时候看不看张指导解说的NBA?他一直会指出你这个投篮合不合理。当然对我们来说这个是也很难测量的,因为你其实很难量化这个合不合理的事情。


但是,一旦当你数据量够多,维度够多的时候,我们再尝试是不是可以量化这个合理性?比如说我们把它翻译成一个数学的方式,是不是说投篮预测的命中率高于百分之多少就应该是一个合理的投篮命中率。


那我们怎样去预测一次投篮呢?就是基于我们刚才谈到的十几种维度。如果我们把一名球员过去的5000次投篮都能够收集下来,并且5000次投篮,每一次我们都能收集到十几、二十种维度的数据。那么当他下次投篮发生的时候,那一瞬间,我们其实就可以知道最近的防守人离他多远,并且知道现在是不是关键时刻,他投篮距离篮筐的角度距离大概是怎么样。我们有这些条件之后,就可以运算出某一个篮球运动员,他下次投篮的命中率是多少。





AIGC生成体育短视频:面向大众的个性化服务


第三部分是短视频,因为短视频平台也比较多,对于大众这块,我们基本上是采取提供给他们短视频的服务为主,因为大众不需要自己有这么精确的数据。对他们来说,打完一次球或者运动完之后有自己精彩的短视频,能够跟朋友分享,能够去炫耀,能够成为自己运动记录里面的一部分,我觉得其实就很好。


我们现在在全国大概接近500个篮球馆里覆盖了我们的智能系统。因为我们自己做这行也会接触到各种各样的智能系统,包括学校里面的,或者场馆里面,或者智慧城市。我了解到是大部分智能系统安装的时候就可能交差了,之后不太会有人去用它。因为智能系统大部分来说需要更智能的人去操作。


但我们安装的500个场馆,到现在几乎每一个场馆每天都是4个小时、8个小时在使用我们的系统。家长能够收到小朋友参加培训之后的一个小小的视频,因为它不需要特别专业,所以我们把更多的精力花在了比如说娱乐性、可视化上。


篮球方面,我们做的比较深,比较久,我们现在也在向其他的运动项目去拓展。去年我们就跟杭州马拉松合作,那一天为一万多个跑者生成了他们的跑步路线以及数据,还有每个人自己的个性化短视频。


「未来的体育」线下沙龙  

「未来的体育」线下沙龙 旨在围绕体育产业在赛事、技术、衍生内容、消费品、线下场景等多维度进行持续的探讨,在体育行业形成常态化的探讨品牌,并打造吸纳多维产业资源的圈子与窗口。 






Hello!
我们在为更加闭环、更加高效的服务模式做准备
欢迎加入限定白名单
与我们一起探索






























您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存