摘要

本综述探讨了人工智能（AI）在体育运动中带来的变革性影响，涵盖了其在生物力学、成绩提升、运动医学、健康监测、教练指导和人才识别等关键领域的应用、挑战及未来发展方向。人工智能有潜力帮助运动员优化动作、实现个性化训练、改进诊断并加速康复进程。然而，将人工智能整合到体育运动中仍面临诸多挑战，尤其是在数据隐私、伦理问题以及体育组织内部的技术采纳等方面。本综述还针对这些问题进行了探讨，强调了负责任的数据治理和透明度策略的重要性。此外，综述对人工智能在体育运动中的前景趋势进行了展望，这些趋势表明其将对全球体育运动的实践和管理方式产生深远影响，引领体育运动迈向成绩提升、健康改善和更具包容性的时代。

关键词：机器学习；生物力学；成绩提升；运动医学与健康；人才识别；数据与伦理考量

引言

体育运动已发展成为一个数据丰富的领域，技术与运动表现、健康及策略实现了无缝融合（Hutchins，2016）。这一转变深深植根于利用数据和证据来提升运动成果的长期传统（Vincent 等人，2009）。从早期手动记录运动表现指标，到采用可穿戴传感器（Yang，2024）和视频分析（Rangasamy 等人，2020），体育界一直积极拥抱能够提供可行见解的工具。

随着可用数据的数量和复杂性不断增加，传统的分析方法已逐渐达到其极限（Donoho，2000）。处理海量数据集、发现细微模式以及进行实时决策的需求，为先进技术的整合铺平了道路（Malekloo 等人，2022）。人工智能凭借其从数据中学习、识别复杂模式以及预测结果的能力（Jiang 等人，2017），成为了这一发展进程的自然延伸。基于数据、证据和分析的基础，人工智能正在为运动员表现、训练优化、 injury prevention（伤病预防）和个性化教练指导创造新的机遇（Guelmami 等人，2023；Pickering & Kiely，2019）。

在本综述中，体育运动中的人工智能指的是先进计算系统和算法的应用，这些系统和算法旨在处理、分析海量复杂数据集并采取行动，其范围不仅包括算法，还涵盖了传感器和执行器的集成。传感器用于捕获实时生理和生物力学数据，执行器则将人工智能驱动的见解转化为物理响应或动作。例如，机器学习算法在预测 injury risks（ injury 风险）（Owen 等人，2024）、对 performance metrics（运动表现指标）进行建模（Bunker & Susnjak，2022；Cust 等人，2019）以及识别人才（Musa 等人，2020；Reyaz 等人，2022）方面发挥着核心作用，为运动员和教练提供了数据驱动的决策支持。深度学习模型在运动医学领域尤其有价值（H. Ma & Pang，2019；Ramkumar 等人，2022），可协助进行诊断（Wu 等人，2022）并支持个性化治疗计划的制定（Parker & Forster，2019）。集成学习通过整合多个模型，提高了健康监测中的诊断准确性并强化了建议（Ali 等人，2020）。自然语言处理（NLP）作为人工智能的一个领域，专注于使机器能够理解和响应人类语言，它通过基于人工智能的聊天机器人提供实时反馈，改善了运动员与教练之间的沟通，从而进一步辅助教练指导工作（Boughattas 等人，2022）。计算机视觉技术通过捕获和分析动作，为运动员的生物力学提供了见解（Colyer 等人，2018），有助于对技术动作和 injury risks（ injury 风险）进行详细评估。预测分析为战略决策提供了依据（Watanabe 等人，2021），可生成关于运动员表现和比赛动态的实时见解。增强现实（AR）（Lee 等人，2023）和虚拟现实（VR）（Witte 等人，2022）为训练和康复创造了沉浸式环境，有助于技能提升和有效恢复（Patil 等人，2022）。这些组件共同构成了一个复杂的生态系统，在这个系统中，人工智能不仅是一种计算工具，更是体育运动中实现精准化和个性化的关键推动因素。

尽管人工智能在体育运动中具有潜在的诸多益处，但仍存在显著的挑战和差距。关键问题包括围绕数据隐私的伦理考量（Trail 等人，2024）以及人工智能算法中可能存在的偏差，这些偏差可能导致歧视或不公平的优势（Najjar，2023；Yan，2022）。随着体育组织努力应对采用新人工智能技术的成本和复杂性，技术整合方面的挑战也随之产生，这对传统方法造成了冲击（Zhang 等人，2023）。此外，人工智能在现实体育场景中的表现差异引发了人们对这些技术的可靠性和稳健性的质疑（Araújo 等人，2021）。

本综述探讨了人工智能在体育运动中多个关键领域的应用，包括生物力学、成绩提升、运动医学、健康监测以及教练指导和人才识别。这些领域代表了人工智能最具影响力和发展前景的一些应用方向，在推动体育科学与实践发展方面具有巨大潜力。它们与当前的研究趋势和行业重点紧密结合，无论是在学术探索还是实际应用中都具有高度的相关性。同时，本综述也探讨了关键挑战，如伦理和隐私问题、数据治理以及实时人工智能应用的复杂性。最后，综述讨论了人工智能在体育运动中的前景趋势，强调了负责任地进行技术整合的重要性，以在最大化收益的同时降低潜在风险。

人工智能在体育运动中的应用

本综述强调了人工智能在生物力学领域的作用，重点关注动作优化、技术 refinement（改进）和 injury prevention（ injury 预防），以及其通过先进训练方案、策略制定和运动表现分析为成绩提升所做出的贡献。同时讨论了人工智能对运动医学的影响，特别是在诊断、个性化治疗和康复方面，以及其在健康监测中的应用，包括营养规划、心理健康和运动员 wellness（健康状态）。此外，还探讨了人工智能驱动的见解如何改变教练指导策略和人才识别方式。

生物力学中的人工智能：改善动作并减少 injuries（损伤）

生物力学专注于描述运动（运动学）及其驱动因素（动力学）（Hamill 等人，2021）。分析生物力学数据有助于改善动作模式、提升技术动作执行水平并减少 injuries（损伤）（Hamill 等人，2021）。在体育生物力学领域，技术发挥了至关重要的作用，尤其是在研究短时间内发生的高度动态动作时，例如短跑中的脚部接触或击打和投掷活动中的球释放，这些都需要进行高频数据采集（有时每秒超过 1000 个样本）。如果没有这种高频数据采集，就没有足够的时间点来准确描述动作的位移，这会在计算其他运动学和动力学变量时进一步放大误差。因此，尽管技术在不断进步，标准的 3D 运动捕捉和分析仍然复杂且耗时（Hamill 等人，2021）。

人工智能在生物力学中的应用日益增多，主要用于改进（1）实验室外的数据采集方法，以及（2）整合不同类型数据的能力，从而对包括 injury risks（ injury 风险）在内的重要结果做出更准确的预测（Bennett 等人，2019；Cornish 等人，2024；Giarmatzis 等人，2020；Haller 等人，2023；Lövdal 等人，2021；Sharma 等人，2023；Zhu 等人，2021）。一个值得注意的应用是利用人工智能评估健身房中的锻炼动作，如深蹲（Hu 等人，2024）。研究人员使用惯性测量单元（IMUs）和门控长短期记忆 Transformer 人工智能网络，对 22 名男性参与者的正确和错误深蹲技术进行分类，在检测正确动作形式方面达到了显著的 96.3% 的准确率（Hu 等人，2024）。如果将这种人工智能方法整合到移动应用程序中，可能会帮助健身爱好者改善锻炼技术并降低 injury risks（ injury 风险）（Chariar 等人，2023；Zheng 等人，2023）。

人工智能还被应用于估计常见动作（如行走和跑步）过程中膝盖和臀部的 injury risks（ injury 风险）（Benjaminse 等人，2024；Cornish 等人，2024；Sharma 等人，2023；Van Hooren 等人，2024）。一个人工神经网络（ANN）模型被用于估计常见 injury sites（损伤部位）的组织负荷，对于髌股应力、胫骨应力和跟腱应变冲动的误差率分别为 1.95 ± 8.40%、−7.37 ± 6.41% 和−12.8 ± 9.44%（Van Hooren 等人，2024）。该研究包括在跑步机上以不同步频和躯干倾斜角度进行的跑步，使用 ARION 压力鞋垫和 3D 运动捕捉作为输入变量。

计算机视觉在运动员训练和评估中发挥着关键作用，它能够对动作模式、技术和生物力学进行非侵入式的实时分析。利用来自相机或无人机的视频片段，人工智能算法可以自动跟踪身体姿势、关节角度和动作序列，以评估表现并检测与 injury risks（ injury 风险）相关的偏差（Barris & Button，2008）。这项技术正越来越多地被整合到训练环境中，为教练提供精确的反馈，而无需依赖手动观察或昂贵的运动捕捉系统。

尽管许多研究显示了人工智能在准确预测方面的潜力，但所需的数据输入（如测力板数据、IMUs 和 3D 运动捕捉数据）限制了其在精英体育领域之外的可及性。这凸显了对更简单、更实惠的基于人工智能的解决方案（如智能手机视频分析）的需求，以使这些见解能够为业余运动员所用（Amrein 等人，2023；de Vries 等人，2022）。

未来的研究应专注于验证人工智能在动态任务（如 sprinting（短跑）和 jumping（跳跃））中的应用，并通过纳入个体特定数据来提高模型的准确性（Stetter 等人，2020）。与 ARION 等公司的商业合作（该公司为跑步者提供经过验证的基于人工智能的鞋垫）也可能推动人工智能在生物力学中的实际应用。简化且易于使用的工具可以扩大人工智能在体育运动中的影响，帮助各个水平的运动员预防 injuries（损伤）并优化动作。

突破极限：人工智能驱动的成绩提升

体育运动中的最佳表现源于多年的专业训练、饮食和恢复过程以及战略实施（Kellmann 等人，2018）。如今，通过人工智能增强对训练和比赛数据的收集、分析和解读，有望进一步提高运动表现（Forcher 等人，2023；García - Aliaga 等人，2023）。运动表现分析在团队对抗性运动中尤为关键，这类运动被认为是对立团队相互作用的动态系统（Lord 等人，2020）。运动表现分析中已确定的团队运动行为的六个主要主题为：（i）比赛动作，（ii）动态动作，（iii）动作模式，（iv）团队集体行为，（v）社交网络分析，（vi）比赛风格（Lord 等人，2020）。人工智能可以通过（i）自动化数据分析，（ii）发现复杂模式，（iii）提供实时见解来增强决策制定和 performance strategies（表现策略），从而对这些主题产生积极影响（Lord 等人，2020）。

人工智能为这些挑战提供了一种解决方案，它可以优化训练方案（Washif 等人，2024）并监测训练组件，尤其是在阻力训练中（Chariar 等人，2023；Hu 等人，2024；Zhu 等人，2021）。其优势在于能够高效分析包含物理位置和 movement（运动）（Born 等人，2024；Marquina 等人，2023）、技术技能（García - Aliaga 等人，2023；Song 等人，2023）和战术行为（Forcher 等人，2023；García - Aliaga 等人，2023）的大型数据集，从而解决了传统数据处理方法的局限性。

例如，Born 等人（2024）测试了 YOLO（You Only Look Once）人工智能模型在澳大利亚橄榄球中识别对手球员位置的能力，使用了 2019 年 AFL 赛季 17 场比赛的数据。该模型取得了高精度（mAP = 0.94；precision = 0.95；recall = 0.97；F1 - score = 0.96），与 GPS 数据相比，球员位置估计的误差极小，表明 YOLO 在跟踪对手和增强战术准备方面具有实用性。

Forcher 等人（2023）使用 2020 - 2021 赛季德国足球甲级联赛的球员位置数据来预测足球比赛中的防守成功（即重新获得控球权）。在测试的分类器中，具有 16 个特征的随机森林模型表现最佳（accuracy = 0.82，precision = 0.47，recall = 0.70，F1 - score = 0.57）。该模型确定了关键的防守战术，如逼抢和在球附近的紧凑组织。通过将 performance metrics（运动表现指标）映射到诸如球的位置等情境因素，人工智能可以加深对团队行为的理解，支持高级运动表现分析（Browne 等人，2021；Lord 等人，2020）。

未来的研究可以探索数字孪生技术，以对对手进行建模并制定最佳的应对策略。数字孪生（Singh 等人，2021）是对手团队的虚拟表示，可以利用历史和实时数据模拟其表现和战术行为，帮助教练确定最佳的团队组成和策略。

人工智能还可以通过分析对手的模式，如 movement trends（运动趋势）、技能和战术（Wang 等人，2024），提出定制的战术。这些进步可以增强决策制定、适应性和竞争力，无论是在准备阶段还是在比赛过程中（Chen，2024）。

革新运动医学：人工智能在诊断、治疗和康复中的应用

人工智能在众多学科中已取得快速进展，运动医学和卫生保健领域也不例外（Fares 等人，2024；Ramkumar 等人，2022；Sulaiman，2024）。人工智能为运动医学带来了充满希望的转变，为 injury prevention（ injury 预防）、 injury recovery planning（ injury 恢复计划）和康复技术提供了机会（Ramkumar 等人，2022）。运动医学主要关注运动员的诊断、治疗和康复，已发展成为包括诊断决策支持系统（DDSS）（Rigamonti 等人，2021）、健康应用程序（Dergaa 等人，2024）、智能追踪器 / 设备（Chidambaram 等人，2022；Yang，2024）、远程医疗（Lal 等人，2023）、增强现实（Wang 等人，2025）、虚拟现实和 exergaming（互动游戏）（Donath 等人，2016；Lal 等人，2023）等广泛领域。运动员会遭受从轻度到重度的 injuries（损伤），他们的及时康复在成本和运动表现方面都具有益处（Rigamonti 等人，2021）。运动医学为运动员提供必要的医疗设施，而人工智能可以通过及时且有见地的决策来改善这些过程（Pareek 等人，2024）。

人工智能正越来越多地被采用来解决运动医学中的众多挑战（Ramkumar 等人，2022b）。运动员运动医学的传统方法依赖于由专业医生、骨科医生和物理治疗师组成的团队，可能会受到个人偏见、高成本、可获得性不一致以及为罕见或复杂病例定制护理困难等因素的限制（Ramkumar 等人，2022b；Reis 等人，2024；Smaranda 等人，2024）。人工智能有潜力解决这些问题，它在运动医学中具有众多应用（Fayed 等人，2023；Reis 等人，2024），包括（i）损伤预防，（ii）快速诊断，（iii）康复与恢复（Guelmami 等人，2023），以及（iv）实时个性化治疗计划制定（Pavunraj 等人，2025）。人工智能系统依赖大量数据来提高其泛化能力（Kelly 等人，2019）；来自健身、运动和运动医学设备的大数据可帮助人工智能模型提供个性化的诊断和治疗计划（Dilsizian & Siegel，2014）。但这些系统面临数据隐私、数据噪声、随时间推移的领域偏移、智能设备质量和模型容量等挑战（Chidambaram 等人，2022；Rigamonti 等人，2021；Zeng 等人，2021）。

智能设备生成的海量数据可能过于复杂，医生难以快速解读并有效用于准确诊断和康复规划（Pareek 等人，2024）。人工智能可帮助更快地理解隐藏趋势，为医生提供第二意见，并帮助关注运动员面临的核心问题（Pareek 等人，2024；Qazi & Iqbal，2024；Sulaiman，2024）。例如，“VICTOR” 是最近开发的基于定制 GPT 的模型，专门针对运动医学问题进行了调优（Naughton 等人，2024；Valencia，2024）。另一个例子是前交叉韧带（ACL）断裂模型，它将运动医学专家的诊断性能从 96% 显著提高到 98%，将运动医学实习生的诊断性能从 84% 提高到 96%，验证了人工智能模型作为第二意见的重要性（Wang 等人，2024）。人工智能系统可通过关注明显和隐藏因素（如病史、损伤类型、位置、严重程度、实时治疗反应以及来自智能设备的多模式数据），帮助医生制定个性化治疗方案（Chidambaram 等人，2022；Qazi & Iqbal，2024）。基于人工智能的个性化治疗计划提供准确全面的恢复策略，可提高运动员成功恢复的机会，并减少团队的时间和财务负担（Qazi & Iqbal，2024；Zhan，2024）。

康复也可帮助运动员从脊髓和脑相关损伤中恢复（X. Wang 等人，2025；Yang 等人，2022）。运动员可能遭受严重的头部和脊髓病变（Ramkumar 等人，2022）。人工智能正在革新康复领域，它通过同时分析生理指标、康复历史和运动员当前表现之间的复杂相互作用（Cui，2024），相应地定制康复计划（Ramkumar 等人，2022）。最近的一项对比研究显示了 RNN-LSTM 模型在预测运动损伤康复结果中的重要性（Cui，2024）。提供实时反馈和个性化治疗的人工智能算法可加速愈合过程，并最大限度降低未来受伤的风险，使运动员能够更强壮、更有韧性地重返赛场（Guelmami 等人，2023；Zeng 等人，2021）。

最近，利用聊天机器人和诊断决策支持系统（DDSSs）协助诊断轻微和常见医疗问题的趋势日益增长（Dergaa 等人，2023；Fayed 等人，2023；Qazi & Iqbal，2024；Rigamonti 等人，2021）。这些系统可估计损伤的严重程度，并帮助运动员及其教练 / 医生及时采取适当行动（Rigamonti 等人，2020）。当运动员的教练和医生无法现场提供帮助或正忙于处理其他重伤运动员时，这些工具尤其有用（Rigamonti 等人，2021）。配备专业知识的这些聊天机器人和 DDSSs，也可在医学专家对运动员状况或应采取的行动不确定时为其所用（Fayed 等人，2023；Rigamonti 等人，2021）。

残奥运动员可从运动医学中人工智能驱动的创新中特别受益，因为他们的康复和治疗通常需要高度个性化和适应性的方法（Rosa，2025；Rum 等人，2021）。人工智能驱动的假肢和矫形器可从用户的运动模式中学习并实时适应，以改善功能、舒适度和性能（Dyer 等人，2010）。这些自适应技术不仅支持更好的医疗结果，还能增强残奥运动中运动员的自主性和长期发展（Teixeira & Alves，2021）。确保这些人工智能系统具有包容性并对基于分类的差异保持敏感，仍是关键的研究和伦理考量。

将人工智能整合到运动医学中具有巨大潜力，但人工智能驱动的系统目前缺乏复杂临床决策所需的细致推理、直觉和情境理解（Naughton 等人，2024a；Reis 等人，2024；Rigamonti 等人，2020）。此外，许多人工智能算法在设计上是 “黑箱”，这限制了开放性和信任，使临床医生不愿依赖他们无法完全理解或辩护的结果（Mennella 等人，2024；Najjar，2023）。另一个重要问题是问责制；如果人工智能支持的选择造成伤害，不清楚谁应承担责任 —— 医生、开发人员还是组织（Mennella 等人，2024；Sulaiman，2024）。尽管存在这些限制，人工智能在模式识别、数据处理和诊断支持方面的优势使其成为有价值的协作工具。当用作第二意见系统时，人工智能可改善临床工作流程；研究表明，人工智能与人类的协作通常比单独任何一方表现更好（Wang 等人，2024；Cui，2024）。

人工智能为提升运动医学行业提供了重要潜力。其发现和学习现有模式并推广到未见模式的能力，可为运动医学从业者提供重要见解并补充他们的判断。运动医学中人工智能的未来方向是提供可解释且可靠的诊断结果（XAI）、专门的治疗计划和实时康复支持（Mennella 等人，2024；Pareek 等人，2024）。解决伦理和实际因素以使人工智能系统更可靠也很重要（Mennella 等人，2024）。运动医学的人工智能工具如图 1 所示。

人工智能助力健康监测：支持运动员健康与营养

身心健康对每个人都非常重要，但对精英运动员尤其重要，他们的整体健康和福祉直接影响其运动表现和经济生计（O’Donnell 等人，2024；Puce 等人，2024）。身体健康通常与个人的外在表现和身体能力相关（Berry，2016），而心理健康则涉及影响个人福祉的更抽象的心理过程（Taylor & Brown，1988）。两者对运动员职业生涯的成功和 longevity（ longevity）都至关重要（Reardon 等人，2021）。运动员的整体健康依赖于平衡他们的训练、比赛、营养和恢复策略（Mirmomeni 等人，2021；Reardon 等人，2021）。

最近，像 ChatGPT 和 Gemini 这样的大型语言模型（LLMs）对包括体育在内的各个行业产生了重大影响（Agne & Gedrich，2024；Papastratis 等人，2024）。这些 LLMs 已展示出可与营养师、医生和运动健康从业者相媲美的表现或能力，例如（i）提供建议（Agne & Gedrich，2024），（ii）分析数据（Shool 等人，2025），或（iii）生成见解（Qiu 等人，2024）。一项研究表明，ChatGPT 的表现优于市场上一个成熟的工具（Agne & Gedrich，2024）。另一项研究创建了基于 ChatGPT 的系统来提供精准营养建议（Papastratis 等人，2024）。健康监测系统 WHMSHAR 为运动员的健康提供端到端系统（Y. Yang，2024b）。它使用带有众多传感器的可穿戴技术收集运动员的生理数据，然后使用人工智能算法检查多模式数据并提供快速反馈和定制建议（Y. Yang，2024b）。研究表明，将可穿戴传感器技术与人工智能相结合，为运动环境中的全面健康监测提供了可行策略（Y. Yang，2024b）。类似地，智能服装系统嵌入传感器，可捕获心率、肌肉活动和其他生物电指标等生理数据，以跟踪运动员的身体和情绪状态（Shen 等人，2023）。片上人工智能模型处理这些连续信号，并提供实时反馈和建议，以避免受伤和不良健康状况（Shen 等人，2023）。

人工智能可通过快速分析数据帮助健康从业者（Liang 等人，2022；Tong & Ye，2023；Zhen 等人，2021）。未来的研究和应用应旨在将人工智能系统生成的见解与健康从业者的专业知识相结合，以制定营养、身体活动和心理健康的个性化计划（Lu，2024；Mirmomeni 等人，2021；Reardon 等人，2021）。LLMs 对上下文和提示非常敏感，当前许多健康监测研究基于单个提示（Dergaa 等人，2023）。这种有限的方法使得难以评估 LLMs 在不同用户交互中的表现，或与专家驱动的传统健康监测方法进行有意义的比较。因此，新的研究应专注于与 LLMs 进行迭代和多提示互动，以模拟更现实和复杂的健康场景。这种比较评估可揭示 LLMs 与专家建议的一致或分歧之处，识别知识差距，并帮助评估其可靠性，最终为技术改进和伦理标准提供信息。一些提供基于人工智能的健康监测服务的工具如图 1 所示。

借助人工智能洞察实现更高水平的教练指导和人才识别

人工智能正越来越多地融入体育运动的教练指导技术（Jud & Thalmann，2025）和人才识别（McAuley 等人，2024）中，通过数据驱动的见解（Chmait & Westerbeek，2021）、改进的运动表现分析（Araújo 等人，2021）和增强的决策能力（Janssen 等人，2023），革新传统方法。

人工智能在教练指导中的作用侧重于提供对运动员表现的更深入洞察、制定个性化训练计划以及实现实时反馈。教练指导中的一些关键人工智能技术包括运动表现分析（Araújo 等人，2021；Yang & Chang，2023）、预测分析（Sharma 等人，2022）、虚拟现实（Witte 等人，2022）和增强现实（Lee 等人，2023），以及用于反馈的自然语言处理（NLP）（Boughattas 等人，2022）。

人才识别是运动员发展的关键部分（Höner 等人，2023），旨在发现有潜力在各自运动中表现出色的年轻运动员。传统上，它由教练和球探的主观评估驱动，往往受到人类偏见和地域限制（Lawlor 等人，2021）。人工智能提供了自动化、分析和增强人才识别过程的新方法，带来数据驱动的客观性（Thirunagalingam 等人，2025）。借助机器学习、计算机视觉和预测分析等能力，人工智能可以以以前不切实际的方式评估运动员（Ghosh 等人，2023）。例如，AiSCOUT 等平台（ai.io，2025）使用计算机视觉远程评估运动员的运动模式和技能，而澳大利亚体育学院（AIS）已探索使用人工智能模型，基于青少年运动员的表现数据识别人才（澳大利亚体育学院，2025）。机器学习算法可以分析身体指标（Teunissen 等人，2023）、运动表现统计数据（Jamil 等人，2021）和历史比赛记录等数据，以识别表明高潜力的模式（Bunker & Susnjak，2022）。人工智能系统还可以处理视频片段（Bennett 等人，2019），以分析运动员的技术技能，如足球中的控球、篮球中的投篮机制或游泳中的划水技术。例如，NBA 俱乐部利用 Kinexon 实施的人工智能系统来监测和评估运动员表现（Gálvez 等人，2024），使用可穿戴传感器（Elis，2024）跟踪球员负荷、加速度、速度、覆盖距离、心率和位置数据等指标。这凸显了人工智能在职业体育中日益增长的整合。

人工智能模型的有效性与输入数据的质量密切相关，不良或不一致的数据集会显著削弱其可靠性（Chmait & Westerbeek，2021）。此外，收集详细的生物识别和运动表现数据引发了重要的伦理和隐私问题 —— 这些问题将在 “体育运动中可信赖人工智能的挑战与建议” 部分更深入地探讨。成本是另一个主要采用障碍，尤其是对较小的体育组织而言。例如，先进的人工智能驱动视频分析系统的年度许可和基础设施成本可能高达数万英镑，而更传统的方法如手动视频审查或秒表计时仅涉及最低的设备和人员成本（Naughton 等人，2024）。

教练指导和人才识别中的人工智能提供了显著优势，包括客观性和一致性。通过减少人类偏见，人工智能能够对人才进行更准确和公正的评估（Lee & Lee，2021）。此外，人工智能有潜力使人才识别民主化，覆盖全球服务不足和偏远地区，而传统的球探方法可能有限。像 PlayerMaker（https://www.playermaker.com）和 ai.io（https://www.ai.io）这样的公司已经在利用人工智能驱动的工具，评估和识别难以到达地区的人才，为年轻运动员提供展示技能和获得定制发展计划的机会。通过实现早期干预和定制训练，人工智能可以帮助发现隐藏人才，并促进更具包容性的运动员发展方法（Bennett 等人，2019）。

然而，在教练指导和人才识别中采用人工智能并非没有挑战。如果教练和球探无法理解预测背后的推理，他们可能会发现很难信任人工智能的建议（Janssens 等人，2023）。这种透明度的缺乏通常是由于底层模型的复杂性，如深度神经网络，它们作为 “黑箱” 运行 —— 产生输出而没有容易解释的基本原理。此外，体育运动中的许多人工智能工具缺乏内置的解释机制或用户友好的界面，无法帮助从业者理解模型决策。此外，人工智能模型需要持续更新和重新校准以保持准确性，尤其是随着运动员的进步和随时间的提高（Sperlich 等人，2023）。如果没有规划，长期维护成本可能成为负担，影响基于人工智能系统的可持续性。

体育运动中可信赖人工智能的挑战与建议

本节将探讨在体育运动中应用人工智能的关键挑战和建议，重点关注两个关键领域：处理敏感运动员数据时的伦理和隐私问题，以及使用可穿戴技术进行实时分析时确保数据准确性、一致性和相关性。选择这些领域是因为它们代表了影响体育运动中人工智能的信任、采用和有效性的基础性问题。伦理和隐私问题对保护运动员的权利和自主权至关重要，尤其是随着人工智能在跟踪和分析个人数据方面变得更加普遍。同样，实时数据准确性对于训练和比赛中的可行见解至关重要，其中即使是微小的不准确也可能对运动表现和决策产生重大影响。通过强有力的治理、增强的安全措施和改进的数据协议来解决这些问题，本节旨在提供可操作的策略，以保护运动员权利，同时最大化人工智能在运动表现和决策中的潜力。

体育运动中人工智能的伦理和隐私考量

在体育运动中应用人工智能时，伦理和隐私问题至关重要，尤其是在涉及运动员健康指标、运动表现统计数据和生物识别细节等敏感数据时（Stahl & Wright，2018）。尽管这些数据集对于改善训练和运动表现非常宝贵，但它们存在未经授权访问、滥用和歧视的重大风险（Petersen 等人，2025）。例如，生物识别数据 —— 如 injury risk predictions（损伤风险预测）或生理压力指标 —— 可能被团队或赞助商用于将运动员排除在比赛或合同之外，即使没有临床症状或运动员同意。不受监管的人工智能应用可能导致侵入性监测或数据泄露，危及运动员的隐私和自主权（Najjar，2023）。认识到这些挑战，《奥林匹克人工智能议程》（国际奥委会，2024）强调了与人工智能相关的更广泛伦理和隐私问题，包括数据安全、问责制、公平性、工作岗位流失和环境影响。这些担忧凸显了实施强有力框架以确保体育运动中负责任和透明的人工智能部署的重要性。

为了在体育运动中建立一个符合伦理、尊重隐私的人工智能环境并建立信任，需要一种全面的方法。现有的框架，如经济合作与发展组织（OECD）人工智能原则（经济合作与发展组织，2024）和欧盟委员会的《可信赖人工智能伦理指南》（欧盟委员会，2019），为公平、透明度和问责制提供了基础指导，而《通用数据保护条例》（GDPR）等法规（欧盟，2016）为数据隐私和保护提供了法律标准。在体育背景下，世界反兴奋剂机构（WADA）等组织的框架也提供了针对体育的数据治理见解（世界反兴奋剂机构，2024）。在这些基础上，实施具有明确数据访问和保留指南的强大数据治理框架，支持负责任的处理（Orlando，2022）。先进的加密和匿名化进一步保护数据，降低未经授权访问的风险（Najjar，2023）。伦理审查委员会（Guelmami 等人，2023）可评估人工智能项目是否存在偏见，同时对运动员进行数据权利教育，有助于他们做出知情决策（Qi 等人，2024）。

若干数据科学方法也可增强体育数据的隐私性和公平性。差分隐私（Abadi 等人，2016；Wasserman & Zhou，2010）通过添加统计噪声，使模型能够在不暴露个体细节的情况下进行学习。联邦学习（T. Li 等人，2020）支持在本地设备上进行模型训练，将敏感数据保留在运动员的个人设备中，而非中央服务器（Zhou 等人，2022）。通过仅发送模型更新而非原始数据，该技术可增强隐私保护。加密（Delfs 等人，2002）将数据转换为不可读格式，确保只有拥有解密密钥的授权方才能访问。此方法可保护传输中和存储中的运动员敏感信息，防止潜在的泄露或数据 breaches（泄露）（McDonald 等人，2016）。另一方面，匿名化（Elliot 等人，2018）会删除或屏蔽个人可识别信息，使数据更难追溯到个体运动员。可解释人工智能（XAI）（Arrieta 等人，2020）旨在使人工智能模型的决策透明化，展示哪些因素影响了预测和建议。在体育运动中，XAI 可阐明特定指标（如生物识别数据或动作模式）如何影响 injury risk assessments（损伤风险评估）或训练建议，帮助运动员和教练做出知情、可信赖的决策（Procopiou & Piki，2023；Wang 等人，2022）。尽管这些方法前景广阔，但它们在体育数据处理中的应用仍处于早期阶段，需要进一步探索以充分发挥潜力。

确保实时人工智能系统中的数据准确性和可靠性

人工智能的实时能力正在改变体育运动的训练和比赛方式，但这些进步带来了与数据质量管理、集成和特定情境解释相关的重大挑战。可穿戴技术的日益普及体现了这一转变，智能手表、GPS 追踪器和心率监测器等设备将实时数据输入人工智能系统（Nahavandi 等人，2022）。这些可穿戴设备有助于在训练和现场赛事中跟踪关键指标，如速度、距离、心率和身体压力（B. Ma 等人，2020）。然而，在不同体育场景中确保数据的准确性、一致性和相关性面临挑战。建议包括标准化数据收集协议和提高传感器可靠性，以改善数据质量和有效性，从而支持更有效的实时调整，以进行负荷管理和 injury prevention（损伤预防）（Palermi 等人，2024）。

在实时比赛分析中，人工智能系统可提供战术、阵型和球员位置的见解，支持足球和篮球等运动中的适应性策略（Fischer 等人，2019；H. Li 等人，2021）。此处的挑战在于平衡人工智能驱动的见解与人类教练的细致情境知识。培训教练和运动科学家有效解释和整合人工智能见解，可增强赛中决策，同时不削弱他们的专业知识。

人工智能实时监测社交媒体的能力为理解粉丝情绪和推动适应性营销与参与策略提供了重要潜力（Midoglu 等人，2024）。然而，此能力也带来了挑战，如信息过载的可能性，这可能使人类团队和人工智能系统在有效处理海量数据时不堪重负，以及平衡见解与隐私考量的需求。为解决这些问题，实施强大的过滤工具和制定明确的数据使用政策至关重要。这些措施不仅确保团队可专注于可行见解，还通过尊重粉丝的隐私和偏好来增强信任。随着人工智能驱动的粉丝参与成为体育管理中日益不可或缺的部分，这些考量必须与体育运动中人工智能应用的更广泛伦理和治理框架保持一致。

未来趋势

基于本综述中详述的见解和证据，表 1 总结了体育运动中人工智能的关键广泛趋势，及其各自的受益者、数据类型和所采用的人工智能方法或工具。

表 1. 体育运动中人工智能的未来趋势

表 1 呈现了体育运动中人工智能应用的新兴趋势，分为三个关键领域：精英体育、大众体育和身体活动，以及体育研究。在精英体育中，人工智能越来越多地用于增强个性化、支持实时决策，并通过数字孪生和沉浸式系统改善运动表现。伦理和数据治理考量对于在高性能环境中维持信任和合规性也至关重要。在大众体育和身体活动中，人工智能通过可扩展的自动化工具促进更广泛的教练指导和运动表现见解获取，同时通过个性化互动体验增强粉丝参与。最后，在体育研究中，人工智能推动人才识别等领域的发展，以及用于 injury prevention（损伤预防）和运动表现建模的模拟应用，同时也引发了关于敏感数据伦理使用和治理的重要讨论。

结论

人工智能有望在体育运动的运动表现、健康监测、运动医学、教练指导和人才识别等领域带来重要进展。尽管已展示出令人鼓舞的发展，但许多应用仍处于早期阶段，需要在现实场景中进一步验证。尽管如此，人工智能正开始塑造更广泛的趋势，可能逐渐影响体育运动的实践和体验方式。一个潜在的关键领域在于实现更数据驱动的精准化 —— 分析复杂数据集的能力可支持更个性化的训练、定制的健康干预措施，以及基于证据而非直觉的战略决策。

另一个总体趋势是专业知识的民主化。人工智能驱动的工具使复杂的分析和见解能够为精英或资源丰富环境之外的组织和运动员所用。这有助于创造公平的竞争环境，通过在服务不足地区发现和培养人才，并提供获得先进训练和监测系统的平等机会，促进包容性。

人工智能还促进实时适应性，这在比赛和运动员管理中都是游戏规则的改变者。可穿戴技术和实时分析系统提供即时反馈，支持即时调整，以增强运动表现、预防 injuries（损伤），并在高风险赛事中优化策略。这种动态响应能力改变了教练和运动员的工作方式，缩小了准备与实际应用之间的差距。

人工智能在体育管理中促进可持续性和可扩展性。通过自动化重复性任务（如视频分析或数据聚合），人工智能减少了时间负担，使教练、医疗专业人员和管理人员能够专注于关键决策。随着这些技术的发展，它们在体育运动中的整合只会加深，将益处扩展到业余运动员、粉丝和各级利益相关者。

为了最大化人工智能的潜力，解决持续存在的挑战至关重要，如伦理和隐私问题、数据治理，以及确保整个体育生态系统的公平采用。创新与责任的谨慎平衡将为人工智能增强人类专业知识的未来铺平道路，使体育运动能够在互联、数据丰富的世界中蓬勃发展。