想快速進步？讓AI來當你的對手　看創新科技改變運動競技

閱讀小貼士

近年來，國內各產業吹起一股AI風，經常把AI這兩個字掛嘴邊，特別是今年受到疫情衝擊，掀起一股不可輕視的數位轉型風潮，然而數位化、AI化只是起點與媒介，然而這項新技術如何落實到各產業界？以及它們未來可以有怎樣的可能性？

《從AI到AI＋》本書以數位生態系的宏觀視野為架構，廣召臺灣醫療、金融、零售、運動、農業等領域數位化專家，以最新科技與商業案例，闡明國內各產業數位轉型的過程與樣貌，書中首次提出的「AI＋」的概念，將使AI原本予人的工具感，進一步拉升成為串聯各產業的「AI＋大平臺」。本篇內容摘選段落將為您分析運動產業可以如何善用AI。

文／黃齊元暨東海大學智慧轉型中心作者群

當運動遇到人工智慧

近年來隨著社會經濟發展，運動經濟也持續成長，運動休閒逐漸受到大眾重視。根據KPMG 的全球運動產業報告，全球運動產業產值達6 兆至7 兆美元，占全球GDP 總值超過百分之一。體育大國運用科技輔助運動已行之有年，不斷創新發展。臺灣的運動科學觀念大多來自先進國家，儘管也有多家全球知名運動器材廠商，在運動科技領域上仍有很大的發展空間。近年來，AI 人工智慧與物聯網等相關技術興起，正是擁有研發實力的臺灣發展運動AI 電子產品和運動AIoT 的大好機會。在運動員的訓練上，人工智慧可以提供新型態的幫助：包括具體及個人化運動員的即時運動資料，以追踪運動員的效能，同時增進運動員的健康，避免疲勞與傷害；還能處理大量資料，建立起新的關聯性，以產生新點子。即使與極具經驗的教練相比也毫不遜色。目前市面上已有一些企業或研究單位將運動與AI 結合。Under Armour 是一家快速發展的全球頂尖功能性運動品牌，並運用AI 來強化產品的效能。他們與HTC 聯手推出新產品UA HealthBox 健身套組，就是一款具備AI 功能的個人化健康管理系統；迪士尼研究院、加州理工學院和STATS 研究人員則共同推出一種人工智慧的運動競賽準備方案，可以幫助球隊和運動員更好地為特定對手做好準備。這種方案不僅使用先進的分析技術來研究對手，也能透過人工智慧計算、預測對手在競賽現場最可能出現的反應。

健身、訓練主流：穿戴式設備

運動科學（Sports Science）是對於人類體育活動進行科學化分析的綜合性科學。將各科學領域的專業知識應用在運動上，最終達到提升運動表現及健康目的。傳統運動訓練模式較偏向知識和經驗傳授，大多數運動員退役後會成為教練，繼續培育後輩。他們通常會以自己過去運動員時期的訓練經驗，來指導下一代運動員。

然而，隨著Fitbit 這種穿戴式設備在體育市場逐漸攀升至重要地位，Fitbit 所提供的量化數據，即透過AI 得出有意義的統計數據，讓運動員藉此調整自己的訓練，並改善表現。一般來說，運動員會在教練的指導下來改善運動模式；教練也會在看比賽時指出運動員的錯誤和缺乏效率的不佳表現。相較之下，教練根據的是他們看得到的資訊來判斷；穿戴式設備則是透過心率和移動軌跡等數據，提供人眼看不到的深入數據。可穿戴設備包含電子傳感器，例如加速計或陀螺儀，它們提供連續的運動資訊，顯示不同事件發生時的變化。例如，腕戴設備可以讀取正手擊球與反手擊球的不同運動模式。

不過，穿戴式設備還有待研究與實驗驗證，並具體到運動種類和環境的適用性。因此，它需要驗證成本效益和準確性、供電時間及使用者的使用意願等可用性驗證。穿戴式設備的讀數將受到許多因素影響，以羽球為例，像是人們拿球拍的方式、正在發球或殺球，甚至設備的佩戴方式；而這些都只是許多變因的一小部分，必須透過評估，才能對不同的測量結果進行配對。

機器學習：資料蒐集和整合的挑戰

不同來源的資料必須進行建模及分析。例如運動含括許多變因，運動資料難以預測的原因即在於：運動行為很難完全相同，因此難以預測每個運動行為，也可能降低設備的精準度。深度學習可以對體育的應用上提供更多幫助；從蒐集的資料中學習，並識別可能造成影響的因素，隨時間推移累積更多時序數據。例如網球數據，深度學習可以檢測相似的運動模式，並將相似的數據組合。這些數據可以為發球和擊球（如正手、反手、截擊）等事件自行建立運動分類。如今在處理大量運動統計數據時，AI 不僅能讓我們比以往更省力，還可識別那些人類難以察覺的運動表現影響因素。

精準運動之人體運動動態模擬的相關研究

在分析人體神經、肌肉、肌骨骼的位置，以及運動效能和評估肌肉骨骼內部負荷等研究上，都需要運用人體運動動態模擬技術。對涉及人體結構的醫學研究來說，人體運動動態模擬可以提供運動傷害預防，以及復健治療所需的運動人體力學和座標數據基礎；在運動科學上，人體運動動態模擬則可以協助訓練計畫，並擬定增進訓練強度的有效策略，達到提升運動成績。

有鑑於人體運動動態模擬的高度複雜性，開發一套高效能運動動態模擬系統，能讓生物結構與運動科學研究者同時受惠。2007 年，史丹佛大學研究團隊結合解剖學、生理學、神經科學、運動學、力學、機器人學與資訊科學等跨領域專業，開發出人體建模與運動動態模擬工具OpenSim。OpenSim 可以協助計算難以透過實驗量測的肌肉與骨骼生理負荷，並結合醫療輔具設計的物理模型進行聯合動態模擬。

OpenSim 將人體骨骼、關節與肌肉描述為一組互相連接的拓撲圖形（topological graph）。使用者透過實驗量測骨骼的空間位置， OpenSim 根據肌肉骨骼模型的生物力學，逆向推算不良姿勢對身體不同部位所造成的傷害。圖片中還可顯示例如當運動員單腳落下至傾斜30 度的斜坡時，可能對腳踝造成的傷害程度，並同時顯示啟動內翻肌及外翻肌的放鬆動作，可避免對腳踝造成傷害。

案例介紹：AIoT 與羽球

一直以來，許多羽球選手為了檢視自己的動作正確與否，以及打法是否過於單調，會選擇錄下比賽情況。然而，人工檢查大量影片過於麻煩不便；其影像品質也不容易觀察到選手手部細微的動作，以及正確擊球時間。在羽球運動中，手腕的細微動作頻繁且關鍵，目前想精準記錄羽球擊球過程多以傳感器為主。

目前市面上有兩款較普遍的羽球運動App：Usense 智能羽毛球拍傳感器與酷浪小羽4.0。兩者在功能上非常相似，都是透過慣性傳感器偵測球拍揮擊時的動作，使用者只要將傳感器裝在球拍底座，即可透過App 觀察自己的擊球狀況、球風分析、揮拍的最大拍速，以及各球種的擊球數；App 也會依據累積的擊球資料，判斷使用者屬於攻擊型、防守型或均衡型的選手。

相較於臺灣，網球在全球的受眾範圍更大，而且與羽球擊球記錄方法有著相似之處，例如SONY 早在2014 年就已發布產品Smart Tennis Sensor SSE-TN1，布局AIoT 運動市場。