路來冰

(河南工學(xué)院 體育部，河南 新鄉(xiāng) 453003)

人工智能(Artificial Intelligence，AI)是一門在計算機(jī)科學(xué)、控制論、信息論、系統(tǒng)科學(xué)、哲學(xué)等多種學(xué)科基礎(chǔ)上發(fā)展起來的，能夠模擬、延伸、擴(kuò)展人類智能的學(xué)科[1]。1956年是人工智能元年，在著名的達(dá)特茅斯會議上，信息時代的偉大先知香農(nóng)見證了“人工智能”學(xué)科的誕生[2]。人工智能源于模仿人類的行為和能力，如思考和學(xué)習(xí)。它涉及所謂的“智能代理”，即機(jī)器同樣能夠獲得、模擬和利用知識，并具備分析能力和專業(yè)技能來解決實際問題[3]。人工智能以軟硬件為基礎(chǔ)，是計算機(jī)科學(xué)中的一個分支，同時自身主要有三大分支即認(rèn)知AI(Cognitive AI)、機(jī)器學(xué)習(xí)AI(Machine Learn AI)和深度學(xué)習(xí)(Deep Learning)。

人工智能是人類進(jìn)入信息產(chǎn)業(yè)革命時代達(dá)到的認(rèn)識和改造客觀世界能力的高峰。隨著科技的發(fā)展，在國際體育領(lǐng)域的訓(xùn)練手段中越來越多地運用了人工智能的輔助手段，如基于人工神經(jīng)網(wǎng)絡(luò)的計算機(jī)視覺識別的單一目標(biāo)跟蹤分析和集體運動項目技戰(zhàn)術(shù)分析系統(tǒng)、技術(shù)動作評測和基于深度學(xué)習(xí)的智能訓(xùn)練反饋系統(tǒng)、運動營養(yǎng)配比和身體疾病識別分析系統(tǒng)、體育賽事成績預(yù)測系統(tǒng)、運動智能穿戴設(shè)備等方面。我國體育領(lǐng)域?qū)τ谌斯ぶ悄艿难芯科鸩捷^晚，多集中在計算機(jī)視覺識別的單一目標(biāo)跟蹤分析、體育賽事成績預(yù)測和運動智能穿戴設(shè)備領(lǐng)域，且研究不夠精細(xì)化與系統(tǒng)化。因此分析國際體育界對于人工智能的研究情況，可以進(jìn)一步完善國內(nèi)相關(guān)學(xué)者的研究框架，豐富研究視角，取長補短，使自身研究層次更加豐富、方法更加科學(xué)、視野更加開闊。同時抓住時代契機(jī)，加快人工智能體育研究與運用，早日實現(xiàn)我國由體育大國邁進(jìn)體育強(qiáng)國的目標(biāo)。

1 數(shù)據(jù)來源與研究方法

本研究以Web of Science數(shù)據(jù)庫平臺核心集的SCIE、SSCI和A﹠HCI為來源數(shù)據(jù)庫進(jìn)行檢索。本文重點探討人工智能在廣義上的具有一定規(guī)則的體育運動中的發(fā)展與應(yīng)用情況，檢索主題詞為“artificial intelligence sports”or“machine intelligence sports”or“computer vision intelligence sports”or“neural networks sports”，文獻(xiàn)格式為Article，檢索范圍為1995—2019年(因國際體育人工智能研究文獻(xiàn)在SCIE、SSCI和A&HCI中最早出現(xiàn)于1995年)，共檢索到初始文獻(xiàn)325篇。利用Cite Space V軟件(版本號為5.3.R4 32bit)繪制知識圖譜，分析不同特征和類型的引文網(wǎng)絡(luò)，識別和呈現(xiàn)該領(lǐng)域的發(fā)展新趨勢和新動態(tài)[4]。

2 體育人工智能研究的國家與學(xué)科分布

2.1 體育人工智能研究的國家(地區(qū))分布

圖1為體育人工智能研究的國家(地區(qū))分布圖。圓圈半徑的大小、節(jié)點連接線條的粗細(xì)與發(fā)文量和聯(lián)系緊密程度成正比。同時圓圈外層的紫色圓環(huán)寬度越寬，其中心性越大[5]。從圖1可以看出，325篇文獻(xiàn)共來自28個國家(地區(qū))，但不同國家(地區(qū))的發(fā)文量卻差距很大。美國以60篇排名第一，占總發(fā)文量的18%，中國和德國分別排在第二和第三位，發(fā)文量依次為47篇和28篇，英國(23篇)、韓國(14篇)、西班牙(12篇)和意大利(10篇)緊隨其后。由此看出，在體育人工智能研究領(lǐng)域，美國仍是發(fā)文量最多的國家，中國有迎頭趕上的態(tài)勢，而其余國家則主要集中在歐洲和亞洲地區(qū)。從文章的中心性來看，美國仍以0.50位居第一，隨后依次為中國(0.43)、英國(0.38)、德國(0.31)、意大利(0.13)、澳大利亞(0.13)、荷蘭(0.13)?？傮w來看，中心性與發(fā)文量排序基本一致，也說明發(fā)文量較多的國家文章質(zhì)量較高，值得注意的是，澳大利亞與荷蘭雖然發(fā)文量不多但研究質(zhì)量卻位居前列，這與其發(fā)達(dá)的經(jīng)濟(jì)與技術(shù)有很大關(guān)聯(lián)。我國在研究成果發(fā)文量和中心性均排在全球第二，這與我國社會發(fā)展、綜合國力提升密不可分。科技助力近年來一直是我國體育領(lǐng)域發(fā)展和研究的重點，加強(qiáng)與國外學(xué)者的學(xué)術(shù)交流，進(jìn)一步提升我國學(xué)者的多學(xué)科研究視野，是我國體育人工智能研究發(fā)展的有效途徑。

圖1 體育人工智能研究的國家(地區(qū))分布圖

2.2 體育人工智能研究的學(xué)科分布

人工智能涉及的學(xué)科非常廣泛，如哲學(xué)、認(rèn)知科學(xué)、數(shù)學(xué)、神經(jīng)學(xué)、生理學(xué)、心理學(xué)、計算機(jī)科學(xué)、信息論、控制論等，對體育人工智能進(jìn)行綜合研究已經(jīng)成為趨勢。設(shè)定Cite Space V的分析參數(shù)，時間分割為1995—2019年，每2年一切片，節(jié)點類型為Category，設(shè)置條件為“Top N 50 per slice”，析出學(xué)科分布與各學(xué)科中心性情況(圖2)。排在第1位的是工程學(xué)(0.98)，其后第2—10位依次是體育科學(xué)(0.54)、計算機(jī)科學(xué)(0.18)、儀器儀表學(xué)(0.17)、應(yīng)用物理學(xué)(0.17)、物理學(xué)(0.17)、電子工程學(xué)(0.15)、心理學(xué)(0.14)、科學(xué)與技術(shù)(其他領(lǐng)域)(0.09)、神經(jīng)科學(xué)(0.05)。可以看出，不同學(xué)科之間的交叉互補為體育人工智能的研究提供了堅實的理論基礎(chǔ)，大大豐富了其研究方法，使研究成果具有更強(qiáng)的理論和實踐意義。

圖2 體育人工智能研究主要學(xué)科共現(xiàn)網(wǎng)絡(luò)圖譜

3 體育人工智能研究的熱點分析

關(guān)鍵詞或主題詞是文章精華的提煉，其出現(xiàn)的頻次與研究主題的熱度成正比[6]。Cite Space V可以將關(guān)鍵詞或主題詞的聚類關(guān)系和頻次高低以可視化的形式直觀地表現(xiàn)出來，進(jìn)而析出此研究領(lǐng)域的熱點問題[7]。

3.1 體育人工智能研究的高頻關(guān)鍵詞與熱點聚類

將325篇文獻(xiàn)的全部信息導(dǎo)入Cite Space V進(jìn)行統(tǒng)計分析，最終將數(shù)據(jù)的統(tǒng)計結(jié)果制作為可視化圖譜。時區(qū)分割選擇1995—2019年，單個時間分區(qū)的長度設(shè)為2年。設(shè)置主題詞來源為標(biāo)題、摘要和關(guān)鍵詞；閾值為“Top N per slice”，節(jié)點類型選擇關(guān)鍵詞，算法選擇關(guān)鍵路徑計算法，最終析出了由117個節(jié)點和223條連線組成的體育人工智能研究熱點知識圖譜(圖3)。

圖3 體育人工智能研究熱點圖

進(jìn)一步合并匯總，整理出部分高頻和高中心性關(guān)鍵詞表(表1)。在圖譜中，某節(jié)點和標(biāo)注詞字號越大，即在體育人工智能研究領(lǐng)域中此關(guān)鍵詞出現(xiàn)得越頻繁。而節(jié)點之間的連線越粗，表明關(guān)鍵詞的聯(lián)系越緊密，同時連線顏色的差異對應(yīng)的是關(guān)鍵詞第一次共現(xiàn)的時間[8]，如從關(guān)鍵詞FRMI(功能性磁共振成像)、Machine Learning(機(jī)器學(xué)習(xí))、Convolutional Neural Network(卷積神經(jīng)網(wǎng)絡(luò))的連線可以看出這些研究方向是體育人工智能的新興領(lǐng)域。同時，從表1可以看出，高頻關(guān)鍵詞排在前列的為Neural Network(神經(jīng)網(wǎng)絡(luò))、Artificial Neural Network(人工神經(jīng)網(wǎng)絡(luò))、Performance(表現(xiàn))、System(系統(tǒng))等，表明體育運動中人工網(wǎng)絡(luò)系統(tǒng)的應(yīng)用是目前體育人工智能領(lǐng)域研究的熱點話題，尤其是運動的表現(xiàn)反饋和預(yù)測。中心性值排名靠前的關(guān)鍵詞Exercise(活動)、Machine Learning(機(jī)器學(xué)習(xí))、Network(網(wǎng)絡(luò))、FRMI(功能性磁共振成像)則進(jìn)一步反映了目前體育人工智能的研究仍是建立在計算機(jī)科學(xué)、工程學(xué)、生物力學(xué)等學(xué)科基礎(chǔ)上的，說明與其他學(xué)科融合發(fā)展是體育人工智能研究和發(fā)展的方向。

表1 體育人工智能高頻及高中心性關(guān)鍵詞一覽表(前15位)

3.2 體育人工智能研究熱點時區(qū)分析

為了更加清晰地梳理國際體育人工智能研究熱點的發(fā)展脈絡(luò)，以關(guān)鍵詞和主題詞作為網(wǎng)絡(luò)節(jié)點，以“Time Zone”作為可視化制圖結(jié)果，得到1995年以來體育人工智能研究熱點變化的時區(qū)圖(圖4)?？芍?，國際體育人工智能研究的熱點已由發(fā)展初期的Neural Network(神經(jīng)網(wǎng)絡(luò))、Artificial Intelligence(人工智能)向Convolutional Neural Network(卷積神經(jīng)網(wǎng)絡(luò))、Deep Learning(深度學(xué)習(xí))等過渡，學(xué)科深度不斷加強(qiáng)，應(yīng)用效果不斷完善。

圖4 體育人工智能研究熱點時區(qū)圖

4 體育人工智能研究演化分析

算法選擇“Pathfinder”(關(guān)鍵路徑計算法)并進(jìn)行聚類，同時以LSI(潛語義索引算法)對施引文獻(xiàn)的標(biāo)題提取聚類命名，得到文獻(xiàn)共被引網(wǎng)絡(luò)圖譜(圖5)。高中心性節(jié)點文獻(xiàn)是體育人工智能研究的樞紐和橋梁，具有重要的地位[9]。其中Mean Silhouette=0.399 1，其值在-1～1之間且較為接近1，說明次聚類主題明晰，文章內(nèi)容聯(lián)系緊密，聚類結(jié)果合理。依據(jù)圖5中的聚類特征，結(jié)合聚類標(biāo)題的研究方向，本研究將體育人工智能領(lǐng)域92個聚類中的主要聚類#0、#5、#8作為知識群G1，#10作為知識群G2，#9作為知識群G3。對每個知識群中的代表文獻(xiàn)信息進(jìn)行梳理闡述，以更加客觀地反映出國際體育人工智能領(lǐng)域的演化進(jìn)程。

圖5 本研究文獻(xiàn)共引網(wǎng)絡(luò)圖譜

4.1 知識群G1：基于計算機(jī)視覺技術(shù)的神經(jīng)網(wǎng)絡(luò)分析和預(yù)測研究

從共引網(wǎng)絡(luò)圖譜可以看出，近25年間，利用神經(jīng)網(wǎng)絡(luò)對運動錄像的技術(shù)分析和預(yù)測是目前國際體育人工智能研究的主要方向。神經(jīng)網(wǎng)絡(luò)分為生物神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)，前者一般指生物的大腦神經(jīng)元、細(xì)胞和觸點等組成的網(wǎng)絡(luò)，而人工神經(jīng)網(wǎng)絡(luò)是從信息處理角度對人腦神經(jīng)元網(wǎng)絡(luò)進(jìn)行抽象處理，建立某種簡單模型，按不同的連接方式組成不同的網(wǎng)絡(luò)。計算機(jī)視覺技術(shù)是用攝影機(jī)和電腦代替人眼對目標(biāo)進(jìn)行識別、跟蹤和測量，并進(jìn)一步進(jìn)行圖形處理，能夠在訓(xùn)練輔助反饋中發(fā)揮重要作用。在體育運動的技戰(zhàn)術(shù)分析和成績預(yù)測中，研究者可以在計算機(jī)視覺技術(shù)基礎(chǔ)上建立人工神經(jīng)網(wǎng)絡(luò)分析模型進(jìn)行智能化和自動化分析。例如，Iyer等[10]通過搜集1985—2006年英國板球運動員的比賽錄像數(shù)據(jù)建立神經(jīng)網(wǎng)絡(luò)預(yù)測模型，并對參加2007年板球世界杯的運動員的賽前表現(xiàn)進(jìn)行了分析預(yù)測，最終與世界杯上球員實際表現(xiàn)基本吻合，證明神經(jīng)網(wǎng)絡(luò)確實可以為隊員選擇提供有價值的決策支持。Boris[11]結(jié)合高爾夫運動的特點建立科學(xué)的人工神經(jīng)網(wǎng)絡(luò)模型，使球體撞擊時球面路徑的預(yù)測結(jié)果達(dá)到了87%的準(zhǔn)確率，同時還建立了基于多個參與者的高爾夫球數(shù)據(jù)集的推理模型。在對團(tuán)體運動的戰(zhàn)術(shù)分析研究中，德國科隆體育大學(xué)教授Memmert等[12]運用一種升級版人工神經(jīng)網(wǎng)絡(luò)的拱形結(jié)構(gòu)對一場足球比賽中22名球員的大約13 5000個數(shù)據(jù)集進(jìn)行收集和分析，尋找出了針對不同場上情況的高效戰(zhàn)術(shù)模式。Hassan等[13]通過運用人工神經(jīng)網(wǎng)絡(luò)模型對歐洲U18手球錦標(biāo)賽中723個動作進(jìn)行注釋分析，實現(xiàn)了對球員跑動位置數(shù)據(jù)的準(zhǔn)確預(yù)測。Matthias等[14]通過在前期比賽中運用智能視頻跟蹤系統(tǒng)記錄10名籃球運動員的比賽數(shù)據(jù)，并利用動態(tài)可控神經(jīng)網(wǎng)絡(luò)進(jìn)行分類和評價，通過分析上半場賽況，計算出了下半場最合理的技戰(zhàn)術(shù)方案。

卷積神經(jīng)網(wǎng)絡(luò)被稱為“平移不變的人工神經(jīng)網(wǎng)絡(luò)”，其具有表征學(xué)習(xí)能力，能夠按其階層結(jié)構(gòu)對輸入信息進(jìn)行平移不變分類，是一類包含卷積計算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，是深度學(xué)習(xí)的代表算法之一(圖6)[15]。體育比賽中的運動員視頻跟蹤需要計算機(jī)視覺技術(shù)作為基礎(chǔ)，因此卷積神經(jīng)網(wǎng)絡(luò)作為一種強(qiáng)有力的圖像識別模型在體育比賽分析中的應(yīng)用也越來越廣泛。例如Jian等[16]運用卷積神經(jīng)網(wǎng)絡(luò)模型，提取出了訓(xùn)練視頻中的深層關(guān)鍵幀，進(jìn)而對職業(yè)舉重運動員訓(xùn)練中的競技姿態(tài)進(jìn)行監(jiān)督和分析，有針對性地完善技術(shù)動作，提高了訓(xùn)練效率使訓(xùn)練更加科學(xué)。Minhas等[17]提出了一種基于AlexNet卷積神經(jīng)網(wǎng)絡(luò)的運動視頻鏡頭分類方法，對體育視頻中運動員技術(shù)分析的準(zhǔn)確度達(dá)到了94.07%，并已運用在板球和足球的視頻分析領(lǐng)域。

圖6 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)[15]

4.2 知識群G2：基于計算機(jī)深度學(xué)習(xí)的人工智能訓(xùn)練反饋系統(tǒng)研究

圍繞生理機(jī)能指標(biāo)、技術(shù)動作指標(biāo)的智能訓(xùn)練反饋研究是目前人工智能訓(xùn)練反饋系統(tǒng)研究的重點方向。在生理機(jī)能指標(biāo)反饋研究方面，Cooper[18]通過采集輪椅競速運動員在一個賽季中的心率數(shù)據(jù)，分析了有氧訓(xùn)練、力量訓(xùn)練與運動表現(xiàn)之間的關(guān)系。Novatchkov[19]提出了一種模式識別技術(shù)，在力量訓(xùn)練器械中加裝旋轉(zhuǎn)編碼器，用于評估運動員在器械練習(xí)過程中的肌肉力量和動作位移的機(jī)體適應(yīng)情況，使專業(yè)教練能更準(zhǔn)確地分析運動員成績，優(yōu)化整體訓(xùn)練效果。近年來，運動場上的猝死案例持續(xù)增加，Chang[20]認(rèn)為傳統(tǒng)的ECG心電圖檢測對于運動員心臟功能的檢查存在漏洞，運用人工智能的深度學(xué)習(xí)能力并結(jié)合人工神經(jīng)網(wǎng)絡(luò)的分析能力可以提高對運動員心臟功能檢查的針對性、準(zhǔn)確性。在技術(shù)動作的反饋方面，Baca等[21]通過運用計算機(jī)視頻分析射擊運動員在架槍到發(fā)槍過程中槍頭的晃動軌跡并建立分析模型，得出了頂級運動員與一般運動員的模型差異，有助于科學(xué)制定訓(xùn)練計劃提高競賽成績(圖7)。Baca[22]還介紹了一種具有內(nèi)置無線功能的教練終端反饋系統(tǒng)，通過劃艇上的傳感器獲取運動員心率、槳頻、觸水角度和劃槳推力等數(shù)據(jù)，給教練的決策提供實時反饋。Novatchkov等[19,23]運用人工神經(jīng)網(wǎng)絡(luò)等智能建模方法，將旋轉(zhuǎn)編碼器安裝在負(fù)重訓(xùn)練器械上，可以使運動員在進(jìn)行力量訓(xùn)練時對自身運動技術(shù)進(jìn)行自動評估，并提供科學(xué)有效的反饋。Najafi等[24]通過在高爾夫運動員身上布置陀螺儀，并建立雙連桿訓(xùn)練反饋模型對運動員揮桿過程中的身體重心軌跡進(jìn)行分析，結(jié)論顯示其相較于傳統(tǒng)的基于攝像機(jī)技術(shù)的運動分析，能夠提供更多的3D分析視角，對身體重心和揮桿質(zhì)量的評估更準(zhǔn)確。除此之外，人工智能訓(xùn)練反饋模型在網(wǎng)球[25]、人體步態(tài)[26]等領(lǐng)域訓(xùn)練和矯正方面也有良好的應(yīng)用效果。

圖7 5種射擊穩(wěn)定性分析模型示意圖[21]

4.3 知識群G3：高效智能穿戴設(shè)備應(yīng)用研究

傳統(tǒng)的智能穿戴設(shè)備如簡單的運動手環(huán)已經(jīng)普及開來，可針對運動訓(xùn)練監(jiān)測要求不高的群體進(jìn)行可視化實時反饋，但其只能呈現(xiàn)出模糊運動強(qiáng)度和運動量情況，無法呈現(xiàn)出詳細(xì)的生理生化指標(biāo)以及反饋運動中的不合理的技術(shù)動作。隨著科學(xué)技術(shù)的發(fā)展，智能穿戴設(shè)備的設(shè)計材料更加先進(jìn)，生理生化分析功能更加全面、靈敏和準(zhǔn)確，同時也可以實時反饋運動的肢體活動情況，有助于規(guī)范運動中的技術(shù)動作。Cai等[27]研發(fā)出一種厚度為微米的、靈敏度和延展性極高、探測極限低、可伸縮和可調(diào)諧范圍的應(yīng)變傳感器。這些特性使其能夠探測到人體在行走、跑步和跳躍中大規(guī)模肌肉運動的傳感信號，對運動中肌肉工作情況進(jìn)行實時反饋以及對運動健康情況進(jìn)行跟蹤分析和評估(圖8)。NBA金州勇士隊在訓(xùn)練中，球員會穿戴 Catapult Sports 的監(jiān)控器記錄追蹤加速度、變向、心率等指標(biāo)，并使用Omegawave設(shè)備監(jiān)控神經(jīng)緊張度[28]。在對技術(shù)動作的改進(jìn)方面，Buttussi等[29]設(shè)計出一種名為Mopet的戶外健身穿戴系統(tǒng)，它通過在戶外環(huán)境中交替進(jìn)行慢跑和健身運動來監(jiān)督身體健康活動，通過引導(dǎo)式自動測試建立一種定期更新的用戶鍛煉模型，培養(yǎng)用戶的自覺鍛煉意識，并可以提供三維動畫演示指導(dǎo)用戶如何正確的練習(xí)。MySwing Professional是一種高爾夫球員輔助訓(xùn)練裝備，能借助穿戴在球員身上的多個微型運動傳感器對球員揮桿時的身體動作進(jìn)行分析，使肉眼難以觀察到的技術(shù)細(xì)節(jié)更加直觀地呈現(xiàn)出來[30]。

除了上述三種知識群的研究領(lǐng)域外，國際體育人工智能研究還涉及體育場館高效疏散[31]、運動營養(yǎng)的智能配比[32]、新聞媒體的智能化變革[33]等方向。

圖8 膝部傳感器對下肢運動阻力的實時監(jiān)測[27]

5 結(jié)論與展望

(1)國際體育人工智能研究的成果在近5年呈快速增長的態(tài)勢，研究的國家較為分散，其中美國、中國和德國在研究成果進(jìn)展上較為領(lǐng)先。

(2)國際體育人工智能研究涉及的學(xué)科非常廣泛，包括工程學(xué)、體育學(xué)、計算機(jī)科學(xué)、儀器儀表學(xué)、物理學(xué)等，不同學(xué)科和專業(yè)的知識提供了研究體育人工智能的理論與方法基礎(chǔ)，可以預(yù)料對體育人工智能進(jìn)行綜合研究已經(jīng)成為該領(lǐng)域研究的發(fā)展趨勢。

(3)國際體育人工智能的研究熱點已由早期的神經(jīng)網(wǎng)絡(luò)、人工智能向卷積神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)等領(lǐng)域過渡。在體育運動訓(xùn)練領(lǐng)域逐漸形成基于計算機(jī)視覺技術(shù)的神經(jīng)網(wǎng)絡(luò)分析和預(yù)測的研究、基于計算機(jī)深度學(xué)習(xí)的人工智能訓(xùn)練反饋模型研究和智能穿戴設(shè)備應(yīng)用研究的主要研究方向。目前國際體育人工智能的研究尚處于起步階段，研究學(xué)科多為理工類學(xué)科，如何結(jié)合體育學(xué)領(lǐng)域，如利用體育心理學(xué)、體育社會學(xué)和體育哲學(xué)等研究視角和方法對人工智能進(jìn)一步解讀是體育學(xué)者可以思考的問題。

(4)我國非常重視人工智能的發(fā)展，習(xí)近平總書記在2019年的國際人工智能與教育大會中指出：“把握全球人工智能發(fā)展態(tài)勢，找準(zhǔn)突破口和主攻方向，培養(yǎng)大批具有創(chuàng)新能力和合作精神的人工智能高端人才，是教育的重要使命?！币虼?，結(jié)合我國體育教育和訓(xùn)練領(lǐng)域的發(fā)展現(xiàn)狀，使之與迅猛發(fā)展的人工智能領(lǐng)域相融合，并實際有效地運用到競技體育、學(xué)校體育以及民族傳統(tǒng)體育的保護(hù)與發(fā)展中去，是我國每個體育人值得關(guān)注的問題。