人工智慧正快速滲入各個產業，運動場也不例外。從賽事影像分析、動作辨識，到訓練模型生成，AI 被寄予提升表現、降低傷害風險的期望。然而，在技術快速前進的同時，第一線的運動員、研究者與教育現場，卻仍處在一段磨合期。
國立清華大學資工系副主任胡敏君教授以及朱宏國教授，從研究、實務與教育角度，描繪出 AI 進入運動場後，所帶來的不只是效率提升，還有一連串值得被正視的問題。特別是在少子化趨勢日益明顯的背景下，運動人口與訓練資源同步縮減，AI 是否能成為一種補位工具，也逐漸浮上檯面。
訓練輔助的前提：選手願意用、系統也要好上手
胡敏君教授在針對高中生的公開課中指出，近年透過大量賽事與訓練影像，AI 已能建立不同運動項目的動作模型，例如分析投籃、跑位或防守時的身體軌跡。這些模型的目的，並非取代教練或選手，而是提供一個「可被量化參考的視角」。
但她坦言，真正的挑戰不在技術本身，而在於「人」怎麼用。在訓練人力有限、陪練資源不足的情況下，AI 所提供的即時回饋與重複練習功能，確實可能成為選手的輔助對象，但是首先選手要願意學習使用，而 AI 系統介面操作的難易度也是關鍵。
朱宏國教授說明，在開發拳擊的訓練系統時，就曾有選手反饋標籤實在太多，光是要找到正確的標籤就得花好多時間，因此即使系統開發出來也只是晾在一旁，並沒有被有效運用。直到開發團隊進行優化，將系統的動作標籤分層、簡化後，才有選手願意聽教練的話開始使用。
另外，因為選手平常還要忙著訓練，只是聽從教練指示來幫拳擊動作上標籤，而且大家幫動作上標籤的標準也不一致，所以資工系的學生必須要根據選手上的標籤訂出標準，慢慢調整後做出雛形，同時還要讓選手使用後能感受到這個系統對訓練、情蒐的幫助，選手才會願意用。朱宏國教授回憶，拳擊的這套系統就是和陳念琴選手的教練柯文明及其團隊合作，耗費 5 年才完成系統雛形。
胡敏君教授補充，目前在台灣，真正將 AI 系統性納入訓練流程的運動項目其實不多，多半仍集中在例如舉重、體操等相對結構化、動作可高度拆解的運動。以棒球為例，就算是同一個揮棒的動作，也會因為每個人的身型、肌群不一樣而有所不同，因此 AI 也無法適用於每一種運動的訓練。
少子化與高成本壓力下，AI 成為補位選項
另外，在少子化的未來，因為人工越來越貴，所以發展 AI 是必然的潮流。而且教練陪練時本來就有一定的風險，像是可能會被球砸到等，因此透過 AI 結合 VR 讓選手練習，也是必然的趨勢。
不過在這當中，還有許多需要精進的部分，以拳擊為例，如果只是戴著 VR 眼鏡模擬對打，但是雙拳只能在空中揮，就缺乏了觸感的反饋。目前國立台北科技大學互動設計系副教授韓秉軒也在和團隊合作，開發模擬真人移動的拳靶以提供出拳後的觸覺回饋，讓練習更真實。
那麼當 AI 技術越來越成熟，運用在運動科技上的技術會不會容易被取代呢？朱宏國教授笑說，現在 AI 技術看起來成熟，但是背後付出的心血、人力與金錢卻是龐大的隱形成本，因此要被取代不是那麼容易的一件事！
至於 AI 在運動分析領域是否會取代人，兩位教授都表示不可能。因為前端雖然可以靠 AI 算出模型，但是真正分析出來的結果要怎麼解讀、分析出來的數據要怎麼使用、戰略要怎麼規劃，全都仰賴使用者，也就是說教練還是扮演關鍵的角色。除了教練之外，選手也應該要會使用系統，甚至在未來若是不繼續當選手，為了要轉做教練也要會用系統，甚至還要會寫一點 code。
畢竟，AI 只是輔助工具，能夠提供額外的資訊，但是要怎麼教，學生才會進步、理解，這卻是 AI 難以施力的部分。胡敏君教授也常對學生說「AI 會寫 code，但 AI 不負責」，所以還是要靠人去檢視 AI 寫出來的東西。
AI 並不會自動為人帶來進步，真正的關鍵在於人是否有能力與空間去理解並善用它。在運動場上，數據可以提供另一種觀看方式，在人力有限、陪練不足的情境下發揮輔助作用，但無法替代選手對自身狀態的感知，也無法取代教練的經驗判斷。AI 與運動的關係，或許更像是一場長期對話，而非單向接管。
（完整節目內容請聽教育電台Channel+教育新亮點）
分享圖文請註明出處，未經本站同意不得轉載
瀏覽次數：2910
