文╱編譯梁采蘩
能預測球員或球隊未來表現 甚至提供比賽策略建議
想像一下，如果一支棒球隊擁有一位預言家，能準確預測某位打者在未來1年、3年甚至10年間的安打數，或是某位投手會失多少分，那麼這支球隊將擁有巨大的競爭優勢。現實中，當然沒有這樣的預言家，但人工智慧正逐步扮演這樣的角色。它們不需要水晶球，只要透過分析龐大的歷史數據，找出隱藏的數學規律，就能預測未來表現。AI模型正引領「魔球」進入2.0時代。這場數據革命不僅影響美國職棒，也可能顛覆世界棒球經典賽等重要國際賽事的情蒐與戰略布局。
英國經濟學人報導，1970年代，棒球分析專家詹姆斯（Bill James）發展出一系列新穎的數據分析方式來量化球員表現，名為「賽伯計量學」（sabermetrics）。
2000年代初期，「魔球」（Moneyball）正式進入主流，正如該書與同名改編電影所呈現，奧克蘭運動家隊開始運用賽伯計量學，發掘並簽下那些數據顯示價值可能被低估的球員。這項策略大獲成功——儘管運動家隊的薪資預算在大聯盟吊車尾，他們仍連續4年闖進季後賽。
「魔球」如今已進入AI時代。大聯盟各球團至少都聘有一名數據分析師，有些球隊甚至擁有數十名。持續且精準運用AI驅動的數據分析，讓小市場球隊有能力與強敵一搏，豪門球隊則更能鞏固優勢。隨著AI投入增加與技術創新，這股趨勢似乎無可避免。
棒球之所以是理想的AI分析試驗場，背後有充分理由。首先，與大多數運動一樣，棒球有著明確的規則與勝負結果。運動數據分析公司Teamworks專家卡普爾（Nicholas Kapur）則點出這項運動的獨特之處：「棒球其實是一連串的個人對決，偽裝成一項團隊運動。」相較於橄欖球列陣爭球或籃球快攻這類多體問題（Many-body problem），分析投打的一連串獨立對決要簡單得多。
棒球的數據也非常豐富。除了擁有一個半世紀的安打與得分紀錄外，自2006年起，大聯盟開始採用3台攝影機同步拍攝每次投球，記錄出手點、速度、曲度、下墜幅度，以及最終落點等詳細數據。
如今，這套系統進化成更精準可靠的雷達追蹤技術——TrackMan。此外，大聯盟每場比賽皆有多台攝影機全程錄製，並透過演算法分析每次投球與揮棒，甚至追蹤球員的關節與身體動作。
AI模型的創新為這些數據的應用帶來令人興奮的可能性。如同大型語言模型（LLM）能分析數百萬句現有語句結構並生成新句子，AI在棒球領域的應用也能預測球員或球隊的未來表現，甚至提供比賽策略建議。
但分析師認為，即便這些微小變化有一天能被建模，AI也不太可能奪走棒球的樂趣。運動數據分析公司Stats Perform專家盧西（Patrick Lucey）表示：「我們知道電腦下棋比人類強，但我們還是可以熱愛下棋。」
根據揮棒調整守備 特定打者如何投球……AI都能分析
統計分析確實帶來不少變革。過去20年間，數據運算使得「守備布陣」（shift）愈來愈普遍。這種策略是根據打者揮棒的預測來調整守備位置。部分球隊利用機器學習模型，讓教練根據投球數據與球員習性進行更細緻的分析，安排守備球員站在數據顯示打者最可能擊中的區域。
其他球隊則運用AI來建議對特定打者最有效的投球策略。AI模型有許多方法可做到這一點，其中一種是將投球數據以圖表呈現，運用獨特的坐標系統來分類不同的投球，顯示相似的投球落在彼此相近的位置。
例如，兩顆投向好球帶右上角的速球會在這個「投球空間」彼此相鄰，而投向相同位置的曲球則會落在完全不同的位置，可有效混淆打者。透過這種數據運算，投打對決模型甚至可預測從未發生的比賽情境，例如分析某位打者過去面對同類投手的表現，以推測他如何應付沒碰過的投手。
未來的目標之一是打造能模擬任何投手的AI模型。打者可藉此研究投手的投球準備動作與出手方式，預測接下來的投球與落點。換句話說，抓敵隊投手的投球小動作，讓打者預判球種這件事，將有AI效勞。
要訓練這種虛擬投手，必須蒐集數小時的高速攝影影片，以及後續實際投球的數據。AI模型將預測投球準備動作與投球結果之間的關聯。
這類工具勢必將供不應求，因為目前仍有部分投手能不斷打破AI模型的預測。這可能是因為現有AI模型主要依賴投球軌跡，而無法理解打者如何透過身體線索來判讀投手的動作，或投手如何用身體語言迷惑打者。將投球動作納入AI模型，或許能解決這個問題。
另一種AI模型可用於分析投球動作的生物力學，以評估投手在未來幾個月內，甚至整個球員生涯中的受傷風險。如果AI模型發現某個動作有受傷風險，球隊可以及時調整以確保投手健康，或避免簽大約換來容易受傷的球員。
隨著揮棒數據變得更普及，AI版「打者模型」或許很快就會出現，幫助解析打者如何在不到20公尺的距離內，擊中時速超過150公里的速球。這類AI可更加優化打擊技巧，使訓練更有效率。
●看問題／AI模型 看懂才會用 數據顧問 溝通要角
然而，能否真正運用這些AI建議，關鍵在於「可解釋性」，也就是模型的推理過程是否值得信賴，進而被吸收理解。目前，一些球隊正在測試「可解釋性技術」，以便深入剖析AI預測的過程。其中一種方法是將大型語言模型作為介面，讓教練能直接問AI，而無需學習程式語言就能解讀數據。
有些球隊甚至聘請內部「數據顧問」，作為數據分析團隊與場上球員、教練之間的溝通橋梁。他們負責轉譯數據分析結果，將資訊放在合適的情境以利理解，確保對球員和教練有實用價值。
卡普爾表示，使用AI模型的方式應該始終允許些微差異或提出質疑，因為它們可能忽略成千上萬難以預測的細節並做出錯誤假設，像是教練的情緒或臨時改變策略。
原文出自《好讀周報》817期
