接过话头，他调出演示系统，快速点开几个预设的复杂案例，“在传统的基于轨迹聚类的baseline上，我们的模型在‘换防’、‘假挡拆’这类场景下的F1值提升了约15%。可视化也显示，我们的模型在防守方开始换防移动的早期，就会将注意力更多地分配给参与换防的防守球员，这表明它在一定程度上‘理解’了防守方的应对意图对战术目标的影响。”
评委凑近屏幕，仔细看着动态的注意力权重变化，又问了一些关于数据集构建、模型效率、以及泛化到其他团队运动可能性的问题。苏晚、王睿和韩澈三人交替回答，配合默契，韩澈则重点从篮球专业角度解释了数据标注的挑战和模型结果的现实意义。
他们的对答吸引了旁边其他参观者的注意。渐渐地，展位前的人多了起来。有对篮球感兴趣的学生，惊讶于AI还能这样分析比赛；有研究时序数据或图神经网络的同行，就技术细节进行探讨；也有来自产业界、对体育科技感兴趣的人士，询问项目的实用化前景。
提问开始变得五花八门，角度各异。有人质疑数据规模是否足够，模型是否过拟合；有人好奇能否应用于足球或橄榄球；有人直接问有没有商业化的计划。三人疲于应对，但精神高度集中。苏晚负责应对最硬核的理论和算法诘问，王睿负责技术实现和实验细节，韩澈则用篮球实例和清晰比喻，化解那些对篮球战术不熟悉的听众的疑惑，并阐述项目的应用潜力。
“你是说，这个模型可以帮助教练组自动分析海量比赛录像，快速总结对手的战术习惯和球员倾向？”一位看起来像企业代表的人问。
“是的，这是潜在的应用方向之一。”韩澈肯定道，“自动化的战术识别和统计，能极大提升赛前准备和赛后分析的效率。更进一步，结合球员追踪数据，甚至可以量化每次战术执行的质量，或者模拟不同防守策略对特定战术的效果。”
“那能用于实时辅助裁判吗？比如判断掩护犯规？”另一个人问。
韩澈谨慎地回答：“实时辅助裁判对准确性和速度要求极高，目前我们的研究还处于离线识别阶段，且主要针对战术意图而非犯规判罚。这是一个更长远、也更复杂的方向，涉及规则的形
本章未完，请点击下一页继续阅读！