AI看到球进了篮筐就算懂篮球吗？半岛体育开始让视频模型理解“这一球为什么出现”

球进了，然后呢

一名教练暂停回放，指着屏幕问助理：这个三分是怎么出来的？他要的不是“3号球员投中三分”，这一句话计分板早就告诉他了。他想知道的是，这次投篮之前防守做了什么、进攻怎么把人拉开的、如果下一回合对手再这么打，应该怎么调整。

视频AI在这个问题面前暴露了它的第一层局限：检测到“球进篮筐”是一件相对容易的事，球的轨迹、篮网的抖动、比分变化和观众反应，都能提供证据。但从“发生了什么”走到“为什么会发生”，模型要多走好几步。半岛体育在事件检测之上做的一层工作，就是让视频模型开始回答这类问题，同时尽量不让它答错。

三层理解，从事实到解释

把体育视频理解看成一个分层的过程，会比“一个大模型看视频然后说话”更清楚，也更容易定位出错的环节。

越往下，可验证性越差，出错的代价却越大。事件层的错误一眼能看出来，解释层的错误却往往听起来很有道理。所以整个设计的重点不是让模型在解释层“更敢说”，而是让它在每一步都留下能够核对的证据。事件层的基础，可以回看比赛录像里的关键事件是怎么被找出来的。

模型实际看到的是什么

把一段篮球回合交给模型时，它并不只是拿到一段像素。系统会先准备好几份材料：每位球员在每一时刻的位置估计，也就是跟踪轨迹；球的位置和速度；由OCR读到的比赛时钟、24秒计时器和比分；由ASR或已有字幕得到的文字；以及事件检测输出的子事件列表。多模态大模型读到的其实是“画面加一份结构化的事实清单”。

这种做法的原因很朴素：让大模型直接从像素里判断“这次换防有没有沟通失误”，它没有可靠的位置度量，只能靠一种模糊的视觉印象。给它一份“防守球员甲在 12:52 距离持球人三米，12:53 变成六米”的记录，它就能把问题转化为可推理的条件。近期公开研究也越来越倾向于让专用视觉模块负责感知，让语言模型负责组织，而不是全部压在一个模型上，这一点在大模型负责讲、视觉模型负责看里有更具体的讨论。

这份清单本身也有误差。球员位置来自二维画面到球场坐标的换算，机位一晃或者变焦，换算就会漂移；队伍归属靠球衣颜色和号码，遇到两队球衣相近或者背向镜头时会判错。所以清单里的每个数字都附带置信度，大模型读到低置信度的记录时，会被提示不要把它当作硬事实使用。

还原一个回合：从掩护到出手

以下为模拟场景，时间和位置数据都是为说明推理链而设的示例：一支业余篮球队在第三节的一次进攻，最终由弧顶球员命中三分。

• 第 31:20–31:24：进攻方持球人在弧顶，防守方一名球员贴身，另一名球员在低位。事件层记录为“持球推进”。
• 第 31:24–31:26：一名内线球员上提到持球人身侧，位置在两秒内从罚球线内移动到弧顶。系统标记“掩护动作，疑似挡拆”，置信度中等。
• 第 31:26–31:28：持球人向另一侧运球，贴身防守者被掩护人挡住，两名防守球员的距离在一秒内缩小到接近一米，随后被拉开。关系层记录“防守被拉开”。
• 第 31:28–31:30：低位防守者上前补位，但补位时机偏晚，持球人与他之间的距离出现空档。
• 第 31:30：出手，球入网，比分变化。事件层记录三分命中。

模型在这一步产出的解释，不是“这是一次漂亮的战术”，而是一句可回指的话：进攻方在 31:24 用一次掩护制造了错位，补位比出手慢了大约一个身位，所以出手时几乎没有干扰。每一个判断后面，都能对应到具体的时间段和位置记录。如果有人怀疑“补位偏晚”，可以直接拖到 31:28 检查。

还原时另一个容易被忽略的细节是回合的“起点”。如果把31:20当作起点，模型看到的是弧顶的持球推进；但如果实际上这次进攻从上一次对手投篮不中、抢到篮板才开始，那前面十几秒的转换进攻同样属于因果的一部分。起点选错，后面的解释就少了一段前因，这也是事件边界与推理之间的联系。

“防守哪里失位”是怎么判断的

失位这件事，本身就带有主观性。同一个补位，有教练认为是选择放这个人投，有教练认为是沟通失误。系统能客观给出的是几类可测量的东西：防守者与自己所防对象的距离变化，与持球人、篮筐之间的相对位置，以及他在关键一秒内的移动方向是否与球的移动一致。

这些指标可以说明“防守者比对手慢了半拍”，却说不清“这是不是战术安排”。因此我们让模型在表述时区分两种句式：能用测量支持的写成“数据显示”，需要猜测意图的写成“可能是”并标注依据不足。这一点看上去只是措辞，实际上是防止解释层越界的第一道门槛。足球里的类似问题，比如关键传球为什么关键，在关键传球的判断里单独讨论。

模型编故事的时候

回到开头那个错误案例：模型说这次三分来自挡拆后的换防不及时，但回放里其实没有挡拆，是持球人自己用一个交叉步过掉了防守者。为什么会这样？

原因有几个。第一，训练里大量出现“三分之前有挡拆”这种共现关系，模型学到了一种统计上的合理叙事，把概率高的故事当成了观察到的事实。第二，视频里被遮挡的部分缺少证据，模型倾向于用常识补全，而不是承认自己没看到。第三，如果事件检测阶段误把一次靠近当成掩护，后面所有推理都会建立在错误前提上，而且推理越流畅，错误越难被发现。

这类错误有个共同特征：语言极其自信。它不会说“可能有误”，而是用完整的因果链把缺失的证据缝合起来。对使用者来说，最危险的恰恰是这种听起来很对的说法。

用什么办法约束它

目前较稳妥的处理是几件事同时做。

• 证据回指：解释里的每个关键判断必须关联具体的时间段和记录，缺少对应记录的句子不予输出。
• 拒答与降级：当遮挡严重、跟踪置信度低、事件链缺失时，输出“无法判断”或降为低置信度描述，而不是强行补全。
• 先检测后解释：解释层只能使用检测层已经确认的事件，不允许凭空引入未被检测到的战术动作。
• 人工复核入口：分析师可以直接点击每一条解释，跳到对应画面，并标记对错，错误标记用于后续改进。

这几条不能杜绝编故事，只能把它变得可发现。一个能被快速证伪的错误，比一个不可追溯的正确更有价值，因为使用者可以据此校准对系统的信任。

时间上下文：为什么一个回合不够

还有一类问题来自时间跨度。一个回合的解释只涉及几十秒，但战术往往是多回合累积的结果：对手连续三次在同一侧被突破，也许是因为上一节结束前的一次换人。要理解这种跨回合的因果，模型需要记住更长的比赛历史，这是近期长视频研究里反复出现的难点，也是长视频大模型为什么越来越重视上下文讨论的核心。

我们目前的做法是分层记忆：短期保留最近几个回合的详细事件链，长期只保留摘要和关键统计，比如某一侧被突破的次数、某位球员的上场时间。长期摘要的可靠性显然低于短期细节，遇到需要跨节推理的问题时，系统会明确说明依据的是摘要而不是原始画面。

现在能做什么，做不到什么

比较诚实的说法是：在机位稳定、球员可见度较好的场景里，事件层和关系层的输出已经足够支撑“把可疑片段快速找出来”；解释层更适合当作分析师的第一份草稿，而不是最终结论。多人重叠的篮下对抗、远景机位、频繁切镜头的转播画面，仍然是明显的薄弱区，球员身份在镜头切换后可能丢失，时间标记也可能因回放插入而错位。

另外，战术理解需要明确的比赛语境，例如防守体系是人盯人还是区域联防，队伍此刻是领先还是落后。这些信息有时无法从画面直接读出，需要使用者补充。系统能做的，是把这类缺失条件列出来，告诉使用者“如果你告诉我当前是区域联防，我的判断会不同”。

让视频模型理解一球为什么出现，最终要回到一个朴素的标准：教练看完解释，能不能顺着它找到画面里的证据，然后自己做出判断。能，这个模型就真的在帮忙；不能，再流畅的解释也只是一段好听的话。