在足球场上画线教会我的：人类与AI协作的未来

近日，一篇关于人类与AI协作的博文引发了广泛讨论。作者以分析足球进球为案例，详细记录了使用AI工具Codex进行图像测量的过程，并总结出关于人机协作的深刻见解。

文章始于作者对路易斯·迪亚斯对阵巴黎圣日耳曼的精彩进球的兴趣。在反复观看视频后，作者想要量化球员的移动和射门窗口的变化。他使用了OpenAI的Codex，一个能够根据自然语言描述生成代码的AI工具。

起初，Codex生成了一套自动测量管线，输出声称“射门窗口扩大了2.3倍”。但作者凭借足球直觉感到这个结果有误。他要求Codex“展示工作过程”，结果发现AI点在球门柱、球员脚部等位置时有明显偏差，导致误差累积。

这一经历催生了第一个教训：人类领域专业知识依然至关重要。作者想到利用足球场地的标准尺寸（如球门宽24英尺）进行校准，而AI并没有主动提出这一简单有效的方案。

第二个教训是人类参与循环的必要性。自动管线总是在同一位置犯错，于是作者要求Codex构建一个手动标记工具。在HTML/CSS工作台中，他可以手动点击关键点，将人的判断作为真值，从而大幅提升准确性。Codex更倾向于编写更多代码，而不是主动建议人机交互。

第三个教训涉及AI能够命名你不知道的概念。当作者描述透视问题时，Codex提出了“单应性矩阵”（homography）这一专业术语。作者利用了这一概念，将不同视角的球员位置映射到同一平面，从而准确测量移动距离。人类提供方向，AI提供工程实现。

第四个教训是个人背景能解锁更好的工具。为了可视化球员移动，作者希望将上一帧的球员以半透明幽灵形式叠加到当前帧。Codex先用Python进行前景分割，效果不佳（生成卵形轮廓）。作者想起Mac的Vision API（可能同于iPhone人像模式），建议使用后获得了精细的球员剪影。AI不会主动询问用户的操作系统或硬件，用户需要提供这一上下文。

最终，作者构建了一个完整的测量系统：包括球门测量、移动追踪、幽灵对齐层和最终的可视化工具。整个过程显示出，AI在熟悉领域可以极大扩展人类能力，但前提是人类保持主导地位。

文章的结尾发人深省：当我在了解领域使用AI时，我能发现并修正错误；但在我陌生的领域，我又错过了多少东西？最关键的教训不是AI取代人类判断，而是当人类判断有地方发挥作用时，AI才变得真正有用。