0:00:00.954,0:00:04.537
我同事和我對移動的點[br]背後的科學非常著迷。

0:00:04.927,0:00:06.077
這些點是什麼？

0:00:06.101,0:00:07.388
是我們每一個人。

0:00:07.412,0:00:10.501
我們在家、在辦公室裡走動，[br]

0:00:10.501,0:00:14.587
在整個城市裡、[br]甚至世界各地旅遊和購物。

0:00:14.958,0:00:18.627
我們若能夠瞭解這些動作，[br]不是很棒嗎？

0:00:18.918,0:00:21.808
如果能從中找出模式、[br]意義和背後意涵的話。

0:00:22.259,0:00:23.494
而我們有幸

0:00:23.494,0:00:28.565
活在一個擷取自身資訊[br]非常容易的時代，

0:00:28.807,0:00:32.470
無論透過感應器、影片或應用程式，

0:00:32.494,0:00:35.303
我們都能非常精細地追蹤自己的動作。

0:00:36.092,0:00:41.124
然後我們發現，最適合[br]獲取動作資訊的一個地方，

0:00:41.148,0:00:42.356
就是運動場。

0:00:42.682,0:00:48.015
無論是籃球、棒球、橄欖球或足球，

0:00:48.039,0:00:51.975
我們都能在場館裡、甚至球員身上[br]安裝儀器，追蹤他們的動作 --

0:00:51.975,0:00:53.778
每個瞬間的動作。

0:00:53.802,0:00:58.184
所以我們要做的[br]就是把運動員變成──

0:00:58.208,0:01:00.167
你們大概已經猜到了──

0:01:00.191,0:01:01.587
移動的點。

0:01:01.946,0:01:06.880
我們收集了海量的移動的點，[br]但就像大部分的原始數據一樣，

0:01:06.904,0:01:09.406
它們不易處理、也不甚有趣。

0:01:09.430,0:01:13.199
但藏在數據裡的是，舉例來說，[br]籃球教練想知道的事。

0:01:13.223,0:01:17.963
而問題是他們無法得知這些事，[br]因為他們得看著每一秒鐘的比賽，

0:01:17.963,0:01:19.646
記住內容並處理它。

0:01:19.804,0:01:21.734
沒有任何人能做到這件事，

0:01:21.758,0:01:23.068
但機器可以。

0:01:23.661,0:01:27.071
問題是，機器無法從[br]教練的角度觀看比賽，

0:01:27.363,0:01:29.944
至少在此之前，它們都做不到。

0:01:30.228,0:01:32.331
所以我們教會了機器看些什麼呢?

0:01:33.569,0:01:35.356
從簡單的開始。

0:01:35.380,0:01:39.179
我們教它判斷傳球、[br]投籃、搶籃板等動作，

0:01:39.203,0:01:41.744
一些大部分普通球迷都知道的事。

0:01:41.768,0:01:44.600
然後我們進入稍微複雜一點的動作，

0:01:44.624,0:01:49.212
像是低位單打、擋切和清空單打。

0:01:49.377,0:01:52.920
如果你不知道這些動作，沒關係。[br]打球的人大概都清楚。

0:01:53.560,0:01:58.900
接著，我們到達今天的地步，[br]機器已經可以讀出複雜的動作，

0:01:58.924,0:02:01.997
例如：向下掩護和無球掩護(wide pin)，

0:02:02.021,0:02:04.747
一些基本上是專業人士才懂的動作。

0:02:04.771,0:02:09.159
我們教會了機器[br]用教練的角度來看比賽。

0:02:10.009,0:02:11.866
我們是怎麼做到的?

0:02:12.511,0:02:15.629
如果我請教練形容[br]某個動作，例如擋切，

0:02:15.653,0:02:17.293
他們會給我一段敘述，

0:02:17.317,0:02:20.483
如果我把這個敘述寫成[br]一個演算法，大概會慘不忍睹。

0:02:21.026,0:02:25.304
擋切在籃球中，恰如[br]四個球員之間的舞蹈，

0:02:25.328,0:02:27.240
兩個進攻方、兩個防守方。

0:02:27.486,0:02:29.104
大概是這樣的過程：

0:02:29.128,0:02:31.661
有一個未持球的進攻球員

0:02:31.685,0:02:34.894
他跑到持球球員的旁邊幫他掩護，

0:02:34.918,0:02:36.175
在原地稍作停留，

0:02:36.199,0:02:39.516
然後他們都移動，事情就發生了[br]——嗒啦——這就是擋拆。

0:02:39.540,0:02:41.755
(笑聲)

0:02:41.779,0:02:44.287
剛剛我示範了一個差勁的演算法。

0:02:44.913,0:02:49.117
如果擋人那名球員──我們稱掩護者──

0:02:49.278,0:02:52.150
慢慢靠近，但他並未停留，

0:02:52.174,0:02:53.939
這可能就不是擋切。

0:02:54.560,0:02:58.505
或是他有停留，但距離不夠近，

0:02:58.529,0:03:00.290
這可能也不是擋切。

0:03:00.642,0:03:03.879
或是他慢慢靠近、也確實停留，

0:03:03.903,0:03:07.227
但這發生在籃下，可能也不是擋切。

0:03:07.462,0:03:09.580
也可能我判斷錯誤，這些全都是擋切。

0:03:09.580,0:03:14.578
這一切取決於精確的[br]時機、距離和位置，

0:03:14.602,0:03:16.097
這也正是困難的地方。

0:03:16.579,0:03:21.523
很幸運地，透過機器學習技術，[br]我們得以用超越自己的能力，

0:03:21.547,0:03:23.290
來描述我們知道的事情。

0:03:23.314,0:03:25.594
如何做到這個技術？舉個例。

0:03:25.759,0:03:28.589
我們跑到機器面前說：「早安，機器。

0:03:29.077,0:03:32.436
這裡有些擋切的例子，[br]也有些不是的例子。

0:03:32.720,0:03:34.972
請找出區分它們的方式。」

0:03:35.076,0:03:38.783
而一切的關鍵在於找到[br]可以進行區別的特徵。

0:03:38.807,0:03:40.400
如果我要教它區分

0:03:40.400,0:03:41.685
蘋果和橘子的差異，

0:03:41.685,0:03:44.344
我可能會說：[br]「不妨用顏色或形狀來區分?」

0:03:44.344,0:03:47.687
而我們要解決的問題是，[br]類似這樣的特徵是什麼？

0:03:47.711,0:03:52.508
哪些是能讓電腦判讀這些移動的點時，[br]能暢行無阻的重要特徵？

0:03:52.508,0:03:56.572
所以搞清楚每件事情的關聯──[br]包含相對和絕對位置、

0:03:56.572,0:03:59.261
距離、時機、速率──

0:03:59.440,0:04:04.368
絕對是研究這些移動的點的重要關鍵，[br]或者用我們喜歡的稱呼方式：

0:04:04.392,0:04:07.736
「時空模式識別」這樣的學術用語。

0:04:07.925,0:04:10.823
因為最重要的是，[br]必須讓它聽起來很難，

0:04:10.847,0:04:12.125
因為它真的很難。

0:04:12.410,0:04:15.551
重要的是，對NBA教練來說，[br]他們想知道的

0:04:15.575,0:04:17.497
不是擋切是否發生，

0:04:17.521,0:04:19.597
而是擋切是怎麼發生的。

0:04:19.621,0:04:22.607
為什麼這對他們如此重要? [br]這裡有一些發現。

0:04:22.631,0:04:24.402
原來在現代籃球中，

0:04:24.426,0:04:26.965
擋切可能就是最重要的戰術。

0:04:27.065,0:04:28.979
知道如何執行、如何防守擋切，

0:04:28.979,0:04:32.379
基本上是大部分比賽輸贏的關鍵。

0:04:32.403,0:04:36.204
所以結果是，擋切這種舞步變化多端，

0:04:36.228,0:04:39.876
真正重要的是要辨別這些變化，

0:04:39.900,0:04:42.899
所以我們需要有非常完善的演算法。

0:04:43.228,0:04:44.218
這裡有個例子。

0:04:44.218,0:04:46.041
兩個進攻球員和兩個防守球員

0:04:46.041,0:04:47.947
準備進行擋切的攻防，

0:04:47.947,0:04:51.690
持球者可以選擇利用或拒絕擋切，

0:04:52.086,0:04:55.087
他的隊友則可以選擇切入或後撤。

0:04:55.111,0:04:58.097
防守持球者的球員可選擇[br]從前繞開、或從後繞開。

0:04:58.121,0:05:02.686
他的隊友可選擇上前補防、[br]隨球盯人或向後消極防守，

0:05:02.710,0:05:05.328
他們也可以選擇換防或夾擊。

0:05:05.352,0:05:08.011
一開始我並不知道大部分的動作，

0:05:08.035,0:05:11.955
覺得如果大家能照那些箭頭[br]的方向移動就太棒了，

0:05:11.979,0:05:15.647
這會讓我們的生活更加容易；[br]但我們的動作往往非常雜亂。

0:05:15.647,0:05:20.745
人的動作有大量扭動，要在精準度和完整度上

0:05:20.745,0:05:24.748
精確辨識這些變化，是相當困難的，

0:05:24.774,0:05:28.392
因為唯有如此，[br]才能取得專業教練的信任。

0:05:28.416,0:05:31.230
而儘管找到這些正確的[br]時空特徵困難重重，

0:05:31.230,0:05:32.958
我們還是做到了。

0:05:32.958,0:05:37.245
教練們信任我們機器[br]辨識這些變化的能力。

0:05:37.478,0:05:42.671
我們已經達到，今年幾乎每一個[br]爭奪NBA冠軍的隊伍

0:05:42.682,0:05:47.090
都在使用我們的軟體，[br]安裝在可以讀懂籃球場上

0:05:47.114,0:05:48.748
移動的點的機器裡。

0:05:49.872,0:05:55.025
不只如此，這些隊伍也根據[br]我們的建議改變一些戰術，

0:05:55.049,0:05:58.401
幫助他們贏了一些很重要的比賽，

0:05:58.425,0:06:01.581
這令人感到非常興奮，[br]因為我們讓這些在聯盟裡

0:06:01.581,0:06:05.248
打滾了30年的教練，[br]願意聽一台機器的建議。

0:06:05.874,0:06:08.254
不只擋切戰術，更讓我們興奮的是，

0:06:08.254,0:06:10.114
我們的電腦從簡單的開始，

0:06:10.114,0:06:12.092
學會越來越複雜的動作，

0:06:12.092,0:06:14.047
現在它已經有豐富的知識。

0:06:14.047,0:06:17.412
老實說，它懂得已經比我多了，

0:06:17.436,0:06:21.151
但由於比我聰明也沒什麼特別的，

0:06:21.175,0:06:24.819
我們更想知道，[br]機器有可能懂得比教練還多嗎？

0:06:24.843,0:06:26.898
可能懂得比人類還多嗎？

0:06:26.922,0:06:28.667
結果答案是：可以。

0:06:28.691,0:06:31.248
教練都希望球員掌握好的投籃時機，

0:06:31.272,0:06:32.437
如果離籃框很近，

0:06:32.437,0:06:34.527
旁邊沒人防守，就是好的投籃時機。

0:06:34.527,0:06:39.077
如果我離籃框很遠，又被防守者包圍，[br]通常就是很差的投籃時機。

0:06:39.101,0:06:43.977
但我們從來無法從量化數據得知，[br]「好」有多好、「差」有多差。

0:06:44.209,0:06:45.359
但現在不同了。

0:06:45.771,0:06:48.829
所以我們可以，同樣地，[br]利用時空特徵條件，

0:06:48.853,0:06:50.227
檢視每一次投籃。

0:06:50.251,0:06:53.256
我們可以得知：投籃位置在哪？[br]和籃框的角度是幾度？

0:06:53.280,0:06:56.042
防守者站在哪裡？距離多少？

0:06:56.066,0:06:57.397
角度多大？

0:06:57.421,0:07:00.398
防守者不只一個時，[br]我們可以觀察球員如何移動

0:07:00.422,0:07:01.855
來預測投籃類型。

0:07:01.879,0:07:05.953
我們可以觀察速率，建立一個可以預測

0:07:05.977,0:07:10.029
在此情況下的命中率模型。

0:07:10.188,0:07:11.688
為什麼這很重要？

0:07:12.102,0:07:14.905
我們可以將投籃

0:07:14.929,0:07:17.609
這種過去的單一行為，轉化為兩件事：

0:07:17.633,0:07:20.824
投籃動作本身的品質，和投籃者的品質。

0:07:21.680,0:07:24.942
這裡有一張泡泡圖，[br]沒有泡泡圖還像TED嗎？

0:07:24.966,0:07:25.980
(笑聲)

0:07:26.004,0:07:27.315
這些都是NBA球員。

0:07:27.339,0:07:30.459
泡泡大小代表球員體型大小，[br]顏色代表他打的位置。

0:07:30.483,0:07:32.615
X軸是進球的機率，

0:07:32.639,0:07:34.592
左邊的球員做了許多勉強的投籃動作，

0:07:34.616,0:07:36.845
右邊的球員在有空檔時才會出手。

0:07:37.194,0:07:39.251
Y軸是球員的投籃能力，

0:07:39.275,0:07:41.837
擅長投籃的球員在上方，[br]不擅長的在下方。

0:07:41.861,0:07:43.621
舉例來說，如果有個球員，

0:07:43.621,0:07:45.718
平均命中率大約47%，

0:07:45.718,0:07:47.347
這是過去所有你知道的資訊。

0:07:47.347,0:07:51.029
但今天，我能告訴你以[br]這個球員出手投籃的狀況，

0:07:51.029,0:07:54.180
NBA球員的平均命中率是49%，

0:07:54.204,0:07:55.888
他比平均低了2%。

0:07:56.266,0:08:00.781
這之所以重要，是因為[br]有這麼多47%命中率的球員。

0:08:01.714,0:08:04.263
重點就是要搞清楚，

0:08:04.287,0:08:08.243
如果你要用100美金[br]簽下一個47%的球員，

0:08:08.267,0:08:11.322
應該要找能投得準但出手時機不佳的，

0:08:11.346,0:08:13.743
還是不那麼準但出手時機很好的球員。

0:08:15.130,0:08:18.463
機器的理解力不只改變了[br]我們對球員的看法，

0:08:18.487,0:08:20.345
也改變了我們對比賽的看法。

0:08:20.369,0:08:24.124
兩年前在NBA總冠軍系列戰，[br]有一場非常刺激的比賽。

0:08:24.148,0:08:27.355
邁阿密熱火隊落後3分，[br]時間還剩20秒。

0:08:27.379,0:08:29.404
他們即將把冠軍拱手讓人。

0:08:29.428,0:08:32.769
一位叫勒布朗·詹姆士的先生[br]出手一顆三分球企圖追平比賽，

0:08:32.793,0:08:33.991
球沒進。

0:08:34.015,0:08:35.852
他的隊友克里斯·波許搶到籃板，

0:08:35.876,0:08:37.759
傳給另一位隊友雷·艾倫。

0:08:37.759,0:08:39.978
他命中了一顆三分球，[br]將比賽帶入延長賽，

0:08:40.002,0:08:42.098
最後他們贏了比賽，拿到冠軍。

0:08:42.122,0:08:44.566
這是籃球場上最刺激的球賽之一。

0:08:45.438,0:08:49.743
而因為我們可以得知每一個球員[br]在每一秒鐘投進的機率，

0:08:49.743,0:08:52.103
以及每一秒鐘他們搶到籃板的機率，

0:08:52.103,0:08:56.526
讓我們得以用前所未有的方式[br]窺見這個時刻的全貌。

0:08:57.618,0:09:00.286
很可惜，現在我無法播放那段影片，

0:09:00.310,0:09:04.803
但為了各位，我們重建了那個時刻，

0:09:04.827,0:09:07.163
就在大約三週前[br]我們每週例行的籃球比賽裡。

0:09:07.279,0:09:09.446
(笑聲)

0:09:09.573,0:09:12.983
我們也重建了讓我們窺見[br]比賽全貌的追蹤數據。

0:09:13.199,0:09:17.454
所以，這就是我們，[br]在洛杉磯的中國城，

0:09:17.478,0:09:19.042
我們每週都在這個公園比賽。

0:09:19.066,0:09:21.297
我們正在重建雷·艾倫的經典時刻，

0:09:21.321,0:09:23.550
以及所有相關的追蹤數據。

0:09:24.772,0:09:26.289
這就是那經典的一球。

0:09:26.313,0:09:28.829
我將和各位展示那個時刻，

0:09:28.853,0:09:31.440
以及那個時刻背後的一切。

0:09:31.464,0:09:35.194
唯一的不同是，表演者是我們，[br]不是那些職業球員。

0:09:35.218,0:09:37.836
還有是我在播報，不是職業播報員，

0:09:37.860,0:09:39.337
所以請大家見諒。

0:09:41.153,0:09:42.303
邁阿密熱火。

0:09:42.671,0:09:43.821
3分落後。

0:09:44.107,0:09:45.257
剩下20秒。

0:09:47.385,0:09:48.583
傑夫帶球過來。

0:09:50.656,0:09:52.191
喬許接到了球，三分出手！

0:09:52.631,0:09:54.480
[計算命中率]

0:09:55.278,0:09:56.428
[投籃品質]

0:09:57.048,0:09:58.833
[籃板機率]

0:10:00.373,0:10:01.546
球沒進！

0:10:01.570,0:10:03.016
[籃板機率]

0:10:03.777,0:10:05.033
諾爾搶到籃板。

0:10:05.057,0:10:06.207
向後傳給朵莉雅。

0:10:06.509,0:10:09.874
[投籃品質]

0:10:10.676,0:10:12.296
她三分出手... 球進！

0:10:12.320,0:10:14.517
追平比賽，剩下5秒！

0:10:14.880,0:10:16.498
觀眾陷入瘋狂。

0:10:16.522,0:10:18.181
(笑聲)

0:10:18.205,0:10:19.752
事情大概就是這樣發生的。

0:10:19.776,0:10:20.927
(掌聲)

0:10:20.951,0:10:22.126
大概啦。

0:10:22.150,0:10:23.681
(掌聲)

0:10:24.121,0:10:29.605
這個時刻發生在NBA[br]賽場上的機率大約是9%，

0:10:29.629,0:10:31.890
我們能算出這件事[br]和其他許多事的機率。

0:10:31.914,0:10:35.405
我絕對不會告訴各位[br]我們試了幾次才成功。

0:10:35.429,0:10:37.176
(笑聲)

0:10:37.200,0:10:39.072
好啦，告訴你們，四次。

0:10:39.096,0:10:40.097
(笑聲)

0:10:40.121,0:10:41.286
幹得不錯，朵莉雅。

0:10:41.647,0:10:45.910
但重要的並不是這則影片，

0:10:45.934,0:10:50.502
也不是它對NBA每場比賽[br]每一秒鐘的意涵。

0:10:50.639,0:10:54.568
重要的是，不是只有職業球隊[br]才能追蹤人的動作，

0:10:55.083,0:10:58.740
也不是只有職業球員[br]才需要這些動作背後的意涵。

0:10:58.764,0:11:02.622
事實上，它也不是只能應用在運動場上，[br]因為我們隨時都不斷地在各地移動。

0:11:03.654,0:11:06.023
我們在家裡移動、

0:11:09.358,0:11:10.633
在辦公室裡移動、

0:11:12.238,0:11:14.928
購物和旅遊、

0:11:17.318,0:11:18.781
穿梭在我們的城市裡

0:11:20.065,0:11:21.683
以及全世界。

0:11:23.270,0:11:25.565
我們可以知道什麼？可以學到什麼？

0:11:25.589,0:11:27.894
或許，除了辨識擋切戰術之外，

0:11:27.918,0:11:30.928
機器還能辨識出感動時刻，讓我知道

0:11:30.952,0:11:33.011
我女兒何時踏出她的第一步。

0:11:33.035,0:11:35.571
這真的是每一秒鐘都可能發生的事。

0:11:36.140,0:11:39.837
或許我們能夠學會更善加[br]利用建築物、做更好的都市規劃。

0:11:40.362,0:11:44.535
我相信藉由移動的點的科學進步，

0:11:44.559,0:11:48.202
我們將能更好地移動、更聰明地移動，[br]並真正向未來移動。

0:11:48.607,0:11:49.796
非常感謝各位。

0:11:49.820,0:11:54.865
(掌聲)