TacticGen：由預測球員走位走向生成足球戰術

4月25日
讀畢需時 3 分鐘

足球分析過去十年進步很快，但大部分模型仍然停留在「預測」：預測射門機會、球員軌跡、下一個事件，或者某個動作的價值。

問題是，教練和分析師真正需要的不只是「接下來可能會發生甚麼」，而是「如果目標是拉開防線、創造 overload、或者保持防守 compactness，球員應該點樣走位」。

Xu 等（2026）提出的 TacticGen，正是想將 football analytics 由 predictive analysis 推向 generative tactical design。它用 multi-agent diffusion transformer 生成球員與皮球的協調軌跡，並且可以在推論階段按不同戰術目標引導生成結果。

本文重點

TacticGen 的重點，不只是用 AI 畫出幾條「似真」的球員跑動線。

更重要的是，它嘗試建立一個可擴展的戰術生成框架：同一個預訓練模型，可以根據 rule、natural language 或 learned evaluator，生成符合不同 tactical objective 的球員走位。

換句話講，這篇論文想處理的不是「足球會點演變」，而是「如果我想達到某個戰術目的，球員可以點樣演變」。

由 prediction 到 tactic generation

傳統 trajectory prediction 會根據當前比賽狀態，預測未來球員可能點走。這類模型對分析比賽很有用，但本質上仍然是被動的。

TacticGen 將問題改寫成 tactic generation：給定比賽場景和使用者目標，模型需要生成一組協調的 multi-agent trajectories。這些 trajectories 不只要合理，還要服務特定戰術目的。

論文特別強調 adaptability。即使模型訓練完成，使用者仍可在 inference time 指定新目標，例如提升 pitch control、製造進攻 overload、拉闊防線，或者保持防守緊密度。

模型點樣運作？

TacticGen 以 diffusion model 為基礎，把戰術視為一段多智能體軌跡。每個 agent 對應 22 名球員之一，或者皮球。

多智能體建模： 模型同時生成所有球員和皮球的未來位置，而不是逐個球員獨立預測。

專門設計的 attention： agent-wise self-attention 用來捕捉球員之間的合作與對抗；context-aware cross-attention 則把比賽狀態、事件資訊和其他上下文納入生成過程。

classifier guidance： 在推論階段，使用 rule-based function、natural language description 或 neural evaluator，將生成軌跡推向指定戰術目標。

這令 TacticGen 不只是 conditional prediction，而更接近可控的戰術設計工具。

數據規模與 scaling

論文使用超過 3.3 million annotated events 和 100 million tracking frames，來自 top-tier leagues。

實驗顯示，TacticGen 在 player trajectory prediction 上達到 state-of-the-art；同時，模型表現會隨 model size、training steps 和 training data 增加而改善，呈現類似 scaling laws 的趨勢。

這點對職業足球很重要。因為足球數據會持續累積，如果模型能夠隨數據和計算資源擴展，戰術生成工具就有機會由 demo 走向實務平台。

專家評估：生成戰術是否真的有用？

論文最值得留意的部分，是與 football experts 的 case study。

作者邀請五位專家參與評估，包括 data analysts、前職業球員和 football analytics professor。專家需要判斷生成軌跡是否真實，以及生成版本和 ground truth 版本邊個更有戰術價值。

結果顯示，專家區分真實軌跡與 TacticGen 生成軌跡時，平均 F1 約 0.50，接近隨機猜測。換句話講，生成軌跡在視覺和運動模式上相當逼真。

在 utility 評估中，TacticGen 生成軌跡平均得分約 0.81；在 25 個場景中，有 20 個場景（80%）生成版本被認為比 ground truth 更具戰術質素。

方法價值與限制

TacticGen 的價值在於，它將 football analytics 由描述與預測，推向更主動的 decision support。

對教練團隊而言，這類模型未來可用於賽前模擬、對手研究、訓練設計，甚至在不同戰術目標之間快速比較 alternative plans。

不過，這類系統仍然需要謹慎使用。生成軌跡是否可執行，取決於球員能力、疲勞、風險偏好和教練戰術哲學。AI 可以提供候選方案，但不應取代專業判斷。

簡單講，TacticGen 代表一個重要方向：足球 AI 不再只是回答「會發生甚麼」，而是開始探索「可以設計甚麼」。

Reference

S. Xu, G. Liu, T. Kharrat, Y. Luo, M. Aloulou, J. López Peña, K. Sofeikov, A. Reid, P. Roberts, S. Spencer, J. Carnall, I. McHale, O. Schulte, H. Zha, W.-S. Zheng. TacticGen: Grounding Adaptable and Scalable Generation of Football Tactics. arXiv:2604.18210v1, 2026. https://arxiv.org/abs/2604.18210
P. Veličković et al. / DeepMind. TacticAI: an AI assistant for football tactics.（相關 set-piece tactic generation 工作，見原文引用。）
文內提及之 TacEleven、GenTac、trajectory prediction 與 diffusion model 相關工作，見原文 Related Works。

完整模型架構、guidance mechanism、scaling 實驗與 expert case study，以 PDF 正文與 project page 為準。