在足球場上畫線教會我的：人類與AI協作的未來

近日，一篇關於人類與AI協作的博文引發了廣泛討論。作者以分析足球進球為案例，詳細記錄了使用AI工具Codex進行圖像測量的過程，並總結出關於人機協作的深刻見解。

文章始於作者對路易斯·迪亞斯對陣巴黎聖日耳曼的精彩進球的興趣。在反覆觀看視頻後，作者想要量化球員的移動和射門窗口的變化。他使用了OpenAI的Codex，一個能夠根據自然語言描述生成代碼的AI工具。

起初，Codex生成了一套自動測量管線，輸出聲稱“射門窗口擴大了2.3倍”。但作者憑藉足球直覺感到這個結果有誤。他要求Codex“展示工作過程”，結果發現AI點在球門柱、球員腳部等位置時有明顯偏差，導致誤差累積。

這一經歷催生了第一個教訓：人類領域專業知識依然至關重要。作者想到利用足球場地的標準尺寸（如球門寬24英尺）進行校準，而AI並沒有主動提出這一簡單有效的方案。

第二個教訓是人類參與循環的必要性。自動管線總是在同一位置犯錯，於是作者要求Codex構建一個手動標記工具。在HTML/CSS工作台中，他可以手動點擊關鍵點，將人的判斷作為真值，從而大幅提升準確性。Codex更傾向於編寫更多代碼，而不是主動建議人機交互。

第三個教訓涉及AI能夠命名你不知道的概念。當作者描述透視問題時，Codex提出了“單應性矩陣”（homography）這一專業術語。作者利用了這一概念，將不同視角的球員位置映射到同一平面，從而準確測量移動距離。人類提供方向，AI提供工程實現。

第四個教訓是個人背景能解鎖更好的工具。為了可視化球員移動，作者希望將上一幀的球員以半透明幽靈形式疊加到當前幀。Codex先用Python進行前景分割，效果不佳（生成卵形輪廓）。作者想起Mac的Vision API（可能同於iPhone人像模式），建議使用後獲得了精細的球員剪影。AI不會主動詢問用户的操作系統或硬件，用户需要提供這一上下文。

最終，作者構建了一個完整的測量系統：包括球門測量、移動追蹤、幽靈對齊層和最終的可視化工具。整個過程顯示出，AI在熟悉領域可以極大擴展人類能力，但前提是人類保持主導地位。

文章的結尾發人深省：當我在瞭解領域使用AI時，我能發現並修正錯誤；但在我陌生的領域，我又錯過了多少東西？最關鍵的教訓不是AI取代人類判斷，而是當人類判斷有地方發揮作用時，AI才變得真正有用。