فکر کنید اگر یک باشگاه بیسبال غیب‌گویی داشت که می‌توانست با اطمینان بگوید که یک توپ‌زن در سال آینده، سه سال یا یک دهه آینده چند ضربه خواهد زد یا یک پرتاب‌کننده چند امتیاز را مجاز خواهد کرد. بهترین تیم‌ها در این صورت بهترین غیب‌گوها را خواهند داشت. البته چنین غیب‌گوهایی وجود ندارند. اما مدل‌های هوش مصنوعی وجود دارند. و آن‌ها به یک گوی بلورین نیاز ندارند: آن‌ها می‌توانند آینده را پیش‌بینی کنند صرفاً با جستجوی الگوهای ریاضی در انبوهی از داده‌های تاریخی.
چنین تحلیلی چیز جدیدی نیست. در دهه 1970، بیل جیمز، تحلیلگر بیسبال، رویکردی تجربی به این ورزش را پیشگام کرد و مجموعه‌ای از روش‌های نوین برای کمی‌سازی عملکرد را توسعه داد. این "سابر متریکس" (به نام انجمن تحقیقات بیسبال آمریکا، که جیمز عضو آن بود) در "عصر مانی بال" اوایل دهه 2000 وارد جریان اصلی شد. همان‌طور که در یک کتاب و بعداً در فیلمی به همین نام مستند شده است، اوکلند اتلتیکس شروع به استفاده از اصول سابر متریک برای شناسایی (و سپس امضای قرارداد با) بازیکنانی کرد که پروفایل‌های آماری آن‌ها نشان می‌داد ممکن است ارزشمندتر از آن چیزی باشند که باشگاه‌های رقیب متوجه شده بودند. این نتیجه داد؛ اتلتیکس با وجود داشتن یکی از کمترین حقوق‌ها در لیگ برتر بیسبال آمریکای شمالی (MLB) چهار سال متوالی به پلی‌آف راه یافت.
مانی بال اکنون وارد عصر هوش مصنوعی خود شده است. همه تیم‌ها در MLB حداقل یک تحلیلگر دارند و برخی از آن‌ها ده‌ها نفر را استخدام می‌کنند. استفاده مداوم و هوشمندانه از تجزیه و تحلیل‌های مبتنی بر هوش مصنوعی به تیم‌هایی با بودجه کم اجازه می‌دهد تا رقابت کنند و به تیم‌هایی با بودجه زیاد اجازه می‌دهد تا تسلط داشته باشند. به نظر می‌رسد سرمایه‌گذاری و نوآوری بیشتر اجتناب‌ناپذیر است.
دلایل خوبی وجود دارد که چرا بیسبال چنین زمین آزمایشی ایده‌آلی برای تجزیه و تحلیل‌های مبتنی بر هوش مصنوعی است. اولاً، مانند اکثر ورزش‌ها، قوانین واضح، برندگان غیرقابل‌اعتراض و تعداد کمی از جان‌ها در خطر هستند اگر اوضاع اشتباه پیش برود. بیسبال همچنین دارای مزایای منحصربه‌فردی است. به قول نیکلاس کاپور در Teamworks، یک شرکت تجزیه و تحلیل ورزشی، "بیسبال مجموعه‌ای از مسابقات انفرادی است که به عنوان یک ورزش تیمی ظاهر می‌شود." مطالعه یک سری مسابقات مجزا بین توپ‌زن‌ها و پرتاب‌کننده‌ها بسیار ساده‌تر از مسئله چند بدنی یک درگیری راگبی یا یک حمله سریع در بسکتبال است.
بیسبال همچنین سرشار از داده است. علاوه بر یک قرن و نیم ضربه و دوش ثبت‌شده، تمام توپ‌های پرتاب‌شده در MLB به‌طور هم‌زمان توسط سه دوربین از سال 2006 فیلم‌برداری شدند. این داده‌ها اطلاعاتی در مورد نقطه مبدأ توپ، سرعت آن و میزان انحنا یا فرورفتگی آن و همچنین دقیقاً جایی که به پایان رسید، ارائه داد. اکنون، جایگزین جدیدتر مبتنی بر رادار آن، TrackMan، حتی قابل‌اعتمادتر است. علاوه بر این، تمام بازی‌های لیگ توسط چندین دوربین در هر استادیوم ضبط می‌شوند. سپس این فیلم‌ها توسط الگوریتم‌ها پردازش می‌شوند تا هر پرتاب و چرخش، همراه با حرکات مفصلی و بدنی هر بازیکن را ردیابی کنند.
نوآوری‌ها در مدل‌های هوش مصنوعی امکانات وسوسه‌انگیزی را برای نحوه استفاده از این داده‌ها ارائه می‌دهند. همان‌طور که یک مدل زبانی بزرگ (LLM) ساختار میلیون‌ها جمله موجود را تجزیه و تحلیل می‌کند تا جملات جدیدی را پیشنهاد کند، معادل بیسبال می‌تواند عملکرد آینده یک بازیکن یا تیم را پیش‌بینی کند و همچنین استراتژی‌های بازی را پیشنهاد دهد.
توپ‌های منحنی
تحلیل آماری پیش از این منجر به چنین تغییراتی شده است. در طول دو دهه گذشته، عددگذاری منجر به استفاده فزاینده از تغییرات دفاعی شده است—جایی که بازیکنان خط دفاع بر اساس نتیجه احتمالی چرخش توپ‌زن تغییر موقعیت می‌دهند—که رایج‌تر شده‌اند. (شدیدترین تغییرات دفاعی داخل زمین در سال 2023 به منظور هیجان‌انگیزتر کردن بازی‌ها ممنوع شدند.) مدل‌های یادگیری ماشینی که توسط برخی از تیم‌ها استفاده می‌شوند به مربیان کمک می‌کنند تا تجزیه و تحلیل‌های دقیق‌تری را بر اساس داده‌های توپ و تمایلات بازیکن انجام دهند و به آن‌ها اجازه می‌دهند بازیکنان خط دفاع را در موقعیت‌هایی قرار دهند که آمار نشان می‌دهد توپ‌زن حریف به احتمال زیاد توپ را به آنجا خواهد زد. در همین حال، تیم‌های دیگر از هوش مصنوعی برای توصیه پرتاب‌هایی استفاده می‌کنند که در برابر توپ‌زن‌های خاص مؤثرتر خواهند بود.
روش‌های مختلفی وجود دارد که مدل‌های هوش مصنوعی می‌توانند این کار را انجام دهند. یک نوع پرتاب‌ها را روی نموداری با محورهای مشخص خود ترسیم می‌کند، جایی که پرتاب‌هایی که شبیه به یکدیگر هستند در نزدیکی هم قرار می‌گیرند. برای مثال، دو فست‌بال به سمت راست بالای منطقه ضربه در این "فضای پرتاب" نزدیک به هم خواهند بود، در حالی که یک توپ منحنی به همان مکان در جای دیگری به پایان می‌رسد. این نوع عددگذاری به یک مدل توپ‌زن در مقابل پرتاب‌کننده اجازه می‌دهد تا حتی برای مسابقاتی که قبلاً ندیده است پیش‌بینی کند، به عنوان مثال، با نگاه کردن به اینکه یک توپ‌زن در برابر پرتاب‌کننده‌های مشابه چگونه عمل کرده است.
یک هدف آینده توسعه یک مدل هوش مصنوعی از هر پرتاب‌کننده معین است. سپس توپ‌زن‌ها می‌توانند از این مدل برای مطالعه باد کردن و حرکت پرتاب پرتاب‌کننده و پیش‌بینی مکان و نوع پرتاب بعدی استفاده کنند. آموزش چنین پرتاب‌کننده مجازی به ساعت‌ها فیلم‌برداری با سرعت بالا و همچنین داده‌هایی در مورد پرتاب‌های بعدی نیاز دارد. سپس از مدل به‌طور مکرر خواسته می‌شود تا همبستگی بین باد کردن و پرتاب را پیش‌بینی کند و به دنبال نشانه‌های متمایزی باشد که توپ‌زن‌ها می‌توانند هنگام مواجهه با واقعیت از آن‌ها استفاده کنند.
چنین ابزاری بسیار مورد تقاضا خواهد بود: در حال حاضر، تعدادی از پرتاب‌کننده‌ها به‌طور مداوم عملکرد بهتری نسبت به پیش‌بینی‌های مدل هوش مصنوعی دارند. این ممکن است به این دلیل باشد که مدل‌های فعلی، که عمدتاً از مسیرهای پرتاب استفاده می‌کنند، فاقد درک این هستند که توپ‌زن‌ها چگونه از نشانه‌های فیزیکی برای خواندن پرتاب‌کننده استفاده می‌کنند و چگونه پرتاب‌کننده‌ها از بدن خود برای فریب دادن توپ‌زن‌ها استفاده می‌کنند. گنجاندن حرکات پرتاب در این مدل‌ها ممکن است این مشکل را برطرف کند.
یک مدل مرتبط همچنین می‌تواند برای تجزیه و تحلیل بیومکانیک حرکت پرتاب استفاده شود تا احتمال آسیب‌دیدگی در چند ماه آینده و در طول یک حرفه را تعیین کند. اگر یک مدل هوش مصنوعی یک حرکت خطرناک را شناسایی کند، می‌توان آن را اصلاح کرد تا یا پرتاب‌کننده سالم بماند یا تیم را از هدر دادن پول برای فردی که مستعد آسیب‌دیدگی است، باز دارد.
از آنجایی که داده‌های ردیابی خفاش به‌طور گسترده‌تری در دسترس قرار می‌گیرند، هوش مصنوعی معادل توپ‌زن‌ها ممکن است به‌زودی برای ارائه بینشی در مورد چگونگی انجام شاهکار فوق بشری ضربه زدن به توپی که با سرعت بیش از 150 کیلومتر در ساعت از فاصله کمی بیش از 20 متری حرکت می‌کند، ارائه شود و به‌طور بالقوه به این مهارت اجازه می‌دهد تا کارآمدتر آموزش داده شود.
نکته کلیدی برای اقدام بر اساس چنین پیشنهادهایی، با این حال، توضیح‌پذیری است: آیا می‌توان به استدلال مدل اعتماد کرد—یا حتی آن را دنبال کرد؟ تیم‌ها در حال آزمایش تکنیک‌های توضیح‌پذیری هستند که امکان چنین بازجویی را فراهم می‌کنند. یک رویکرد از LLMها به عنوان یک رابط برای مدل فرافکنی استفاده می‌کند، به طوری که یک مربی می‌تواند مستقیماً سؤال بپرسد، بدون اینکه مجبور باشد کدنویسی را یاد بگیرد. برخی از تیم‌ها حتی از "نمایندگان فروش" داخلی استفاده می‌کنند که به عنوان واسطه بین تیم تجزیه و تحلیل و تیم داخل زمین عمل می‌کنند. وظیفه آن‌ها این است که بفهمند چگونه بینش‌ها را به گونه‌ای تفسیر و زمینه‌سازی کنند که برای بازیکنان و مربیان مفیدتر باشد.
دکتر کاپور می‌گوید که نحوه استفاده از مدل‌ها همیشه باید اجازه دهد برای تفاوت‌های ظریف یا سؤال، زیرا آن‌ها "می‌توانند چیزهایی را از دست بدهند و فرضیات می‌توانند اشتباه باشند". هزاران جزئیات غیرقابل پیش‌بینی می‌توانند از پیش‌بینی‌های مدل هوش مصنوعی فرار کنند—از حالت روحی مربی گرفته تا تغییر استراتژی در آخرین لحظه. حتی اگر چنین جزئیاتی یک روز قابل مدل‌سازی باشند، احتمال کمی وجود دارد که هوش مصنوعی سرگرمی را از بیسبال بگیرد. پاتریک لوسی در Stats Perform، یک شرکت تجزیه و تحلیل ورزشی، می‌گوید: "ما می‌دانیم که کامپیوترها در بازی شطرنج از انسان‌ها بهتر هستند، اما ما هنوز هم عاشق بازی شطرنج هستیم." ¦