TacticGen：当AI开始「生成」足球战术轨迹

TacticGen想做的，不只是“看懂一段比赛”，而是“生成一套可供比较的战术跑位方案”。

过去的足球 AI 更擅长回答一个问题：这球接下来大概率会怎么发展？ 例如谁更可能接球、一次进攻是否会形成射门、球员接下来会怎么跑。

但真正走进教练组的工作流，会发现他们关心的往往不只是“预测结果”，而是另一个更主动的问题：如果我们希望拉开宽度、加强前场压迫、占领肋部空间，球员接下来应该怎么跑？

这正是香港中文大学（深圳）刘桂良教授团队联合Real Analytics、伯明翰城足球俱乐部、利物浦大学、西蒙菲莎大学以及中山大学提出的 TacticGen 想要解决的问题。

更直白一点说，TacticGen想做的，不只是“看懂一段比赛”，而是“生成一套可供比较的战术跑位方案”。

项目链接：https://shengxu.net/TacticGen/

第一作者：徐圣，香港中文大学（深圳）博士生，研究方向为强化学习及其在具身智能、体育分析的应用，曾在 ICLR，ICML，NeurIPS 等顶级会议以第一作者发表论文。

通讯作者：刘桂良，香港中文大学（深圳）助理教授，研究主要聚焦于具身智能决策与强化学习。在包括NeurIPS、ICML、ICLR在内的国际机器学习顶级学术会议和期刊上发表论文30余篇，担任NeurIPS、ICLR领域主席。

01

这篇论文到底在解决什么问题？

过去几年，足球 AI 已经能比较稳定地处理轨迹预测任务：给定过去一小段时间的场上状态，预测接下来几秒球员和皮球会如何移动。

但真正的战术分析，往往不止于“接下来大概率会发生什么”，还会追问：

如果边锋拉得更开一点，会不会把对手边后卫和中卫之间的间距撕出来？

如果中场在球侧形成更好的接应三角，持球人会不会多一个向前传递线路？

如果防守方更快形成向球侧收缩，是否能更早封锁肋部和中路通道？

TacticGen 正是把这个问题向前推进了一步。它把战术理解为一段目标驱动的多智能体未来轨迹：输入当前比赛上下文，给定一个战术目标，生成满足该目标的后续跑位方案。也就是说，它不是只复现真实比赛里已经发生的移动，而是可以围绕明确的战术目标，生成“另一种可能更优的跑法”。

这让足球 AI 的角色发生了变化。它不再只是赛后分析复盘工具，而开始接近一个可交互的战术反事实推演系统。

图1｜研究动机：从“轨迹预测”走向“目标驱动的战术轨迹生成”

这张图其实把整篇论文的立意讲得很清楚。

左上部分代表传统方法，重点是估计“比赛接下来会怎么发展”；右上部分则转向generative football tactic design，开始回答“围绕某个战术目标，球队接下来应该怎么跑”。图里给出的Stretch Play、Zone 14、Deep Defending和Press Carrier，本质上都在说明一件事：模型处理的不是抽象标签，而是可以被明确引导的攻防跑位目标。

中间和下方则进一步概括了这篇论文的关键词：给定场景条件+用户目标，生成可控的多智能体轨迹，并同时强调Accuracy、Adaptability、Scalability和Utility。换句话说，这篇工作不只关心“像不像”，还关心“能不能被引导”“能不能随着模型和数据规模继续提升”，以及“对真实战术决策有没有用”。

02

TacticGen 是怎么做的？

从任务定义上看，TacticGen 始终围绕“未来轨迹”展开。

输入端，模型接收的是比赛上下文，包括球和 22 名球员的一段历史轨迹、事件类型、时间信息、比分信息，以及其他反映局势的条件；

输出端，模型要么预测后续的球员与足球轨迹，要么在给定目标约束下生成新的球员协同移动轨迹。

论文里给了两个实际工作模式。

TacticGen-Predictive 更接近短时窗轨迹预测：根据最近的场上观测，预测接下来一段时间的真实发展，用于轨迹建模和基准评测。

TacticGen-Conditional 则更接近战术生成：当皮球未来线路被给定或较强约束时，模型围绕这条球路去生成更可控的球员移动方案。这个设定尤其适合 what-if 式的战术推演，因为分析师或教练组往往会先锁定一个传球或推进意图，再去讨论无球队员怎样跑位最合理。

图2｜整体框架：一个能被目标引导的多智能体扩散生成器

这张图可以分成“训练”和“推理”两部分来看。

上半部分是基于 Diffusion 的训练阶段：模型从带噪的未来轨迹中学习还原真实轨迹，而且不是逐个球员孤立建模，而是把球和 22 名球员放进同一个多智能体框架里联合学习。

下半部分是推理阶段，也是它最像“战术工具”的地方：同一个生成器可以在不重训的情况下，被规则、自然语言或价值模型引导，生成服务于不同战术目标的轨迹方案。

03

数据集为什么值得强调？

这篇工作很重要的一点，是它不是靠少量数据集和 demo 支撑起来的。

论文背后使用的是一个大规模、对齐后的足球数据集，覆盖2018到 2025年的 1,432场比赛，包含3,374,599个对齐后的事件，以及97,760,895个处理后的 tracking frames。

这套数据把两类关键数据对齐在一起：一类是类似 Opta 风格的 analyst-annotated event logs，也就是人工标注的比赛事件流；另一类是 full-pitch optical tracking，也就是整片球场范围内对皮球和全部球员位置的连续跟踪数据。

论文把事件流和 tracking 流连接成统一的训练样本。这样，模型看到的就不只是“某个时刻谁在什么位置”，而是“某个战术事件发生时，前后这一整段局势是如何演化的”。

从联赛覆盖看，数据主体来自高水平职业赛事，其中包括：英超、英冠、MLS、荷甲等多个联赛。

为了让建模更稳定，tracking 数据坐标统一映射到 105×68 米标准球场，并把进攻方向标准化为统一朝右。对机器学习来说，这一步很关键，因为它把不同比赛、不同场地、不同镜头体系下的数据，整理成了可比较、可学习的统一战术坐标系。

04

真正让人眼前一亮的，

是它可以被“战术意图”直接引导

很多生成模型的强项，是生成与真实数据分布相似的结果。但 TacticGen 更进一步，它追求的不是单纯“生成得像”，而是“围绕明确战术目标生成得有用”。

更关键的是，这种能力并不是靠在训练阶段额外注入战术条件来实现的。因为这类做法在推理时往往只能处理有限的条件，本质上仍然是在已有数据分布内做条件拟合。TacticGen 采用的是 test-time guidance：在推理阶段直接把生成轨迹朝目标方向引导，因此同一个预训练生成器就能灵活服务于不同战术意图。论文给出了三种具体的引导方式。

▎规则引导：把战术原则转成可执行跑位

第一种是规则引导。你可以直接写出希望球队满足的战术原则，例如：对进攻方来说，可以支援持球人、保持宽度、创造传球线路、占领Zone 14或右侧半空间；对防守方来说，可以更快压迫、向球侧收缩、压缩中路与传球通道。此外，还可以基于场地控制值（Pitch Control Value）做引导。

图3｜规则引导示例：把抽象战术原则变成可执行跑位

图 3 的重点，不在于模型“随便改了几条线”，而在于它展示了规则如何真正落到球员移动上。如果你熟悉比赛分析就会知道，这些都不是“视觉上更好看”的位移，而是非常具体的战术结构变化。在每个规则引导的案例里，模型都在重新组织球队的空间结构、层次关系和协同方式，以满足特定的战术目标。

▎自然语言引导：把教练指令转成具体跑位

第二种是自然语言引导。这意味着你不一定需要自己写规则。你可以直接用接近教练语言或分析语言的方式告诉模型：“让前场球员更坚决地前插”“让右边锋贴边外拉，牵引边后卫，为右侧半空间腾出通道”。实现上，模型会自动调用 LLM，先把这类语言指令转换成可执行的引导函数，再在推理阶段用这些函数去约束采样方向，从而生成符合目标的轨迹。

图4｜语言引导示例

图 4 展示了 TacticGen 如何根据自然语言描述的教练指令生成对应的具体跑位。无论是“让进攻方更积极前压”，还是“让右边锋外拉，主动牵扯防线”，模型都能把抽象的语言要求转化为符合战术意图、可执行、可视化的战术移动。

▎价值引导：让轨迹朝更高长期收益搜索

第三种是价值引导。论文额外训练了 value model，本质上是一个基于 reward 学习的长期收益（return）评估器。它让模型不只满足局部站位规则，而是朝着更高长期战术收益的方向搜索。也就是说，它考虑的不只是“这一步站位是否好看”，而是“这一段整体推进对进攻或防守是否更有利”。

图5｜基于 value model 的价值引导示例

这里对应的是 value guidance 的两个案例：一个面向进攻方，一个面向防守方。它们不是去满足某一条局部规则，而是借助 value model 提供的 reward 信号，让生成轨迹朝更高长期收益的方向搜索。放到战术层面理解，进攻侧会更倾向于把球员移动组织到更有利的推进和威胁区域；防守侧则会更倾向于更早形成压迫、限制持球人与关键空间，从而降低对手后续进攻收益。

05

为什么说它不只是“能生成”，

而且“生成得靠谱”？

从轨迹预测指标看，TactiGen 在论文中的多个基准指标上都取得了领先结果，包括ADE 0.29、FDE 0.52、joint ADE 0.45和joint FDE 0.92，这些指标都比之前的 SOTA 模型有明显提升。

这些数字的意义在于：如果底层的轨迹建模不够准，后面的战术生成就很难站得住。TacticGen先把“真实轨迹学得像”这件事做好，再在此基础上引入目标驱动的生成能力，这一点非常重要。

图6｜Scaling 曲线：模型越大、数据越多、训练越充分，轨迹误差持续下降

论文进行了有关 Scaling 的实验，结果显示，随着训练步数增加、训练样本增多，轨迹预测误差持续下降；模型规模越大，最终误差也通常越低。

这说明 TacticGen 不是“某个小模型刚好调出来的特例”，而更像是一个具备 foundation model 潜力的方向。也就是说，只要继续给它更多高质量数据、更长训练和更大模型，它还有进一步提升空间。

对现实应用来说，这一点比“某次实验赢了多少”更关键，因为战术建模真正难的是泛化到更复杂、更多样、更多上下文约束的比赛情境。

06

最打动人的部分，其实是专家实验

如果一篇足球 AI 论文只在离线指标上做得漂亮，我们通常还会保留很多疑问：生成的轨迹到底像不像真实比赛？这些轨迹在战术上有没有意义？职业从业者会不会认可？

TacticGen 的回答，是把专家直接请进评估流程里。

论文与足球从业者合作开展了专家案例研究，参与者中包括来自伯明翰城足球俱乐部（Birmingham City Football Club）的 5 位足球领域专业人士。作为英格兰职业足球体系中的百年老牌俱乐部，伯明翰城曾两夺英格兰联赛杯冠军，因此这套专家实验也更贴近职业足球的一线观察视角，而不只是学术语境下的内部打分。

专家评估分成两类任务。

第一类是真实性评估。专家需要判断一段后续球员轨迹究竟来自真实比赛，还是来自模型生成。结果表明，专家区分 generated 和 realistic 的平均F1只有0.50 ± 0.07。这个结果最直接的含义是：单看轨迹表现，专家并不容易稳定地区分真假。

第二类是战术效用评估。在这项盲测里，专家并不知道哪一边是真实方案、哪一边是 TacticGen 引导生成方案，只能把两段轨迹匿名并排比较，判断哪一边对指定球队更有战术价值。结果显示，引导后的 TacticGen 样本平均 utility score 达到0.81 ± 0.04；在“真实跑位 vs 生成跑位”的对比中，专家有80%的情况下更偏向 TacticGen 生成的方案。

专家实验表明，TacticGen 生成的轨迹，一方面已经足够接近真实比赛节奏和协同方式；另一方面，在战术目标下，它甚至会比真实样本更符合专家心中的战术偏好。换句话说，专家不只是觉得它“看起来像”，还经常认为它“战术上更值得选”。

图7｜专家评估结果：生成轨迹不只接近真实，还经常被认为更有战术价值

这张图对应真实性评估。专家区分真实轨迹与生成轨迹的平均F1只有0.50 ± 0.07。

这张图对应战术效用评估。引导生成轨迹的平均 utility score 达到0.81 ± 0.04。

07

这篇论文真正的现实意义，

在于“工作流变了”

TacticGen 在现实足球工作流里的几个潜在意义。

第一，它把传统赛后复盘，推进到了反事实战术分析。分析师不再只能解释“这次为什么会这样跑”，还可以进一步比较“如果这名边锋更早外拉、如果这名中场更早进入球侧接应，局面会不会更好”。

第二，它让战术讨论从“口头描述”变成“可生成、可比较的轨迹方案”。很多战术会议里，教练组说的其实都是目标，比如“压上去一点”“边路站开一点”“中路保护再紧一点”。TacticGen 的价值在于，它开始有能力把这些目标翻译成可视化、可比较的球员移动轨迹。

第三，它为职业足球里的数据分析、比赛准备和训练设计，提供了一种新的AI接口。未来不论是做对手分析、局部战术rehearsal，还是为特定场景生成多种跑位候选，目标驱动的轨迹生成都会比单纯的轨迹预测更贴近真实决策场景。

第四，它展示了一种更广义的趋势：在多主体、强约束、强上下文依赖的现实世界里，生成模型最有价值的地方，往往不是“生成一个像真的东西”，而是“围绕明确目标生成一个更有用的方案”。

08

TacticGen最迷人的地方，不只是它把足球轨迹建模做得更好，而是它让我们第一次比较清楚地看到：AI 可以从“理解比赛”继续走向“参与战术设计”。

它的核心对象始终是球和22名球员未来一段时间的协同轨迹。在这个基础上，模型既能做真实轨迹预测，也能围绕战术目标生成新的跑位方案。再加上大规模职业比赛数据、与 BCFC 等足球专家合作的案例研究，以及对真实战术工作流的贴近，这篇论文已经不只是一个漂亮的学术demo，而更像是通往下一代足球分析工具的一次清晰预演。

如果你关心体育分析、生成式AI、多智能体建模，或者 AI 如何真正进入现实决策场景，这篇 TacticGen 都值得认真读一读。

未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！

公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。