1
00:00:00,954 --> 00:00:04,537
我同事和我對移動的點
背後的科學非常著迷。

2
00:00:04,927 --> 00:00:06,077
這些點是什麼？

3
00:00:06,101 --> 00:00:07,388
是我們每一個人。

4
00:00:07,412 --> 00:00:10,501
我們在家、在辦公室裡走動，


5
00:00:10,501 --> 00:00:14,587
在整個城市裡、
甚至世界各地旅遊和購物。

6
00:00:14,958 --> 00:00:18,627
我們若能夠瞭解這些動作，
不是很棒嗎？

7
00:00:18,918 --> 00:00:21,808
如果能從中找出模式、
意義和背後意涵的話。

8
00:00:22,259 --> 00:00:23,494
而我們有幸

9
00:00:23,494 --> 00:00:28,565
活在一個擷取自身資訊
非常容易的時代，

10
00:00:28,807 --> 00:00:32,470
無論透過感應器、影片或應用程式，

11
00:00:32,494 --> 00:00:35,303
我們都能非常精細地追蹤自己的動作。

12
00:00:36,092 --> 00:00:41,124
然後我們發現，最適合
獲取動作資訊的一個地方，

13
00:00:41,148 --> 00:00:42,356
就是運動場。

14
00:00:42,682 --> 00:00:48,015
無論是籃球、棒球、橄欖球或足球，

15
00:00:48,039 --> 00:00:51,975
我們都能在場館裡、甚至球員身上
安裝儀器，追蹤他們的動作 --

16
00:00:51,975 --> 00:00:53,778
每個瞬間的動作。

17
00:00:53,802 --> 00:00:58,184
所以我們要做的
就是把運動員變成──

18
00:00:58,208 --> 00:01:00,167
你們大概已經猜到了──

19
00:01:00,191 --> 00:01:01,587
移動的點。

20
00:01:01,946 --> 00:01:06,880
我們收集了海量的移動的點，
但就像大部分的原始數據一樣，

21
00:01:06,904 --> 00:01:09,406
它們不易處理、也不甚有趣。

22
00:01:09,430 --> 00:01:13,199
但藏在數據裡的是，舉例來說，
籃球教練想知道的事。

23
00:01:13,223 --> 00:01:17,963
而問題是他們無法得知這些事，
因為他們得看著每一秒鐘的比賽，

24
00:01:17,963 --> 00:01:19,646
記住內容並處理它。

25
00:01:19,804 --> 00:01:21,734
沒有任何人能做到這件事，

26
00:01:21,758 --> 00:01:23,068
但機器可以。

27
00:01:23,661 --> 00:01:27,071
問題是，機器無法從
教練的角度觀看比賽，

28
00:01:27,363 --> 00:01:29,944
至少在此之前，它們都做不到。

29
00:01:30,228 --> 00:01:32,331
所以我們教會了機器看些什麼呢?

30
00:01:33,569 --> 00:01:35,356
從簡單的開始。

31
00:01:35,380 --> 00:01:39,179
我們教它判斷傳球、
投籃、搶籃板等動作，

32
00:01:39,203 --> 00:01:41,744
一些大部分普通球迷都知道的事。

33
00:01:41,768 --> 00:01:44,600
然後我們進入稍微複雜一點的動作，

34
00:01:44,624 --> 00:01:49,212
像是低位單打、擋切和清空單打。

35
00:01:49,377 --> 00:01:52,920
如果你不知道這些動作，沒關係。
打球的人大概都清楚。

36
00:01:53,560 --> 00:01:58,900
接著，我們到達今天的地步，
機器已經可以讀出複雜的動作，

37
00:01:58,924 --> 00:02:01,997
例如：向下掩護和無球掩護(wide pin)，

38
00:02:02,021 --> 00:02:04,747
一些基本上是專業人士才懂的動作。

39
00:02:04,771 --> 00:02:09,159
我們教會了機器
用教練的角度來看比賽。

40
00:02:10,009 --> 00:02:11,866
我們是怎麼做到的?

41
00:02:12,511 --> 00:02:15,629
如果我請教練形容
某個動作，例如擋切，

42
00:02:15,653 --> 00:02:17,293
他們會給我一段敘述，

43
00:02:17,317 --> 00:02:20,483
如果我把這個敘述寫成
一個演算法，大概會慘不忍睹。

44
00:02:21,026 --> 00:02:25,304
擋切在籃球中，恰如
四個球員之間的舞蹈，

45
00:02:25,328 --> 00:02:27,240
兩個進攻方、兩個防守方。

46
00:02:27,486 --> 00:02:29,104
大概是這樣的過程：

47
00:02:29,128 --> 00:02:31,661
有一個未持球的進攻球員

48
00:02:31,685 --> 00:02:34,894
他跑到持球球員的旁邊幫他掩護，

49
00:02:34,918 --> 00:02:36,175
在原地稍作停留，

50
00:02:36,199 --> 00:02:39,516
然後他們都移動，事情就發生了
——嗒啦——這就是擋拆。

51
00:02:39,540 --> 00:02:41,755
(笑聲)

52
00:02:41,779 --> 00:02:44,287
剛剛我示範了一個差勁的演算法。

53
00:02:44,913 --> 00:02:49,117
如果擋人那名球員──我們稱掩護者──

54
00:02:49,278 --> 00:02:52,150
慢慢靠近，但他並未停留，

55
00:02:52,174 --> 00:02:53,939
這可能就不是擋切。

56
00:02:54,560 --> 00:02:58,505
或是他有停留，但距離不夠近，

57
00:02:58,529 --> 00:03:00,290
這可能也不是擋切。

58
00:03:00,642 --> 00:03:03,879
或是他慢慢靠近、也確實停留，

59
00:03:03,903 --> 00:03:07,227
但這發生在籃下，可能也不是擋切。

60
00:03:07,462 --> 00:03:09,580
也可能我判斷錯誤，這些全都是擋切。

61
00:03:09,580 --> 00:03:14,578
這一切取決於精確的
時機、距離和位置，

62
00:03:14,602 --> 00:03:16,097
這也正是困難的地方。

63
00:03:16,579 --> 00:03:21,523
很幸運地，透過機器學習技術，
我們得以用超越自己的能力，

64
00:03:21,547 --> 00:03:23,290
來描述我們知道的事情。

65
00:03:23,314 --> 00:03:25,594
如何做到這個技術？舉個例。

66
00:03:25,759 --> 00:03:28,589
我們跑到機器面前說：「早安，機器。

67
00:03:29,077 --> 00:03:32,436
這裡有些擋切的例子，
也有些不是的例子。

68
00:03:32,720 --> 00:03:34,972
請找出區分它們的方式。」

69
00:03:35,076 --> 00:03:38,783
而一切的關鍵在於找到
可以進行區別的特徵。

70
00:03:38,807 --> 00:03:40,400
如果我要教它區分

71
00:03:40,400 --> 00:03:41,685
蘋果和橘子的差異，

72
00:03:41,685 --> 00:03:44,344
我可能會說：
「不妨用顏色或形狀來區分?」

73
00:03:44,344 --> 00:03:47,687
而我們要解決的問題是，
類似這樣的特徵是什麼？

74
00:03:47,711 --> 00:03:52,508
哪些是能讓電腦判讀這些移動的點時，
能暢行無阻的重要特徵？

75
00:03:52,508 --> 00:03:56,572
所以搞清楚每件事情的關聯──
包含相對和絕對位置、

76
00:03:56,572 --> 00:03:59,261
距離、時機、速率──

77
00:03:59,440 --> 00:04:04,368
絕對是研究這些移動的點的重要關鍵，
或者用我們喜歡的稱呼方式：

78
00:04:04,392 --> 00:04:07,736
「時空模式識別」這樣的學術用語。

79
00:04:07,925 --> 00:04:10,823
因為最重要的是，
必須讓它聽起來很難，

80
00:04:10,847 --> 00:04:12,125
因為它真的很難。

81
00:04:12,410 --> 00:04:15,551
重要的是，對NBA教練來說，
他們想知道的

82
00:04:15,575 --> 00:04:17,497
不是擋切是否發生，

83
00:04:17,521 --> 00:04:19,597
而是擋切是怎麼發生的。

84
00:04:19,621 --> 00:04:22,607
為什麼這對他們如此重要? 
這裡有一些發現。

85
00:04:22,631 --> 00:04:24,402
原來在現代籃球中，

86
00:04:24,426 --> 00:04:26,965
擋切可能就是最重要的戰術。

87
00:04:27,065 --> 00:04:28,979
知道如何執行、如何防守擋切，

88
00:04:28,979 --> 00:04:32,379
基本上是大部分比賽輸贏的關鍵。

89
00:04:32,403 --> 00:04:36,204
所以結果是，擋切這種舞步變化多端，

90
00:04:36,228 --> 00:04:39,876
真正重要的是要辨別這些變化，

91
00:04:39,900 --> 00:04:42,899
所以我們需要有非常完善的演算法。

92
00:04:43,228 --> 00:04:44,218
這裡有個例子。

93
00:04:44,218 --> 00:04:46,041
兩個進攻球員和兩個防守球員

94
00:04:46,041 --> 00:04:47,947
準備進行擋切的攻防，

95
00:04:47,947 --> 00:04:51,690
持球者可以選擇利用或拒絕擋切，

96
00:04:52,086 --> 00:04:55,087
他的隊友則可以選擇切入或後撤。

97
00:04:55,111 --> 00:04:58,097
防守持球者的球員可選擇
從前繞開、或從後繞開。

98
00:04:58,121 --> 00:05:02,686
他的隊友可選擇上前補防、
隨球盯人或向後消極防守，

99
00:05:02,710 --> 00:05:05,328
他們也可以選擇換防或夾擊。

100
00:05:05,352 --> 00:05:08,011
一開始我並不知道大部分的動作，

101
00:05:08,035 --> 00:05:11,955
覺得如果大家能照那些箭頭
的方向移動就太棒了，

102
00:05:11,979 --> 00:05:15,647
這會讓我們的生活更加容易；
但我們的動作往往非常雜亂。

103
00:05:15,647 --> 00:05:20,745
人的動作有大量扭動，要在精準度和完整度上

104
00:05:20,745 --> 00:05:24,748
精確辨識這些變化，是相當困難的，

105
00:05:24,774 --> 00:05:28,392
因為唯有如此，
才能取得專業教練的信任。

106
00:05:28,416 --> 00:05:31,230
而儘管找到這些正確的
時空特徵困難重重，

107
00:05:31,230 --> 00:05:32,958
我們還是做到了。

108
00:05:32,958 --> 00:05:37,245
教練們信任我們機器
辨識這些變化的能力。

109
00:05:37,478 --> 00:05:42,671
我們已經達到，今年幾乎每一個
爭奪NBA冠軍的隊伍

110
00:05:42,682 --> 00:05:47,090
都在使用我們的軟體，
安裝在可以讀懂籃球場上

111
00:05:47,114 --> 00:05:48,748
移動的點的機器裡。

112
00:05:49,872 --> 00:05:55,025
不只如此，這些隊伍也根據
我們的建議改變一些戰術，

113
00:05:55,049 --> 00:05:58,401
幫助他們贏了一些很重要的比賽，

114
00:05:58,425 --> 00:06:01,581
這令人感到非常興奮，
因為我們讓這些在聯盟裡

115
00:06:01,581 --> 00:06:05,248
打滾了30年的教練，
願意聽一台機器的建議。

116
00:06:05,874 --> 00:06:08,254
不只擋切戰術，更讓我們興奮的是，

117
00:06:08,254 --> 00:06:10,114
我們的電腦從簡單的開始，

118
00:06:10,114 --> 00:06:12,092
學會越來越複雜的動作，

119
00:06:12,092 --> 00:06:14,047
現在它已經有豐富的知識。

120
00:06:14,047 --> 00:06:17,412
老實說，它懂得已經比我多了，

121
00:06:17,436 --> 00:06:21,151
但由於比我聰明也沒什麼特別的，

122
00:06:21,175 --> 00:06:24,819
我們更想知道，
機器有可能懂得比教練還多嗎？

123
00:06:24,843 --> 00:06:26,898
可能懂得比人類還多嗎？

124
00:06:26,922 --> 00:06:28,667
結果答案是：可以。

125
00:06:28,691 --> 00:06:31,248
教練都希望球員掌握好的投籃時機，

126
00:06:31,272 --> 00:06:32,437
如果離籃框很近，

127
00:06:32,437 --> 00:06:34,527
旁邊沒人防守，就是好的投籃時機。

128
00:06:34,527 --> 00:06:39,077
如果我離籃框很遠，又被防守者包圍，
通常就是很差的投籃時機。

129
00:06:39,101 --> 00:06:43,977
但我們從來無法從量化數據得知，
「好」有多好、「差」有多差。

130
00:06:44,209 --> 00:06:45,359
但現在不同了。

131
00:06:45,771 --> 00:06:48,829
所以我們可以，同樣地，
利用時空特徵條件，

132
00:06:48,853 --> 00:06:50,227
檢視每一次投籃。

133
00:06:50,251 --> 00:06:53,256
我們可以得知：投籃位置在哪？
和籃框的角度是幾度？

134
00:06:53,280 --> 00:06:56,042
防守者站在哪裡？距離多少？

135
00:06:56,066 --> 00:06:57,397
角度多大？

136
00:06:57,421 --> 00:07:00,398
防守者不只一個時，
我們可以觀察球員如何移動

137
00:07:00,422 --> 00:07:01,855
來預測投籃類型。

138
00:07:01,879 --> 00:07:05,953
我們可以觀察速率，建立一個可以預測

139
00:07:05,977 --> 00:07:10,029
在此情況下的命中率模型。

140
00:07:10,188 --> 00:07:11,688
為什麼這很重要？

141
00:07:12,102 --> 00:07:14,905
我們可以將投籃

142
00:07:14,929 --> 00:07:17,609
這種過去的單一行為，轉化為兩件事：

143
00:07:17,633 --> 00:07:20,824
投籃動作本身的品質，和投籃者的品質。

144
00:07:21,680 --> 00:07:24,942
這裡有一張泡泡圖，
沒有泡泡圖還像TED嗎？

145
00:07:24,966 --> 00:07:25,980
(笑聲)

146
00:07:26,004 --> 00:07:27,315
這些都是NBA球員。

147
00:07:27,339 --> 00:07:30,459
泡泡大小代表球員體型大小，
顏色代表他打的位置。

148
00:07:30,483 --> 00:07:32,615
X軸是進球的機率，

149
00:07:32,639 --> 00:07:34,592
左邊的球員做了許多勉強的投籃動作，

150
00:07:34,616 --> 00:07:36,845
右邊的球員在有空檔時才會出手。

151
00:07:37,194 --> 00:07:39,251
Y軸是球員的投籃能力，

152
00:07:39,275 --> 00:07:41,837
擅長投籃的球員在上方，
不擅長的在下方。

153
00:07:41,861 --> 00:07:43,621
舉例來說，如果有個球員，

154
00:07:43,621 --> 00:07:45,718
平均命中率大約47%，

155
00:07:45,718 --> 00:07:47,347
這是過去所有你知道的資訊。

156
00:07:47,347 --> 00:07:51,029
但今天，我能告訴你以
這個球員出手投籃的狀況，

157
00:07:51,029 --> 00:07:54,180
NBA球員的平均命中率是49%，

158
00:07:54,204 --> 00:07:55,888
他比平均低了2%。

159
00:07:56,266 --> 00:08:00,781
這之所以重要，是因為
有這麼多47%命中率的球員。

160
00:08:01,714 --> 00:08:04,263
重點就是要搞清楚，

161
00:08:04,287 --> 00:08:08,243
如果你要用100美金
簽下一個47%的球員，

162
00:08:08,267 --> 00:08:11,322
應該要找能投得準但出手時機不佳的，

163
00:08:11,346 --> 00:08:13,743
還是不那麼準但出手時機很好的球員。

164
00:08:15,130 --> 00:08:18,463
機器的理解力不只改變了
我們對球員的看法，

165
00:08:18,487 --> 00:08:20,345
也改變了我們對比賽的看法。

166
00:08:20,369 --> 00:08:24,124
兩年前在NBA總冠軍系列戰，
有一場非常刺激的比賽。

167
00:08:24,148 --> 00:08:27,355
邁阿密熱火隊落後3分，
時間還剩20秒。

168
00:08:27,379 --> 00:08:29,404
他們即將把冠軍拱手讓人。

169
00:08:29,428 --> 00:08:32,769
一位叫勒布朗·詹姆士的先生
出手一顆三分球企圖追平比賽，

170
00:08:32,793 --> 00:08:33,991
球沒進。

171
00:08:34,015 --> 00:08:35,852
他的隊友克里斯·波許搶到籃板，

172
00:08:35,876 --> 00:08:37,759
傳給另一位隊友雷·艾倫。

173
00:08:37,759 --> 00:08:39,978
他命中了一顆三分球，
將比賽帶入延長賽，

174
00:08:40,002 --> 00:08:42,098
最後他們贏了比賽，拿到冠軍。

175
00:08:42,122 --> 00:08:44,566
這是籃球場上最刺激的球賽之一。

176
00:08:45,438 --> 00:08:49,743
而因為我們可以得知每一個球員
在每一秒鐘投進的機率，

177
00:08:49,743 --> 00:08:52,103
以及每一秒鐘他們搶到籃板的機率，

178
00:08:52,103 --> 00:08:56,526
讓我們得以用前所未有的方式
窺見這個時刻的全貌。

179
00:08:57,618 --> 00:09:00,286
很可惜，現在我無法播放那段影片，

180
00:09:00,310 --> 00:09:04,803
但為了各位，我們重建了那個時刻，

181
00:09:04,827 --> 00:09:07,163
就在大約三週前
我們每週例行的籃球比賽裡。

182
00:09:07,279 --> 00:09:09,446
(笑聲)

183
00:09:09,573 --> 00:09:12,983
我們也重建了讓我們窺見
比賽全貌的追蹤數據。

184
00:09:13,199 --> 00:09:17,454
所以，這就是我們，
在洛杉磯的中國城，

185
00:09:17,478 --> 00:09:19,042
我們每週都在這個公園比賽。

186
00:09:19,066 --> 00:09:21,297
我們正在重建雷·艾倫的經典時刻，

187
00:09:21,321 --> 00:09:23,550
以及所有相關的追蹤數據。

188
00:09:24,772 --> 00:09:26,289
這就是那經典的一球。

189
00:09:26,313 --> 00:09:28,829
我將和各位展示那個時刻，

190
00:09:28,853 --> 00:09:31,440
以及那個時刻背後的一切。

191
00:09:31,464 --> 00:09:35,194
唯一的不同是，表演者是我們，
不是那些職業球員。

192
00:09:35,218 --> 00:09:37,836
還有是我在播報，不是職業播報員，

193
00:09:37,860 --> 00:09:39,337
所以請大家見諒。

194
00:09:41,153 --> 00:09:42,303
邁阿密熱火。

195
00:09:42,671 --> 00:09:43,821
3分落後。

196
00:09:44,107 --> 00:09:45,257
剩下20秒。

197
00:09:47,385 --> 00:09:48,583
傑夫帶球過來。

198
00:09:50,656 --> 00:09:52,191
喬許接到了球，三分出手！

199
00:09:52,631 --> 00:09:54,480
[計算命中率]

200
00:09:55,278 --> 00:09:56,428
[投籃品質]

201
00:09:57,048 --> 00:09:58,833
[籃板機率]

202
00:10:00,373 --> 00:10:01,546
球沒進！

203
00:10:01,570 --> 00:10:03,016
[籃板機率]

204
00:10:03,777 --> 00:10:05,033
諾爾搶到籃板。

205
00:10:05,057 --> 00:10:06,207
向後傳給朵莉雅。

206
00:10:06,509 --> 00:10:09,874
[投籃品質]

207
00:10:10,676 --> 00:10:12,296
她三分出手... 球進！

208
00:10:12,320 --> 00:10:14,517
追平比賽，剩下5秒！

209
00:10:14,880 --> 00:10:16,498
觀眾陷入瘋狂。

210
00:10:16,522 --> 00:10:18,181
(笑聲)

211
00:10:18,205 --> 00:10:19,752
事情大概就是這樣發生的。

212
00:10:19,776 --> 00:10:20,927
(掌聲)

213
00:10:20,951 --> 00:10:22,126
大概啦。

214
00:10:22,150 --> 00:10:23,681
(掌聲)

215
00:10:24,121 --> 00:10:29,605
這個時刻發生在NBA
賽場上的機率大約是9%，

216
00:10:29,629 --> 00:10:31,890
我們能算出這件事
和其他許多事的機率。

217
00:10:31,914 --> 00:10:35,405
我絕對不會告訴各位
我們試了幾次才成功。

218
00:10:35,429 --> 00:10:37,176
(笑聲)

219
00:10:37,200 --> 00:10:39,072
好啦，告訴你們，四次。

220
00:10:39,096 --> 00:10:40,097
(笑聲)

221
00:10:40,121 --> 00:10:41,286
幹得不錯，朵莉雅。

222
00:10:41,647 --> 00:10:45,910
但重要的並不是這則影片，

223
00:10:45,934 --> 00:10:50,502
也不是它對NBA每場比賽
每一秒鐘的意涵。

224
00:10:50,639 --> 00:10:54,568
重要的是，不是只有職業球隊
才能追蹤人的動作，

225
00:10:55,083 --> 00:10:58,740
也不是只有職業球員
才需要這些動作背後的意涵。

226
00:10:58,764 --> 00:11:02,622
事實上，它也不是只能應用在運動場上，
因為我們隨時都不斷地在各地移動。

227
00:11:03,654 --> 00:11:06,023
我們在家裡移動、

228
00:11:09,358 --> 00:11:10,633
在辦公室裡移動、

229
00:11:12,238 --> 00:11:14,928
購物和旅遊、

230
00:11:17,318 --> 00:11:18,781
穿梭在我們的城市裡

231
00:11:20,065 --> 00:11:21,683
以及全世界。

232
00:11:23,270 --> 00:11:25,565
我們可以知道什麼？可以學到什麼？

233
00:11:25,589 --> 00:11:27,894
或許，除了辨識擋切戰術之外，

234
00:11:27,918 --> 00:11:30,928
機器還能辨識出感動時刻，讓我知道

235
00:11:30,952 --> 00:11:33,011
我女兒何時踏出她的第一步。

236
00:11:33,035 --> 00:11:35,571
這真的是每一秒鐘都可能發生的事。

237
00:11:36,140 --> 00:11:39,837
或許我們能夠學會更善加
利用建築物、做更好的都市規劃。

238
00:11:40,362 --> 00:11:44,535
我相信藉由移動的點的科學進步，

239
00:11:44,559 --> 00:11:48,202
我們將能更好地移動、更聰明地移動，
並真正向未來移動。

240
00:11:48,607 --> 00:11:49,796
非常感謝各位。

241
00:11:49,820 --> 00:11:54,865
(掌聲)