Day 10 談到，下一代運動數據平台應該走向 Decision Support System（DSS）。但當 AI 開始進入這個流程後，我開始思考另一個問題：如果 AI 進入運動科學場域，它最適合扮演什麼角色？

與其憑空想像，不如先看看現在的運動科技公司，已經把 AI 做到什麼程度。Catapult Sports 是 NBA、NFL 球隊在用的運動員監控平台，Hudl、Nacsport 則是從校隊到職業球隊都在用的影片分析工具，就連奧運等級的賽事也開始導入類似的 AI 分析技術。這些工具已經悄悄在球場邊運作好幾年，讓我們一個一個來看，它們的 AI 現在能做到什麼，還缺了什麼，才能真正成為教練的第二雙眼睛。

現有運動科技已經解決資料問題，但下一步是決策支援

近年運動科技產業已經累積大量資料分析能力，許多產品已經從單純記錄數據，發展到協助球隊管理訓練、分析比賽與追蹤選手狀態。

Catapult Sports：身體數據的即時監控

Catapult Sports 是目前運動科學領域的重要平台之一，主要聚焦於 Athlete Monitoring（運動員監控）。它的核心硬體是一件貼身穿在選手肩胛骨之間的背心，裡面塞了 GPS、加速度計、陀螺儀等感測器，訓練或比賽全程每秒能捕捉超過上千個數據點：跑動總距離、衝刺距離、加速與減速的力量、身體負荷指數、代謝功率等等。

教練站在場邊，就能在平板或電腦的儀表板上即時看到每位選手當下的負荷曲線，畫面通常會依位置分組——例如足球的邊鋒和中後衛會各自跳出不同的關鍵指標卡片，方便教練依角色需求切換視角。

練完一整場訓練後，系統會自動產生報告，把當天所有選手的負荷數據排成一張總覽表，讓體能教練快速抓出誰的強度超標、誰可能需要調整隔天的菜單。多特蒙德、切爾西、阿賈克斯這類歐洲豪門球隊，都是用這種背心把每一次訓練的外部負荷完整記錄下來。

Catapult 其實已經導入不少 AI：機器學習模型會自動辨識跳躍、擒抱、投擲這類運動專項動作，每位選手每場比賽能生成約六百個獨立指標；也開始提供「自然語言影片搜尋」，讓使用者用一句話描述想找的畫面，而不用自己拉時間軸。2025 年 10 月，Catapult 更收購了德國的 AI 足球球探平台 IMPECT，明顯在往更完整的 AI 分析布局。

Hudl：戰術影片的標記與自動化

Hudl 主要聚焦在影片分析與戰術研究。教練把整場比賽影片上傳後，畫面右側會出現一整排可自訂的標籤按鈕，像「關鍵傳球」、「由守轉攻」、「壓迫觸發點」，分析師一邊看影片一邊點按鈕，系統就把對應的畫面片段剪出來、貼上標籤，同時把 xG（預期進球值）、傳球網絡這類統計數字，跟影片裡的實際畫面綁在一起。

教練事後不用重看整場比賽，只要在報表上點一下某個數字，畫面就直接跳到那個統計背後對應的所有片段。它也有一套自動化的球隊即時報表：篩選某一場或整個賽季的數據，點下總數就能叫出相關影片，方便教練賽前備戰或球員個人檢討。

除此之外，Hudl 還內建球隊訊息與 Playbook 工具，教練畫好的戰術板可以直接推播給球員在手機上預習。

Hudl 近年在 AI 上的動作也不小：排球產品線的 Hudl Assist Powered by Balltime AI，上傳影片後 AI 會自動辨識每一次觸球和結果，完全不用人工標記；美式足球產品線的 Hudl IQ，能自動辨識每個陣型、路線、防守佈局，等於把原本要人工圈選的戰術標籤自動化；足球產品線也在測試 AI Insights，直接生成整場比賽的表現摘要並連結對應影片。

Nacsport：客製化標記與問答式 AI

Nacsport 也是許多運動團隊使用的影片分析工具，跟 Hudl 走的是類似的路線，但操作邏輯更偏向讓分析師自己動手搭建。畫面核心是一片「按鈕面板」：分析師可以自訂幾十顆按鈕，分成「事件類別」（例如進攻、防守轉換、定位球）和「描述標籤」（例如高強度壓迫、傳中、射門結果）兩種類型。

看比賽的當下，分析師手指在面板上點按，每點一次，系統就在影片時間軸上打一個標記，同步生成一段對應的短片段。比賽結束時，所有標記過的片段會自動依照事件類別分組、也能依時間排列在一條時間軸上，教練不用重看整場影片，只要點某個分類，就能連續播放這個賽季所有「高強度壓迫後丟球」的片段。

它還有一個叫 Panel Flows 的設計，可以把過於龐大的按鈕面板拆成好幾層、依序彈出的子面板，分析師點完一個按鈕，畫面自動跳出下一組相關按鈕，避免整個螢幕塞滿密密麻麻的選項；也支援用平板在場邊即時打標籤，不用等賽後才慢慢剪。

Nacsport 在 2025 年推出的 Nacsport AI，是三者之中最接近「問答式」AI 的功能：它把 LLM 直接接到分析師自己標記的資料上，使用者可以直接輸入類似「幫我分析這場比賽的防守弱點」這樣的提示詞，AI 會回傳文字報告、標出對應的影片片段，甚至能針對「這個標籤面板該怎麼設計得更完整」給建議。

三個工具的共同侷限：AI 被鎖在單一資料源裡

這三個工具其實都已經有 AI，只是 AI 運作的範圍，仍然被鎖在各自的資料源裡面。Catapult 的 AI 只看得懂感測器資料，Hudl 和 Nacsport 的 AI 只看得懂各自的影片與標籤資料，沒有一個 AI 能同時理解「這位選手最近的負荷曲線」和「這場比賽他被對手針對性壓迫的片段」之間可能有什麼關聯。教練如果想知道某位選手狀態下降，是不是因為某場比賽的高強度對抗造成的，還是得自己在 Catapult 的儀表板和 Hudl 的影片庫之間切換、對照，AI 在這一步幫不上忙。換句話說，這些工具已經跨過「有沒有 AI」這一關，但還沒跨過「AI 能不能跨資料源建立脈絡」這一關——而這正是 DSS 真正要解決的問題。

這些工具已經解決了「如何取得更多資料」的問題，甚至也開始用 AI 幫忙處理各自資料源內部的問題。CHI '24〈Grand Challenges in SportsHCI〉這篇論文剛好也點出類似的現況：目前多數 SportsHCI 系統確實擅長把感測數據轉成儀表板或事後檢索介面，供教練與選手回顧，但論文特別強調，這些系統多半仍停留在受控環境或短期實驗中被驗證，真正被推到複雜、動態的真實賽場後，能不能持續穩定運作，其實還缺乏足夠的長期驗證研究。這也呼應了 Catapult、Hudl、Nacsport 目前的定位：它們各自的 AI 已經能回答「這個資料源內部發生了什麼」，但資料源與資料源之間，如何在真實比賽節奏中被即時串連、消化，仍是一塊尚待補上的拼圖。

隨著資料量持續增加，下一個挑戰也逐漸浮現：「如何從跨資料源的大量資料中，在正確時間找到真正重要的訊號？」這正是 DSS 可以發揮價值的地方。目前多數運動科技產品的 AI，仍然侷限在單一資料源內部的問答，未來更成熟的方向，可能是讓 AI 跨出各自的資料孤島，開始協助專業者理解不同資料源之間的關聯。

從單一資料源問答，到跨資料源的 AI 協作系統

傳統分析系統通常是使用者在單一資料源裡提出問題，自己搜尋資料，再比較不同指標，最後形成判斷；就算加上 AI，也大多是加在同一個資料源內部，像 Nacsport AI 那樣回答「這場比賽發生了什麼」。真正的 AI 協作系統，應該要能跨出單一資料源：AI 主動整理跨資料源的重要變化，提出可能原因，連結歷史案例，協助專業者形成更完整的判斷。最大的差異在於，系統開始參與思考流程，但參與思考不代表取代思考。如果未來有一個運動 AI 助理，我認為它更像是一位分析助理，協助完成三件事情。

第一，是 Pattern Detection（模式發現）。AI 可以持續分析長期資料，找出人類容易忽略的變化模式。〈Grand Challenges in SportsHCI〉在談運動表現的長期性質時特別指出，技能習得與身體隨時間變化都是長期過程，但目前 SportsHCI 領域很少投入長期追蹤研究，這正好是 AI 擅長補位的地方：某位選手過去幾次狀態下降前，都曾出現類似恢復指標變化，這類模式需要長時間觀察，AI 可以協助提前發現。

第二，是 Context Retrieval（脈絡搜尋）。專業判斷高度依賴過去經驗，但人的記憶有限。AI 可以快速整理過去類似案例、恢復策略與訓練週期，讓專業者不用從零開始搜尋。

第三，是 Decision Preparation（決策準備）。AI 不直接決定今天是否訓練、是否調整策略、是否停止比賽，它整理目前觀察、可能風險與相關因素，讓教練更快形成完整判斷。這也回應論文在討論即時身體表現分析系統時提出的挑戰：系統該在什麼時機、用什麼內容、以什麼模態把回饋交給教練，這件事本身需要被謹慎設計，不能理所當然地隨時推播。

例如系統發現某位選手近期出現高強度訓練增加、睡眠品質下降、恢復指標降低、主觀疲勞提升，AI 不應該直接下結論：「這位選手即將受傷。」更適合的方式是：「過去類似狀態曾出現在疲勞累積階段，目前建議關注恢復狀態與訓練安排。」AI 提供的是可能性、相關案例與需要注意的訊號，最終的判斷仍然留給專業者。

AI 最終放大的，是人的專業能力

回頭看運動數據平台的設計，我認為 AI 最有價值的地方，是讓專業者能把有限的注意力放在真正重要的判斷上。因為在運動科學、醫療照護、災害應變等高風險場域，真正困難的，是在資訊不完整、不確定環境下，做出最好的決策。

AI 可以成為第二雙眼睛。但第一個做決定的，仍然是理解情境、承擔責任的人。

下一篇 Day 12，我會回到〈Grand Challenges in SportsHCI〉這篇論文，完整梳理它提出的五大主題、十六項挑戰，整理這一路從資料平台、Decision Support System 到 AI 協作的演進，探討運動科學在 AI 時代可能迎來的下一個十年。

參考文獻：Elvitigala, D. S., et al. (2024). Grand Challenges in SportsHCI. In Proceedings of the CHI Conference on Human Factors in Computing Systems (CHI '24). ACM.