_0
_1
_2

点击上方蓝色字体，关注中国体育科学学会



人工智能引领运动训练发展的现实需求、域外经验及中国方案


陈柯行1   孟令飞2,3   Daniel Memmert1

 1. 德国科隆体育大学 运动信息与运动训练研究所；
 2. 北京体育大学 中国田径运动学院；
 3. 重庆邮电大学

摘 要 随着人工智能的蓬勃发展，其在运动训练中的应用已日益显现。当前我国在天赋识别、技能评析、比赛分析、负荷调控和训练管理五大子领域存在着影响人工智能技术应用效果的现实困境。人工智能技术可以提升运动训练的针对性、科学性及有效性。目前，人工智能技术在英国、美国、德国和新西兰等体育发达国家正在被广泛应用于训练选材、核心竞技能力提升、运动表现分析、精细化负荷监控及运动训练管理等实践领域并取得了显著成效。借鉴上述经验，基于我国实情，提出数据化更新天赋识别过程、个性化反馈技术评析过程、可视化剖析比赛分析过程、精细化调节训练负载过程、智能化推动训练管理过程的中国方案。
关键词 运动训练科学化；人工智能；运动表现；训练监控；训练选材；训练管理

     人工智能（Artificial Intelligence，AI）作为第四次工业革命的核心驱动力，正在深刻影响着人类活动，为各行各业带来了前所未有的发展机遇。2022年底，来自美国OpenAI公司的ChatGPT更是将这场革命推向了新高潮。作为国家软实力的展示平台，竞技体育不仅承载着提升国家形象和文化影响力的重任，更应在训练模式等方面积极融入科技创新的浪潮并焕发新的生机。AI涵盖计算机视觉、数据挖掘与分析、生成式语言模型、智能可穿戴设备等多种可在运动训练领域应用的子领域（霍波 等，2023），而每种技术在复杂、动态的运动训练环境中将发挥不同功效。运动训练数字化、智能化提供了强大推动引擎以助力运动训练实现从“单点发力”向“多核驱动”的深度转型升级，并为体育科技创新提供源源不断的动力。在这一过程中，AI技术的应用在提高运动员训练效率和表现的同时，更着眼于整个运动训练新生态系统的构建。尽管国内已有研究关注到AI在运动训练领域发展的潜力，但是对于其具体应用方式及最终如何落脚于运动训练实践并提升运动员竞技表现却是模糊的。相较于其他体育强国，我国目前关于AI在运动训练中的实践仍处于起步阶段且难以满足现实需要。因此，本研究通过梳理运动训练对于AI的现实需求及其引领我国运动训练的现实困境，借鉴体育发达国家将AI应用于运动训练实践的先进经验，最终结合我国实际情况，探讨AI引领运动训练发展的中国方案。

1 人工智能引领运动训练发展的现实需求

1.1 全球博弈与数据洞察：国际体坛竞争格局的动态变迁

当今世界体育舞台的竞争格局正在经历深刻变革，同时也给参与者在把握各单项运动发展趋势和技战术演变方面提出了新的挑战。自进入21世纪以来，以北美洲和欧洲国家为核心的国际竞技体育格局被打破，来自东非及南美洲地区的新兴竞争者在夏季奥运会中开始崭露头角，加入奖牌争夺行列（陈睿 等，2022）；在冬季项目方面，欧洲国家在冰雪运动中虽然仍表现强势，但来自北美洲的美国、加拿大也在单板滑雪等项目上开始展现实力（白金木 等，2023）；而在各单项运动的国际顶尖赛事中同样出现竞技格局的显著变化（郭洪亮 等，2018；魏鑫 等，2021）。在当下全球复杂的竞技体育博弈环境中，AI技术正被广泛地应用于运动训练实践，这一选择不仅是基于科技的迅猛发展，也源于运动训练的现实需求。各运动项目取胜规律的不断演变，意味着运动员和教练员能否取得成功的关键因素在于其能否识别主流趋势，而通过数据收集、处理和分析揭示比赛背后的规律和趋势正是AI所具备的独特优势。此外，在运动训练实践中，赛后复盘与反思被视为不可或缺的关键步骤，这一过程为运动员提供了从主观角度审视比赛的机会，使他们能够发现自身存在的缺陷并不断追求卓越。然而，在错综复杂的比赛过程中，仅凭人脑的简单回忆很难记住并准确还原每一个细节。相反，AI不受人类记忆局限性影响，通过高级的图像处理和模式识别技术，能够自动分析比赛录像并将每一个事件的细节进行可视化还原。可见，AI赋予运动员和教练员一双更为敏锐的眼睛，帮助他们深入理解比赛并挖掘细节，同时将这些洞察力转化为实际的技术和战术优势。

1.2 变革适应与智能护航：运动员健康保障的客观挑战

后疫情时代各行各业的秩序正在悄然有序恢复，但余波效应也在运动训练领域催生出一些棘手的问题，影响着运动员的训练和备战。首要的挑战便是由于第32届夏季奥运会（东京奥运会）的延期举办，扰乱了一系列国际大型赛事的举办节奏，从而打破了我国运动员长期遵循的4年训练周期，迫使我国运动员必须对后续训练计划进行全面重新评估（陈小平，2020）。运动员的**竞技状态保持时间是有限的，当**竞技状态出现而比赛却被推迟时，如何去调整训练的周期和节奏，保持前期训练效应，并在比赛结束后稳定衔接到下一备战阶段，都是运动训练实践急需解决的棘手问题（袁守龙，2018）。而在调整训练节奏的过程中，运动员的身心健康也是运动训练领域最为关切的议题之一。在运动员迈向“更高、更快、更强”的道路中，难免会遭遇伤病的侵袭，因此，运动员的负荷监测与健康保障同样会是教练员与后勤保障团队需要密切关注的问题（梁艺炜 等，2023）。在周期调整与健康保障的双重考验下，AI的引入为解决上述问题提供了新途径。通过历史周期数据的分析和挖掘，机器学习算法能够纳入训练目标、比赛日程等特定因素从而对运动员不同时期的训练负荷和产出效率进行精准分析，并基于可穿戴设备实时监测运动员的生理数据，为运动员和教练员提供精细且个性化的周期调整依据和建议，减少过度训练的风险和疲劳积累，通过预测潜在的健康风险，使得运动员可以在受伤前得到及时干预，最大限度地减少伤病对训练和比赛的影响，确保运动员在训练过程中保持**状态，从而提升竞技水平。

1.3 探索演进与科技赋能：我国竞训手段更迭的发展诉求

近年来，我国一些传统优势项目成绩开始出现波动。究其原因，与当前我国教练员在运动训练实践中对科技引领的认知不足、负荷控制与方法运用不当等因素密不可分（陈小平，2023），这也间接反映出当前我国运动训练思想与理论建设较为滞后（陈辉 等，2023）。尽管有学者提出“我国运动训练手段的理论体系支撑与训练实践需求之间发展不充分不平衡”这一问题（潘政彬 等，2022），但目前对于运动训练过程中运动员竞技表现、伤病预防、疲劳恢复等自然科学领域或人体生物特征问题的相关研究仍略显缺乏（黎涌明 等，2020），这也导致我国运动训练中存在未能精细调控负荷、忽视基础体能训练、科研成果转化不高等问题（于炳德 等，2022）。不可否认的是，现代竞技体育的角逐正从依靠主观经验判断的简单决策转变为基于客观数据驱动的复杂系统，运动训练科学化发展成为当前我国体育学界的一个共识（黎涌明 等，2020；潘政彬 等，2022；于炳德 等，2022），也是《体育强国建设纲要》的明确要求。这表明AI引领运动训练实践已成为时代需求。由AI集成的多种技术能够将运动训练过程演变为一个多维且有序的“复合型”合作程序，它能够最大化地避免由主观因素而导致的判断失误并提高实践运用效率。通过跨学科整合，它能将运动医学、运动生理学、运动心理学、统计学等多个领域的知识整合起来，为运动员搭建一个全面的训练体系。这种全方位的、基于数据的方法可使运动训练更加科学、有针对性和高效。

2 人工智能引领运动训练发展的域外经验

AI已广泛应用于各体育发达国家，成为运动训练活动中不可或缺的一环。因此，本节将结合上述运动训练发展对于AI的主要需求，基于运动训练活动中覆盖的运动员选材、运动员技术评估与提升、个人与团队表现分析、运动训练负荷调控、运动训练过程管理5个主要方面（钟亚平等，2021），论述体育发达国家将AI应用于运动训练活动的经验及典型案例。

2.1 拓展天赋识别，创新训练选材渠道

成功的运动员选材不仅能够将运动训练效应最大化，更是为取得优异的竞技成绩提供了可靠保障（田麦久，2023）。传统的选材方法关注运动员早期的运动能力或某一阶段的运动成绩，尝试通过尽早开始专业训练的方法对运动员进行培养。实际上，并没有直接证据表明运动员在成年阶段的运动成绩与青少年阶段的运动成绩存在显著相关（Güllich，2014）。在此背景下，基于AI的大数据技术开始在运动训练的选材过程中展露优势，此类新兴的天赋识别方法（talent identification）在英国竞技体育复兴的道路上提供了深入的洞察力（黎涌明 等，2017）。多年来，英国体育研究所（UK Sports Institute）发起了一系列人才识别活动，并建立了一套从草根运动员或体育爱好者辐射到世界精英运动员的晋级通道，旨在在特定的运动项目中发现有潜力的运动员（图1）。绩效途径计划（performance pathway）是其中最重要的策略之一，该计划通过与大数据技术结合进行运动员早期天赋识别，并对运动员的整个生涯过程进行数据追踪。这种数据辅助决策的选材方式帮助英国奥运会代表队运动员的选取聚焦于不错过每一个人才，而不是筛选潜力运动员。换言之，它能够减少在天赋识别过程中的不确定性并在最大程度上辨识每一位运动员的天赋。在这种模式下，英国体育研究所在全国各地建立了包括力量、速度、弹跳等基础运动能力测试的中心，有兴趣的儿童青少年可以自主报名或基层教练员报名的方式预约测试。测试数据将会被输入基于机器学习的选材模型进行初步分析并识别运动员潜在天赋，入选运动员将被分配给分析师来负责在接下来的训练阶段进行一对一的周期性数据采集，并创建一系列涵盖运动员不同训练阶段的数据模块。不同模块分别从生理、心理、健康、表现等不同维度追踪运动员的动态变化，从而建立运动员表现概况并探讨其在各项运动中的可能性以及能否进阶到下一阶段训练。一旦运动员在某个项目的天赋被确定，教练员将在这些数据模块支撑下为其提供结构化训练，以帮助发展他们的专项竞技能力。随后选材团队将继续对运动员表现进行为期6～12个月的追踪，通过评估运动员进步速度，以此确定其是否真正适合这项运动。得益于数据辅助决策模式，如果运动员在某个项目中没有展现天赋，或者不能继续从事第一专项时，研究人员将会对他们的个人数据集进行剖析，为运动员跨入第二项目的可能性以及其他潜在项目的可能性提供重要参考。这种数据驱动模式不仅为运动员提供了二次机会，还能最大化帮助英国体育研究所提升资金使用效率并节约培养精英运动员所需的时间成本（Hogan et al.，2000）。

图1   英国基于大数据辅助的绩效途径计划选材流程（England Sport， 2019）

Figure 1   UK’s Big Data-Assisted Performance Pathway and Athlete Selection Process （England Sport， 2019）

2.2 评估个人技术，提升专项竞技能力

运动员的技术能力是赢得比赛的关键，为了深入评估和进一步完善这些技能，专业的反馈系统显得尤为重要，特别是来自运动员身体关键部位，如关节和姿态的数据。为此，美国Nike公司打造了“勒布朗·詹姆斯创新中心”（LeBron James Innovation Center）。该中心打造了由400个摄像机和计算机视觉技术所构成的世界上最大的无标记动作捕捉系统，并将3种扩展现实技术（虚拟现实、增强现实和混合现实技术）应用于运动员技术能力评估与提升过程（图2），在为运动员提供实时技术反馈的同时，也通过精确的动作分析帮助运动员优化技术动作（Geisen et al.，2022）：1）通过增强现实技术将运动员的姿势轨迹、动作速度等关键信息实时展现在运动员视野中，帮助运动员在训练过程中实时对比和调整自己的动作（即在动作执行的一瞬间）；2）利用混合现实技术将虚拟世界和真实世界相结合，从而帮助运动员在训练场环境中得到真实比赛体验并强化技术动作的实际运用环节（Le Noury et al.，2022）；3）结合卷积神经网络等深度学习技术对借助无标记动作捕捉系统通过高速摄像机捕捉到的运动员在最自然状态下的动作特征进行逐帧图像的处理与提取，并在三维空间重建人体姿态，进而实现在运动训练中对运动员动作姿态和技术质量进行评估的目的（霍波 等，2023；孙冬 等，2021）。更为重要的是，中心研究人员会根据运动员的实际情况将扩展现实和无标记动作捕捉这2个系统结合使用，从多维角度支持运动员技术能力的评估与提高。

图2   勒布朗·詹姆斯创新中心运动实验室基于人工智能的运动员技术评估与提高系统

Figure 2   AI-Based Athlete Performance Evaluation and Enhancement System of the Sports Lab of LeBron James Innovation Center

2.3 关注表现分析，识别专项制胜规律

基于数据挖掘技术（data mining）的运动员与团队的表现分析是当前国外将AI技术应用于运动训练活动中的一个核心领域。此类方法通过剖析海量数据背后的意义，揭示运动员在特定项目中的主流技战术与发展趋势，从而去识别专项制胜规律并在运动训练实践中提供实际支持（Memmert，2021）。德国科隆体育大学训练科学与运动信息研究所（Institute of Exercise Training and Sport Informatics at German Sport University Cologne）是目前欧洲最大的体育数据分析中心之一，其组建的比赛分析实验室（Game Analysis Lab）利用数据挖掘技术对各种运动项目进行多模态分析，在体育数据挖掘与分析领域处于世界领先位置（图3）。其主要分析数据包括事件数据和跟踪数据：事件数据用于剖析体育比赛或训练中的特定事件或动作，如进球、传球等，在技术层面反映运动员或团队的表现；跟踪数据则用于反映比赛或训练中运动员位置、移动方向和轨迹、速度等（Perin et al.，2018），它能让参与者详细了解一场比赛是怎么展开的，从而在战术决策层面为教练员和运动员提供建设性意见。为了精确收集数据，该实验室通常利用ScorreBot360、Kinexo等技术设备以及先进的计算机视觉技术，从而实现在二维空间的数据搜集，并且可以从广播电视视频中提取而不用依赖大量的高速摄像机。在数据分析阶段，鉴于传统的统计模型难以捕捉各性能指标之间的关系，该实验室大量运用机器学习和深度学习算法在竞技体育（特别是团队运动）中进行了模式识别与预测以及运动员表现概况建立等任务。此外，该实验室更注重结果的可解释性和实践性，即数据挖掘的重点在于关注实际运动训练中的“过程信息”而不是“结果信息”，从而深入了解各性能指标之间的交互联系。为了使分析结果可以直接作用于运动训练实践，该实验室还安排专人与教练团队进行对接，通过机器学习的可解释性和可视化图表等方法让教练员和运动员直观理解分析结果。该团队保障了包括德国国家足球队在内的多支德国国家队的数据分析任务，其中最著名的便属2006年足球世界杯中广为流传的“莱曼纸条”事件。

图3   德国科隆体育大学比赛分析实验室运行流程

Figure 3   Operational Workflow of the Match Analysis Lab at the German Sport University Cologne

2.4 强调训练负荷监控，保障运动员健康

训练过程监控和运动员健康是运动训练领域始终关注的话题之一，因为竞技能力的提高归根结蒂在于身体承受负荷能力的增加（田麦久，2023；于炳德 等，2022），而运动员的健康是进行运动训练活动的基本要求。在新西兰，由奥克兰理工大学（Auckland University of Technology）和新西兰政府共建的新西兰运动表现研究所（The Sports Performance Research Institute New Zealand）是目前世界领先的运动表现分析科研机构之一。该机构致力于运用智能可穿戴设备的非入侵性以及连续且快速响应的优势，了解运动员的身体（心肺、肌肉、体液、跑动模式等）对训练、比赛和环境做出如何反应和适应，从而更为细致地量化和调整运动员在训练中承受的训练负荷并提高训练效果。当前，新西兰运动表现研究所的智能可穿戴设备已由一维的独立传感器的单向分析技术转向多维传感器融合的互联技术，并通过其自研的智能人体传感网络（Body Sensor Networks）实时将各个传感器的多维数据进行汇总与分析。这种同时采集三维空间人体运动姿态数据和多类运动信号的方法能够全方位捕捉运动员训练过程中的身体变化，从而对运动员当下的负荷表现进行精准量化和评估。与此同时，为了扩展人体传感网络平台的应用场景，该研究所还建设了炎热（40 ℃）、寒冷（5 ℃）、潮湿（90%相对湿度）等不同气候模拟实验室，将智能可穿戴设备和环境传感结合了解运动员在不同环境的身体反馈，以促进人体测力建模。为了进一步实现人体传感网络的实践转化，该研究所将智能可穿戴设备获取到的数据集实时导入基于人工神经网络框架搭建的智能分析系统（HPSNZ Data Platform）进行评估，从而对运动员当前负荷状态进行判断，并对运动员身体存在的潜在受伤风险进行预测（Claudino et al.，2019），最终实现降低运动员受伤风险的目的。上述的所有分析结果同样会被智能化处理，最终以图表等可视化的形式直接展现给教练员，强调了分析结果的可实践性。新西兰运动表现研究所这种多维集成化的监测模式（图4）将训练实践中提前设计规划负荷的传统模式转变为适时应变的灵活模式，通过帮助运动员建立训练期间的运动表现、生物力学、生理生化过程之间的关联，使得教练员可以根据其生理或心理反应客观地设计和随时调整训练计划。

图4   新西兰运动表现研究所基于智能可穿戴设备监测与分析运动训练过程
Figure 4   Monitoring and Analysis of Sports Training Process Based on Smart Wearable Devices at the Sports Performance Research Institute New Zealand

2.5 提供决策辅助，助力运动训练管理

运动训练是一项复杂且动态的活动，需要统筹协调多个团队的任务，共同保障运动员竞技能力的提升。为了高效推动运动训练活动中多主体的协调与配合，英国体育研究所建立了运动员表现数据管理系统（Performance Data Management System，图5）。该系统最初仅限于运动员医疗数据管理，后逐渐扩展至各个层级的网络平台并实现数据贯通，使运动训练中各主体数据得以共享和进行集成处理，最终将整合的分析过程与结果可视化展现给运动员和教练员。具体而言，该系统使用了一种基于“敏捷法”（agile methodology）的智能软件开发方法，这种方法强调协作、适应性和客户的满意度，以确保系统的设计与实际需求相匹配。该系统能够将运动员负荷监测数据、表现分析数据、视频分析数据等运动训练活动中挖掘的多来源数据进行集成处理，全部输入运动员表现数据管理系统的“数据仓库”，实现多个数据集无缝衔接。该系统可以实现一天多次数据更新，并具有自动整合预先设定的关键性能指标的功能以及利用简单的描述性分析编译和自动生成每日报告的优点，极大程度减轻了分析师的数据清洗压力。同时，为了更好管理各项目数据，英国体育研究所为每个项目设置了1名绩效分析主管，在该主管授权下，研究人员能够根据分析需要跨数据库访问和提取数据。这种层级数据管理架构有助于确保数据的完整性和安全性，同时也能促进数据的有效利用和共享。该系统格外重视向教练员和运动员输出的内容和形式，因为他们相信如果只是单纯向运动员和教练员展示高深且复杂的分析模型或推导过程是没有意义的。相反，可视化的决策过程能够增强运动员和教练员的理解并建立有效交流环境，从而将一系列分析结果真正践行到运动训练活动中。因此，该系统采用“故事叙述”的方式为体育从业者提供训练和比赛过程分析结果的全面视图。为了提高可用性，该系统同样实现与手机应用程序配对。运动员在智能手机应用端轻松接受这些信息的同时，还可以根据自己主观感受上传数据，实现从多维度反馈训练效果。他们认为，这种来自运动员的主观反馈对于调节整个训练过程是非常有必要的，如当一名运动员的数据正在逐渐变好，而运动员自身主观感觉却越来越差时，保障团队应该及时介入并探究其背后原因。这种从数据准备到结果可视化集一体的管理办法为运动训练中所有想访问或利用数据集的参与主体提供了可理解的知识基础，真正落实数据与行动相结合，最终为整个运动训练过程智能化管理提供坚实的支撑。

图5   英国体育科研所运动员表现数据管理系统运行架构
Figure 5   Operational Architecture of the Athlete Performance Data Management System at the UK Sports Institute

3 人工智能引领运动训练发展的本土困境

如上所述，AI可以提升运动训练的针对性、科学性及有效性，其各项技术已经被广泛应用于国外的运动训练实践并取得了显著成效，但在面临多维度需求的现实背景下，在推动AI引领运动训练发展的过程中，一些现实问题限制着这些前沿技术在我国运动训练领域中潜力的释放。

3.1 天赋识别困境

在推进AI引领天赋识别过程中，我国面临着储备数量有限、区域挖掘失衡、晋级渠道不畅的挑战。首先，后备人才储备不足已成为我国竞技体育可持续发展的瓶颈。据统计，我国当前注册的足球运动员数量不足总人口的1%（邵凯，2023），而现有常备篮球运动员也仅1万余人（贾志强 等，2020）。同时，我国竞技体育的六大优势项目后备人才比例，仅占总人才数的15%（刘红波 等，2023），且这一比例近年来有减少的迹象。后备人才整体数量的不足直接影响了训练AI模型所需数据集的质量和规模，限制了模型在探索深层数据关系和模式识别方面的能力，降低了模型预测的准确度。其次，我国各区域经济发展水平的显著差异使我国后备人才选拔存在区域失衡的现象，并以地理位置从东向西递减的趋势显现。这种失衡现象会导致数据集偏倚，即东部区域数据被过度表示，而其他区域数据被边缘化。这不仅会使模型面临过拟合风险，还可能忽视中西部地区对潜在人才的识别，加剧地区间的不平衡。最后，当前由于体育与教育系统的目标不一致、资源配置不协调等情况使得体教融合效果不佳的问题依然存在，加之体育人才培养模式和组织架构的不完善使得新兴社会力量难以与现有体制有效融合，导致人才晋级路径依旧受限于传统“三级”模式。这种局限性不仅阻碍了多元化天赋识别路径的形成，也削弱了模型泛化能力、透明度和可解释性，最终使得AI系统无法充分识别隐藏在非主流路径中的人才，特别是那些晚熟型运动员。

3.2 技术评析困境

我国在有效推进AI与技术评析环节高效融合的转型潮流中，存在的真实场景缺失、标记系统误差以及技术创新迟缓等问题可能会对AI在此环节的本土融入造成困境。1）训练环境单调。主要表现为我国运动员，特别是集体球类项目的运动员，通常仅在常规训练环境下重复进行技术动作训练，缺少对真实比赛场景的模拟，如篮球的视觉干扰训练等，导致运动员在真实比赛中表现出更多的在训练中无法看到的技战术缺点。这也与心理训练的缺位有关，因为运动员在心理状态波动情况下会出现技能表现不稳定的问题。在我国的运动训练实践中，心理训练计划通常是针对运动员出现的心理问题制定的。这种关键心理数据的缺失会影响AI准确识别技术动作波动的根源以及技术细节和心理状态之间的复杂交互，进而在制定针对性训练建议时存在误差。2）有标记系统的局限性。光学摄像系统如Qualisys、Vicon等已被广泛用于我国各级训练过程中，并产生了令人满意的捕捉精度。然而，这类系统通常需要在运动员身上粘贴反光标记点，光照条件的多变可能干扰反光标记点的可识别性。同时，运动员在进行高强度运动时皮肤的剧烈形变也可能导致标记点位移或脱落，这些均可能降低数据准确度。这种局限在利用AI精细分析运动员技术细节、关节角度变化等高级特征时，可能导致关键信息的遗漏或误解。3）技术创新迟缓。在如今激烈的全球竞争格局下，各项目制胜规律都趋于透明化，并且任何创新都将很快被捕捉并解密。因此，持续提升创新能力特别重要。然而，当前我国多个项目的技能发展缓慢且延续性不足，技术创新的迟滞会使AI模型基于陈旧的技术模式进行分析，从而推荐出不符合当前竞技体育最新趋势的训练方法，减弱了AI在技术训练中的指导价值。

3.3 比赛分析困境

尽管先进的AI技术已经被广泛应用于国外比赛分析领域并取得了成功，但是目前存在的细粒度数据不足、分析技术薄弱、架构堆栈短缺等问题，可能会给AI应用于我国比赛分析领域带来挑战。首先，现代体育比赛产生了跟踪数据等丰富的细粒度数据，但我国的比赛分析大多还是依靠比赛表单数据。尽管这类数据提供了对于比赛行动的量化形式，如失误次数等，但是未能提供深层次的比赛发展信息（Memmert，2021）。这种基础且粗粒度的数据会极大地影响AI在比赛分析中的应用潜力，因为当数据缺乏时间序列的深度或事件序列的细节时，模型难以捕捉到比赛中的动态变化和微妙关联。对于那些需要从比赛中获取经验教训以便持续进步的球队，这种数据不足会使赛后分析和总结的深度不够，从而影响后续训练的针对性和策略调整。其次，从现有研究来看，我国依然较多地采用传统的推断统计方法，关联规则挖掘、关系建模等数据挖掘方法的系统性应用还不普遍。随着体育数据量的指数级增长和细粒度提升，传统方法在数据处理和深度分析能力方面的局限性逐渐凸显（Memmert，2024）。这种分析技术的不足同样意味着在进行模式识别或者时序分析时无法深入挖掘细粒度数据的潜在价值，尤其是在利用模型识别团队入侵运动的主流战术风格和收集对手情报时，这对于腰旗橄榄球、棒球等在我国普及度较低的新兴奥运会比赛项目的备战将会产生极大影响，也减缓了我们在这些领域快速追赶国际先进水平的步伐。最后则是我国在比赛分析领域技术堆栈短缺的问题，特别是缺乏集数据收集、存储、清洗、特征工程、分析、模型优化及可视化展示于一体的大数据平台。目前的分析工作主要依靠“My Video Analysis， XPS”等国外软件，尽管这些工具依靠人工标注可实现对比赛的回顾性分析，但它们并不能处理高容量数据。这种局限性不仅使得分析结果多停留在表层描述，也影响着AI模型的本土化迭代。更重要的是，基础架构缺位可能在备战奥运会等重大赛事中引发数据安全问题，同时可能会限制我们进行实时分析以支持教练团队进行临场决策。

3.4 负荷调整困境

训练负荷的精确调控始终是我国运动训练实践中一个待解决的关键议题，当前存在的负荷测量不精准、监测不连续、负荷调整滞后等问题可能会削弱AI的效能和准确性。首先是负荷测量不精准问题。随着Polar心率带、全球定位系统（GPS）、BSXinsight乳酸监测等可穿戴设备的广泛应用，我国科研人员已能深入捕捉训练过程中的生物化学等多种运动信号。然而，这些设备可能会受温度、湿度及环境电磁等外部因素影响，进而导致运动信号噪声增强与信号失真等问题，从而影响负荷数据的质量。在AI领域有一个共识，即“Garbage in， Garbage out”（低质量输入，低质量输出），暗示若训练模型所用数据集存在缺陷，则产生的结果也同样不可靠（Memmert，2024）。因此，负荷测量不精准可能会削弱模型预测的准确性，降低决策质量，甚至增加运动损伤的风险。其次是负荷监测不连续问题。目前，我国专业运动员的部分负荷监测如生化信号主要通过在训练前后或者高强度比赛后的血液样品进行采集。虽然这种点对点的数据采集在可靠性和准确度方面是有效的，但却无法提供全过程连续监测，限制了AI对运动员在持续运动过程中生化信号动态变化的理解，使得AI算法决策基础不够全面。最后是负荷调整不及时问题。如上所述，多样化的传感器已经被应用于我国各级训练中，但多维数据同样带来了更多数据清洗、筛选、格式化等数据预处理需求，从而影响模型预测的即时响应能力。另外，我国教练员在负荷安排过程中有些还存在一定的主观性，一般认为运动表现提高就证明负荷安排是合理的，反之亦然（陈小平，2022）。这种依赖结果导向的反馈循环显然不利于AI去提前识别或干预运动员潜在的伤病风险。

3.5 训练管理困境

在AI引领运动训练过程中，精细化数据管理和信息流动优化是至关重要的。在这一技术革新的道路上，目前我国存在基础架构缺失、横向联动不足、纵向协调不畅等问题。一是基础架构缺失问题。AI引领训练管理一大重要前提便是基础硬件保障，上述任何一个子环节都将产生海量数据集，因此需要高容量、高可靠性的数据存储系统，如数据湖架构。尽管我国在体育系统信息化建设方面已取得了显著进步，但在实现先进数据治理实践方面还存在明显差距。这种差距主要体现在数据的可用性、可扩展性、可访问性和可审计性上。此外，这些硬件基础通常比较昂贵，对于经费本身较为欠缺的基层训练单位而言，更无法负担此类开销。这种硬件支持不足的情况可能会演变出数据泄露、AI反馈回路缺失等负面效果。二是横向信息联动不足。在我国运动训练领域，教练员扮演着信息集成和决策制定的核心角色，负责汇集和处理来自各训练主体的分析结果，以制定有效的训练方案。然而，各个训练主体之间信息共享并不充分，信息传递效率低下。这种局面在一定程度上增加了教练员的负担，特别是对于基层和中层教练员而言，普遍相对缺乏处理复杂信息的专业知识，难以有效应对信息管理的挑战。这种横向信息共享不足可能造成跨域信息融合困难，甚至出现“信息孤岛”现象，导致AI决策延误。三是纵向协调不畅。在我国“三级”训练体制中，无论是自下而上的上传管道还是自上而下的指导管道都在AI引领运动训练管理中扮演着重要角色。我国目前的训练数据和信息汇总还是通过层级形式逐一上传，这种形式会存在信息传递延迟或在传递过程中信息不断被简化或被误解的问题，最终导致信息失真或数据可信度降低。而且，当面临更加细粒度的数据集时，这种信息流动模式不仅会引起数据同质化问题，还会加剧AI算法偏见，从而影响决策层视角。

4 人工智能引领运动训练发展的中国方案

综上所述，AI在运动训练领域有着巨大的发展潜能，但限于我国存在的一些现实问题，纵使国外已有经验可供借鉴，但在实践中还是要考虑到体制、社会、文化等多方面的差异，结合我国现实情况与潜在困境，打造一条能推动我国体育事业高质量发展的AI引领运动训练的发展道路，更好助力体育强国建设。

4.1 人才智选：数据化更新天赋识别过程

4.1.1 扩大选材范围，强化模型学习能力
扩大选材范围旨在应对我国后备人才库存不足的挑战，并加强选材模型综合学习能力。为了适应我国地域广阔和基层资源有限的现实，同时考虑到“三大球”工程建设的重要性，篮球、足球等我国发展较好的职业体育俱乐部可基于现有球探系统，将涵盖图神经网络的AI驱动选材平台拓展到选材体系中。该平台架构仅涉及2个移动应用程序，一个控制中心和一个集中数据库。参与者只需用自己的手机记录并上传其训练视频或图像，选材团队可以利用上述深度学习技术和计算机视觉算法对上传内容进行分析并生成真实、可用的基准数据。随后结合当前主流的Apache Spark数据处理框架为每一位参与者生成动态基准分数，并根据新上传资料调整运动员评分。当分数达到预定标准，相关教练员可根据自己队伍需要邀请该名运动员参加更高级别的测试或训练。为全面挖掘潜在人才，可将该选材机制推广至全国范围，特别是在 “体教融合”政策背景下，以覆盖更广泛的人才池。这种来自不同背景、能力和兴趣的人才数据将构成一个高维数据空间，为模型提供更为广阔的观察视角，从而为数据化选材过程提供更精准的支持。
4.1.2 深入特征工程，动态更新选材模型
考虑我国当前区域挖掘不平衡问题，进行深入的特征工程是一项关键措施。首先，在这一过程中，选材团队可基于现有选材指标体系，结合特征工程的核心技术：特征构建、特征选择、维度约减、数据编码与标准化等，从遗传、发育、健康、机能、体能、技术、心理等维度来辨识和更新特定运动项目选材的敏感性关键指标。此举旨在增强数据表达能力，帮助选材团队从原始数据中提取更有意义的信息，以便用于后续选材决策。其次，在科学的特征工程后，团队依托现有数据库，为不同项目在各个年龄段建立一个由数据挖掘算法集成的综合选材指导模型。最后，各训练梯队根据地域特点，融合迁移学习和自适应学习算法，先利用国家队丰富的数据资源“预训练”模型，然后按照从高层到基层的结构逐级向下，将模型参数针对具体地区的选材数据进行微调。这种方式有助于保留模型核心预测能力，并调整模型以适应各地域的特定条件和需求。
4.1.3 追踪个人发展，优化模型结果可信度
为了降低晋级渠道单一对晚熟型运动员的负面影响，通过追踪运动员个人发展并持续改进和优化选材模型是必不可少的。除了上述参与者需定期上传视频数据等更新自己的评估分数外，各级训练单位更需对在训的青少年运动员进行定期的数据采集和动态监控，通过收集时间序列数据，确保模型能够持续了解运动员最新表现和状态。此外，当前的“跨项选材”实践也为优化模型提供了新的视角，这意味着选材团队应该更全面地审视运动员的潜力。在对运动员个人发展追踪的基础上，各训练单位应视数据情况适时引入序列建模技术，特别是当前主流的掩蔽游戏状态建模（masked game state modeling），通过掩蔽特定状态信息，如运动员技能执行、场上位置、比赛特定阶段等，迫使模型预测这些缺失信息。选材专家可以通过模型预测，更深入理解运动员在不同项目或位置的潜能，发现那些可能并未在其主要角色或主要项目中立即展现但在其他情境下却可能极具价值的能力。实际上，这意味着选材模型能够更好地识别那些在某个项目中可能不太显著，但在其他项目中可能具有潜力的运动员，这非常适合发现晚熟型运动员和实现“跨项选材”。

4.2 技能智解：个性化反馈技术评析过程

4.2.1 模拟比赛场景，雕琢复杂环境技术细节
为了补充我国训练环境单一的缺口，首要之举便是积极利用扩展现实技术集成构建高度定制化且动态适应的竞赛环境仿真。如今，扩展现实设备（如Vision Pro）不仅易于获取，而且操作简便，使得其在多级训练单位的广泛应用成为可能。具体而言，各级训练单位可根据项群分类，并由主管单位综合考虑经费预算，统一规划采购入门级或专业级的虚拟现实和增强现实设备。例如，足球或篮球等团队运动可能会更加受益于大型虚拟环境投影系统，以模拟整个球场；而个人项目，如乒乓球或击剑，可能只需要头戴式显示器。同时，教练员可将这些扩展现实设备与自己的智能手机或平板电脑的增强现实应用程序相结合，为运动员创建视觉真实的比赛模拟场景，并利用拓展现实设备自带的计算机视觉技术对运动员动作技术的细节进行分析，实现训练中对动作精度、幅度或力度的实时调整。此外，教练员还可设计一系列渐进式训练模式，利用AI算法将训练场景逐步复杂化。这不仅有助于运动员从基础开始，逐渐适应高强度训练环境，还可以根据他们的成长和进步，相应地提高模拟场景的复杂度和挑战性。
4.2.2 拓展仿真陪练，强化特定技术稳定性
尽管基于AI的仿真陪练技术无法像多维无标记运动捕捉系统那样可以满足全面技术提高的要求，但其在强化运动员特定技术稳定性方面具有独特优势。在高度模拟的环境中，运动员被要求在短时间内多次重复相同的动作，这种高强度、高重复性的训练有助于运动员将技能从“知道”转化为“做到”，形成肌肉记忆，提高比赛中的稳定性和可靠性。鉴于当前我国各个层次、特别是基层队伍的训练资源有限，有关部门可考虑通过经费补贴或战略合作等形式与专业的智能运动表现分析公司合作，这不仅可以激发市场活力，还能有效缓解训练单位的经济压力和技术短板。
4.2.3 构筑技术枢纽，追求个人技能持续突破
前沿的运动技术评估实验室将多摄像机系统和光学三维运动捕捉系统与基于计算机视觉的人工智能技术结合起来，为现代体育技术评估提供了前所未有的深度与精度，因此，在利用AI推动运动技术评析的过程中，我国还应进一步加快基于计算机视觉的无标记技术动作捕捉实验室的建设。考虑到资源的有限性以及我国不同体育项目发展水平的地域差异，国家体育总局可通过课题招标、经费支持、项目立项、建立分析平台等形式率先在体操等技能主导类且具有丰富训练经验的项目中，培育一批结合高帧率多摄像机系统、光学三维捕捉系统以及计算机视觉等技术的实验室。在硬件设施支持下，跨学科合作的“软实力”在实验室的构建中也扮演着不容忽视的角色。建议构建由计算机科学、数据科学和运动科学研究人员以及教练员组成的跨学科团队，特别关注前沿算法优化与体育专业知识的有机融合。最终，各项目从业人员可以通过在优势项目的提高中探索技术路径，并在新技术路径的指导下将其推广至更多项目，在广泛普及的基础上，推动计算机视觉技术在我国运动员技术评估中的全面应用，以此助力我国运动员个人技术实现不断突破。

4.3 表现智见：可视化剖析比赛分析过程

4.3.1 解析事件数据，梳理比赛关键策略选择
利用AI技术全方位解析事件数据应成为各级训练单位赛后复盘的核心手段之一。事件数据记录了运动员在比赛中的每一个决策和动作，这些数据为教练员和运动员展现了比赛的策略脉络和深入解读。目前，在专业人才尚不足的情况下，我国各级训练单位可通过兼职形式招聘运动表现分析师，抑或是通过数据共享项目吸引高校体育专业或数据科学专业学生参与实习或进行数据收集。在技术方面，辅以基础的网络爬虫技术，不仅可以打破技术壁垒，还能确保数据质量。与此同时，各级训练单位可主动部署集成AI算法的用户友好型专业运动表现分析软件，如Sportscode，这些平台内置的机器学习算法能高效促进数据的收集和分析过程。在对事件数据进行处理时，教练员可根据需求执行不同的分析，如聚类、分类、预测等，利用这些平台的交互式可视化仪表板功能，可将事件数据集转化为直观视觉输出，从而为教练团队提供快速且清晰的数据洞见，辅助他们对训练及比赛策略做出更为科学和精准的调整。
4.3.2 提炼跟踪数据，洞悉比赛时空动态模式
为了深化比赛分析的可视化建设，各级训练单位还应考虑提炼比赛跟踪数据。这种细粒度的数据能从微观角度解读比赛过程的动态转折趋势，并通过对比赛全过程的细致剖析，为运动训练计划的制定提供精准指导。尽管跟踪数据可以通过GPS等系统捕捉，但此类方法收集过程较为烦琐。与之相比，利用目标检测、姿态估计、球员跟踪等深度学习技术，结合主流开源框架Yolo、Openpose等从比赛视频或广播电视转播视频自动提取跟踪数据的模式，展现了更大的潜力。建议从国家体育总局层面优化AI在运动训练场景应用的顶层设计和行动指南，同时发挥我国体育院校专业布局优势，通过政策引导的方式，鼓励其研究人员研发专用算法以自动化方式处理比赛视频并提取关键运动轨迹及行为模式。在此基础上，各级训练团队仅需将比赛视频作为输入，即可通过算法自动生成精准的运动跟踪数据，同时也有利于我国运动训练领域数据的集中采集与优化。尽管我国当前面临专业分析师短缺的挑战，但是机器学习自身的可解释性，如特征重要性、决策树可视化、SHAP算法等均可以帮助教练团队正确理解分析结果。因此，教练团队可以充分利用这种深度分析技术来揭示在特定场景的取胜策略或有利条件，确保在实际比赛中抢占先机。
4.3.3 落地中心架构，保障分析成果转化应用
随着比赛分析可视化进程的不断纵深发展，落地大数据中心架构是连接分析与实践的重要策略。这种架构旨在建立一个桥梁，使得分析和研究真正与训练实践相结合，而不是只停留在理论层面。鉴于此类技术对于专业知识要求极高，可由各单项体育协会牵头与专业理工类院校或科研院所等签订智能数据平台建设战略合作协议，并率先在我国职业化程度较高的足球等项目中展开，实现专业化服务，如中国篮球协会与中国科学院自动化研究所建立的“K8中国篮协技战术服务平台”。基于数据驱动分析理论框架建设的数据中心应聚焦于几个核心组件：实时数据流处理引擎，以实施捕获和分析比赛过程产生的数据；数据湖屋架构，以实现高效数据管理；基于云计算的基础设施，为数据存储和计算提供弹性资源；协作式工作空间，以支持数据科学家和分析师的协作开发；集成化的统计分析和机器学习模型，以提供深入数据分析和预测能力；动态教练仪表盘，以协助教练团队及时调整战术等。通过这一高度集成的数据实时分析中心，可以使运动训练和比赛过程的策略得到优化。此外，还应建立大数据应用中心与训练单位之间的双向沟通机制，该双向沟通机制应涵盖定期沟通会议、教练员培训和工作坊、数据报告和可视化呈现、应用案例展示、实践成果反馈等环节，最终实现利用分析结果指导运动训练实践，再基于运动训练实践优化分析过程。通过这种循环迭代流程，帮助教练团队更为精准地理解运动员的实际运动表现。

4.4 负荷智控：精细化调节训练负载过程

4.4.1 打造传感网络，量化训练过程体感反馈
在精细化调整训练负荷方面，利用智能可穿戴设备打造基于AI的人体传感网络，并全面跟踪和量化运动员训练过程内外的负荷以及体感反馈，是确保数据源捕捉精度并更精确地制定和调整训练负荷和内容的主要技术手段。各训练单位可根据现实条件和实际需求加快升级训练场馆，将一系列的便携式智能可穿戴设备整合到训练过程中，将训练监控过程“搬”出实验室。这一网络应基于物联网技术、智能可穿戴设备和数据挖掘技术打造上。我国各层级训练单位可组合加速度计、柔性可穿戴设备、智能皮肤贴片等可穿戴生物传感器，通过生化和生理标记物的动态非侵入性测量收集连续、实时生理数据，并结合实时定位系统，利用其多普勒效应和时间差分技术，对运动员的位置和动态实现传统定位系统不能达到的高精度追踪；同时，还可以通过部署边缘计算框架，实现在源端进行高效的数据预处理和特征提取，减少向中心服务器的数据传输需求，提高数据处理的即时性；而考虑到数据安全和隐私保护的重要性，可引入区块链技术来确保数据的不可篡改性和透明性。可见，这种继承大量AI技术的先进人体传感网络可以有效改善我国当前在运动训练领域的负荷量化问题，并利用实时反馈的优点对训练策略调整做出快速响应，而鉴于传感网络构建对高性能外部设备的依赖性，建议相关行政部门增加训练经费或提供必要的硬件支持。
4.4.2 引入数据融合，弥补负荷监控数据断点
利用数据科学技术弥补当前负荷监测中不连续问题，也是完善精细化调整运动训练负荷的关键举措之一。在上述人体传感网络基础上：科研保障团队首先应积极部署（如InfluxDB等）时间序列数据库，以此实现对收集到的高频率数据进行有效的管理与存储，确保数据时序的完整性和查询效率；为处理负荷监测不连续导致的短期数据间断性缺失问题，各训练单位可引入线性插值或样条插值等时间序列插值方法，根据已有数据点估算出缺失数据点的值，从而填补短期数据的空白；而面对长期或结构性的数据缺失，分析人员可根据缺失范围和类型，整合来自不同源的相关数据并寻找其他类型的生理监测数据作为补充信息源。同时，数据融合技术也应该被考虑：对于结构性较简单的数据缺失情况，监测团队可以应用加权平均法对来自不同源的数据进行加权合成，权重分配依据数据源的可靠性、相关性以及对目标变量预测贡献度来决定；而面对更为复杂的长期数据缺失和结构性不一致性问题，则可考虑卡尔曼滤波算法动态处理来自多个传感器的数据流。
4.4.3 预测受伤风险，确保及时部署防护预案
为了进一步细化和完善训练负载管理，训练保障团队可借助基于AI的可穿戴技术和深度学习技术，早期探测和预见运动员可能出现的受伤风险，并将负荷调整时间提前。在实践过程中，各级训练单位首先应根据不同项目运动特征选择合适的监测工具，如力板系统有助于识别脚踝受伤风险较高的运动项目，而后定期汇聚由智能可穿戴设备采集的基于时间序列的个人数据集，包括训练负荷、压力水平、心理评估等可改变风险因素以及遗传标记、人体测量等不可改变因素，并结合长短期记忆网络（long short-term memory，LSTM）等特定的基于时间序列或自适应学习的预测模型，捕捉和分析运动员在动态条件下的生理反应。与此同时，医疗和训练团队通过集成模型的交叉验证和实时监控，评估模型在不同个体数据集的表现，确保预测的准确性和可靠性。依据这些预测结果并结合运动员历史健康记录和实时生物反馈，可以为教练团队提供关于训练计划和负荷调整的洞见。这种基于负荷数据、医疗数据预测潜在伤病的多维度合作模式能将训练负荷管理从事后反应转变为即时响应，并把伤病管理重心从被动治疗转变为主动预防，从而确保运动员能在**状态下进行训练和比赛，全面维护运动员的身心健康。

4.5 管理智建，智能化推动训练管理过程

4.5.1 架通云端技术，促进各级训练单位融入
在我国运动训练管理体系走向智能化的转型过程中，云端技术的引入能够起到举足轻重的作用。它的应用能够使得包括基层在内的更多训练单位融入整个智能大体系中，而不会受制于硬件设施不足的问题。实际上，一场40 min的篮球比赛可能产生上万条的跟踪数据，而一个队伍在整个赛季通常要进行几十场比赛，对于大部分基层训练单位来说，独自处理这样的数据量是难以想象的。因此，体育主管部门可以通过“精准化”的政府购买等形式与华为等国内科技公司以基础架构即服务（Infrastructure as a Service ，IaaS）的形式进行深度合作，共同研究和部署针对运动训练场景的云端技术解决方案。建议该框架包括分布式存储技术以便高效存储和处理大数据，虚拟化技术以在降低成本的同时提供可扩展的计算环境，分布式资源管理系统以优化资源利用，数据加密和网络入侵检测系统以保护数据安全性和隐私。此外，该框架还需整合数据分析和机器学习平台，采用大数据处理技术，实施容器化和微服务架构，并提供交互式可视化仪表板，旨在支持从数据分析到复杂模型训练的全过程，加速新功能的迭代，同时确保服务的高效和稳定。如此，各训练单位就可通过来自科技巨头提供的云计算支持来处理和分析这些数据，并且不再受限于训练单位本地设备的计算能力。
4.5.2 创立训练日志，保障训练过程智能检视
在加快我国运动训练管理过程智能化发展的进程中，采用自然语言处理技术来便捷地创建训练日志将为提升各级训练单位间的横向协作奠定关键基础。并且，这一创新实践由于成本较低，将成为运动训练管理中集中式记录和分析历史数据的重要组成部分。各级训练队伍应积极鼓励运动员及其支持团队成员在每日训练结束后主动运用文心一言、星火大模型等我国自主研发的自然语言处理模型进行互动对话，多维度输入当天训练的详细信息。依托这些模型强大的分析和理解能力，自动解码这些口头信息，通过自然语言生成技术输出结构化、永久存储的文字日志。此外，团队科研人员可借助生成对抗网络技术，将录入的语音或文本信息转化为图像或其他视觉形式，从而增强训练数据的可视化展示和跨团队成员的交流效率。而高级文本挖掘技术如LDA算法等也应融入整个日志的管理系统。这类算法可以进行关键词提取和主题分析，使得从不同训练主体的记录中快速提取重要信息成为可能。这种结合自然语言处理和文本挖掘的综合应用不仅可增强信息记录的效率，还可加强不同训练主体间的数据共享、快速分类与协作。
4.5.3 开发智能平台，实施多层单位集约管理

在坚持国家体育总局的宏观调控并确保我国运动训练管理过程智能化集约管理的背景下，一个打通纵向沟通且监管完善的智能平台是必不可少的。具体而言，国家体育总局可充分利用其权威性与资源丰富性作为主导方，委托在计算机科学领域具有国际领先水平的国内高校或科研院所，研发涵盖全国范围的运动训练数据管理平台和配套移动应用。在垂直层面上，该智能平台可包含数据收集、数据标准化、数据生命周期管理、数据治理、数据安全、数据监控和报告六大层面。在水平层面，应覆盖用户配合和支持，包括灵活性和可扩展性、跨技术集成、跨部门协作、反馈循环和持续改进五大层面（图6）。该智能平台的核心价值在于其全方位的监测功能，它可以无缝整合各类数据，并借助统一数据格式实现信息标准化处理，减少数据冗余和误差。在权限管理方面，利用角色基础访问控制（role-based access control，RBAC）系统，国家体育总局和其他体育行政部门可以根据不同层级单位的特点和申请，灵活设置数据访问和修改权限，既确保数据安全性，又保障信息畅通和共享。此外，该平台还需设立自动化数据验证和一致性检查机制，运用数据指纹和模式识别算法进行数据质量评估和验证，以防范误导性或虚假数据上传。通过实施这样一个高度集成化的数据管理平台，可以大幅提升我国运动训练管理的效率和科学性，为运动员训练和比赛提供强有力的数据支持。

图6   数据管理平台各级元素基本框架

Figure 6   Hierarchical Element Framework of the Data Management Platform

5 结语

随着AI的实践壁垒不断被突破，将其广泛应用于运动训练实践并引领运动训练发展已成为数字时代的自然之举。在这一过程中，最为重要的是，应在各级训练单位确立集训练、科研和保障“三维一体”的科学训练思想（陈小平，2023；黎涌明 等，2020），并明确AI在现代运动训练实践中的引领地位，同时结合当前国际先进经验，着眼于我国实际困境，最终落脚于运动选材、技术评估、表现分析、负荷规划和管理过程。未来已来，这一波AI革命将与运动训练领域的每一位从业者息息相关，而由运动表现分析师、运动生理与生物力学专家、运动理疗师、统计学家以及教练员共同探讨拟定运动员在训练和比赛中的行为和决策过程的实践已然展开。在北京2022年冬奥会备战周期中，我国科研保障团队已在某些项目中展开试点并取得显著成效，相信在不久的将来，此类场景将会被拓展到我国各层级、各项目的运动训练实践中。

想关注《体育科学》内容首发公众号

扫描下方二维码


原文制作：曾子芩

原文校对：丁   合    高天艾

原文监制：邱剑荣