足球AI已经不满足于画热力图：od体育开始分析阵型、跑位和球场空间到底是谁创造的

先看一段模拟录像。一支踢4-3-3的球队在右路发动进攻，右边锋整整十二秒没有碰过球：他先贴着边线站住，看着球从左路被转移过来，然后突然内切，斜插进对方左后卫和中卫之间的缝隙，随后又停下不动。这次进攻最后由后插上的中场球员在禁区弧顶完成射门。赛后的事件统计里，边锋的名字没有出现在传球链上，也没有出现在射门栏里，但复盘的教练会在这里按下暂停，因为他心里清楚：没有那一次内切，中场球员面前的通道根本不会打开。

这个问题，传统的热力图和跑动距离回答不了。要回答"这块空间到底是谁创造的"，需要的是位置追踪数据、对空间的量化方法，以及对这种方法会在哪里出错的清醒认识。下面把这条路径拆开讲。

热力图告诉你他在哪，没告诉你他做了什么

热力图是足球数据分析里最常见的图：把一名球员整场的位置点叠在球场上，颜色越深代表停留越久。它并非没用，能看出边锋是不是真的贴边、后腰是不是总往一侧漂。但它把时间整个压扁了。一名球员在第12分钟和第78分钟出现在同一块区域，热力图上是同一种颜色，前一次可能是球队正在进攻、他在拉开宽度，后一次可能是全队退守、他被迫回追。热力图也不知道对手在哪、球在哪，所以它无法区分"主动占位"和"被动漂移"。

跑动距离与高强度跑次数也有同样的问题。总跑动公里数是把相邻位置的位移累加，高强度跑动是数速度超过某个阈值的片段，它们衡量的是"付出"，不是"作用"。一名边锋整场跑得很远，可能大部分是无效的回追；另一名跑得不多，却在三个关键时刻靠站位让对方边后卫犹豫了半秒。把前者当成更有贡献，是很典型的误读。

事件数据（传球、射门、抢断这类被标注下来的动作）同样有盲区。一名球员整场真正触球的时间加起来往往只有寥寥数分钟，其余时间他的作用几乎全部藏在"事件之外"。追踪数据补的正是这块：球员位置通常以每秒10到25次左右的频率记录，球不在脚下的时候，人在做什么、对手因此怎么调整，都被保留了下来。这也是为什么近几年的公开研究，会把压迫强度、防守覆盖、无球跑动这些原本只能凭眼睛判断的东西，逐步做成可以计算的指标。

先搞清楚数据从哪来，再谈算得对不对

空间分析对数据的要求比热力图高得多：它需要同一时刻双方所有球员、最好还有球的位置。只有己方的定位数据是不够的，因为"空间被谁控制"天然是一个对抗性的问题。目前常见的位置数据来源大致有三类，它们各有脾气，做分析之前必须知道自己手里是哪一种。

对以视频为基础的分析路线来说，转播视频是最容易拿到、也最麻烦的一类。流程大致是：先检测每一帧里的人，再把不同帧里的同一个人串成轨迹，接着靠球衣颜色区分两支球队，最后利用草皮上的边线、禁区线、中圈估计出摄像机相对球场的几何关系，把画面像素换算成球场米制坐标。任何一步出错，都会传到最后的空间图里。最典型的是两名球员身体重叠再分开时"身份互换"：A的轨迹突然接到了B身上，结果A在一帧之间"瞬移"了六七米，跑动距离虚高，空间分析里凭空多出一个不存在的高速球员。这类错误如果不做异常速度检查，是很难被肉眼发现的。

"球场空间控制"到底在算什么

空间控制（pitch control）的核心问题很朴素：球场上的任何一个点，如果此刻有一个球飞向那里，哪支球队的球员更可能先到？Spearman、Fernández 与 Bornn 等人的公开研究提出并发展了这类模型，思路大同小异。对每名球员，根据他当前的位置和速度，估计他跑到某个格点需要多久：现在朝那个方向跑的人更快，背对着它的人要先减速再转身；再把这个时间差转成概率，到达时间明显更短的一方"控制"这个点，接近的地方则是争夺区。把所有格点连起来，就得到一张概率图：每一点都有一个0到1之间的数，表示进攻方控制它的可能性。

这张图比热力图强在三点。它是双方共同计算的，所以能显示"你站在这里，对手是不是也够得着"；它随每一帧变化，所以能看到空间是怎么被打开又被关上的；它还可以和价值模型叠加，比如 Expected Threat（xT）给球场上每个位置一个"在这里持球有多危险"的价值，把控制概率和位置价值相乘，就得到"控制着、而且有价值"的空间。这是判断"这块空间值不值得争"的一种常用做法。

模拟一个示例数据来感受一下。假设在边锋内切之前，禁区弧顶右侧那块区域，进攻方的控制概率是0.35，防守方的左中卫和后腰都离得更近；边锋内切后，对方左后卫被他吸引，向内收缩了几米，同一块区域进攻方的控制概率升到0.6。这个"从0.35到0.6"的变化，就是那次跑动在数字上的样子。它不是某场真实比赛的数据，只是用来说明空间图在时间上是怎么动起来的：谁的移动让某个格子的数字发生了变化，这一步就是接下来做"归因"的起点。

回到那名边锋：空间是"占据"出来的，还是"创造"出来的

把控制概率画出来只是第一步。教练真正想问的是：那块空间是谁开出来的？一种可行的做法是"反事实对比"：把边锋的轨迹替换成一个假设版本，比如他停在原地不动，或按之前的速度直线外推，重新算一遍空间图，然后比较两张图在关键区域的差异。差值大，说明他的移动对这块空间的开启有实质作用；差值几乎为零，说明这块空间即使他不动也会出现。

这个思路听上去简单，做起来有一个绕不开的困难：对手不会按照"假设版本"照常防守。边锋停在原地，对方左后卫就不会内收，整个防线的形状都会不同，可是模拟出来的反事实里，其他球员位置仍然是原样。这意味着反事实得到的只是一个上限估计，而不是真相。目前关于无球跑动价值的研究，把它拆成多个成分来评估：这次跑动有没有创造出新的潜在传球线路，有没有为队友创造了前场空间，有没有为持球者提供了支援。这套拆分方法在《没有碰球的跑动怎么算价值？od体育AI开始量化无球跑位》里有更细的展开，想弄清"诱饵跑动的价值该记在谁头上"，可以先读这一篇。

还有一点值得警惕：空间的"创造者"往往不止一个人。边锋内切吸引了左后卫，但中场球员的斜向插上同样在拉扯另一侧的防守，两个动作叠加才让通道出现。把整块空间的价值全部记在一个人头上，要么高估他，要么低估他。所以在合理的分析里，责任的分配应该有一个范围和不确定性，而不是一个精确的分数。

阵型是空间的底稿

空间并不是随机出现的，球队的站位结构决定了哪块区域天然由谁负责。一支4-4-2防守的球队，两条线之间的空档通常在中场线与后卫线之间；换成三中卫加双翼卫，肋部与边路的责任又是另一套分配。所以要解读一张空间图，先得知道场上双方此刻大致是什么形状。但"阵型"本身也不是固定的标签：同样是名单上写着4-3-3的一支球队，进攻时边后卫上提，后腰回撤，看起来更像3-2-5；丢球后收缩，又变成4-5-1。这就带来了另一个问题，AI怎么从一串坐标里识别出"此刻的阵型"，以及它什么时候会判断失误。《433真的一直是433吗？od体育AI如何识别比赛中的动态阵型变化》专门讲了这件事，读完再回头看空间图，能更清楚为什么同一块空当在不同阶段意义不同。

模型最容易犯的几个错

空间控制模型很吸引人，因为它把直觉变成了漂亮的图。也正因为漂亮，错误更容易被人当成结论。以下几个坑，实际使用中反复出现。

把"占据"当成"创造"

一名球员站在空档里，并不意味着空档是他造出来的。也许是对手主动让出这片区域，想诱使传球；也许是队友在另一侧的跑动把防守拉走了；也许只是防线本来就形状松散。只用"他出现在控制概率高的位置"来给他记功，会系统性地奖励那些站在别人辛苦开出的空间里的球员，同时忽略真正拉开空间却自己站在低价值区域的人。

忽略球速和球员朝向

很多简化模型对传球速度做了固定假设，把球速当成一个常数。真实比赛里，一脚贴地快传和一脚高吊球到达同一个点的时间完全不同，防守球员能不能来得及也随之改变。另一个更容易被忽略的是朝向：追踪数据通常只有位置，最多能用相邻帧推断出运动方向。一名停下来的球员速度为零，模型就不知道他面向哪边，可是一名背对球的后卫，要转身再启动，比正面看球的人慢得多。这种情况下模型会高估背身防守者对空间的控制能力。

把整块球场当成均匀平面

空间控制一般假设球员在各个方向上移动能力相近，忽略了场地不同区域的规则约束：越位线、边线、球门线，都会让同样大小的区域价值大不相同。靠近边线的一块空当，能直接出球的方向少了一半；禁区内的一小块空间，价值远远高于中圈附近的一大块。把面积当价值，会让分析偏向"开阔"而不是"危险"。

把一帧快照当成整个过程

空间图是逐帧生成的，一块空当可能只存在半秒到一秒。持球者有没有看见它、来不来得及出脚、接球人是不是恰好在准备动作里，这些都不在图里。一个常见的误用，是统计"整场有多少帧进攻方控制了危险区域"，然后据此说这支球队创造空间的能力强。可是这些帧里有多少是传球者根本没有机会利用的，模型并不知道。更稳妥的读法是把空间图当作"机会窗口"的线索，再去回看视频，确认窗口开着的那段时间里，球在谁脚下、他面朝哪边。

追踪噪声被放大成战术结论

位置误差在追踪数据里总是存在的，视频追踪尤其如此：镜头边缘的畸变、球员被遮挡、画外球员靠推断补齐。位置偏一两米，在热力图里几乎看不出来，但在空间控制的边界上，就可能让一块争夺区翻转成"己方控制"。如果一张图的结论对位置误差很敏感，这张图的置信度就应该被标出来，而不是画得一样清晰。

教练可以怎么用：把它当成"提问工具"，不要当成裁判

一个比较务实的用法，是让空间图去缩小复盘的范围，而不是替代复盘。比如赛前，可以问："对手在我们持球时，习惯把哪几块区域留出来？"赛后，挑十来个进攻片段，把空间图和视频并排回放，看空间是在什么时刻开出来的、谁的移动带动了它，而不是只翻总的跑动数字。训练时，可以用小场地对抗把某一种空间打开的场景重复几次，观察球员能不能在没有教练喊话的情况下自己找到位置。

• 适合交给模型做的部分：重复计算、逐帧标注空间变化、在几十个片段里找出"空间明显被打开"的时刻。
• 必须人来判断的部分：球员当时是否看到了那个空当（视线与信息）、这次移动是不是战术布置的一部分、比分与体能状态对选择的影响。
• 需要格外谨慎的部分：任何把单个球员"创造空间的价值"压缩成一个分数并拿去做排名或评价的用法。

还有一个经常被忽略的用途，是拿空间图检验"战术布置有没有被执行"。教练在赛前会要求边锋"在球转移时向内收，把边路让给上提的边后卫"，这种约定如果只靠肉眼，往往要到赛后才能确认到底有几次做到了。把每一次转移球发出时的空间图截下来，看边路那块区域的控制概率是不是按预期变化，就能把一句含糊的"好像没执行好"，变成"十次转移里有几次，边锋收得太晚"。这种具体到时刻的反馈，比一个总分更有用。

在od体育的设计思路里，足球分析的输出更倾向于"一个可回看的片段加一张标注了置信度的空间图"，而不是一个孤立的评分。追踪质量太低的片段，比如球员被大量遮挡、身份多次切换，会被标记为"不建议解读"，而不是硬画一张好看的图。这个取舍带来的代价是覆盖的片段会变少，但换来的是教练看到的每一张图，至少知道它站在什么样的数据上。

回到开头那名没有碰球的边锋。合理的结论大概不是"他创造了0.25的控制概率提升"这样的一句话，而是一段更具体的描述：他在第几秒之后的内切，让对方左后卫向内移动了几米，随后弧顶右侧的空间从争夺区变成了偏向进攻方；这个判断有多可靠，取决于追踪的质量、反事实的假设，以及教练对场上当时情境的理解。数字帮助你看见，判断仍然归人。