“冠军模型”助力体教融合创新发展

崔丹丹 郭建伟

摘  要：“冠军模型”革命性地提升了东京奥运周期备战训练决策的科学性，这为体教融合中高水平学生运动员的自主培养模式提供了新的启示。我们以“冠军模型”为核心，整合计算机视觉、因果推断与认知计算等智能技术，研发了一套数据驱动的个性化运动训练诊断技术，从而打通了从监测、分析到决策的智能化运动训练闭环，进而打破了竞技体育与体育教育的技术壁垒。未来，要实现该技术在体教融合中的广泛应用，科研人员还应与教师、教练密切配合，重点解决智能技术的可行性与有效性以及诊断对象的共性与特性等问题。

关键词：冠军模型;体教融合;运动训练;智能决策

中图分类号：G633.96    文献标识码：A    文章编号：1005-2410（2022）02-0062-02

在东京奥运会上，我国代表团取得了38金、32银、18铜的辉煌战绩。很多文献对中国代表团取得的优异成绩从不同角度进行了讨论，而在知网上有多达13篇东京奥运会的文献与体教融合相关[1，2]。培养全面发展的竞技体育后备人才，进而完善竞技人才结构，不仅是奥运备战也是体教融合的重要任务[3]。就这一点来说，我国“冠军大学生”“学霸运动员”在东京奥运会上的大放光彩，自然会使得社会各界对体教融合充满了期待。然而，我们也必须清醒地看到：我国多数学生奥运冠军的第一身份是运动员，即挂靠在高校的“运动员学生”，其成功的可复制性和示范价值有限;而另一种以“清华模式”“北理工模式”为代表的，第一身份为学生，由高校自主培养的“学生运动员”模式，其成功的可复制性更强，因而自主培养“学生运动员” 才是体教融合未来的发展方向[1]。再进一步来说：成功的“清华模式”背后，离不开李庆等“冠军教授” 的理论与实践指导[4]，这也是不可复制的。高水平学生运动员的自主培养， 普遍面临着人才短缺的困境，而人才的培养又难以在短时间内完成[5]，我们需要更可复制、可持续的新思路。

人工智能，恰恰就是一门通过发展机器智能来复制人类智能，从而实现“以一当十、以一当百”的科学。借助先进的人工智能技术，将有望在不增加竞技体育消耗的前提下，将竞技体育的先进经验，快速高效地在体育教育中复制和推广，并在此过程中，积累更多的数据资料，反过来促进技术的进步，以更好地服务于竞技体育，从而在可持续的良性循环中，探索出一条竞技体育与体育教育双赢发展的体教融合新路。

借助智能技术来促进体教融合创新发展虽势在必行，实现起来却并非一蹴而就。一方面是技术上的瓶颈：目前，我们所熟知的计算机视觉、传感器、统计机器学习等主流人工智能技术，虽然在感知监测和大数据分析方面有了较大进步，但认知决策却一直是个短板。而一个完整的运动训练闭环，不仅需要进行运动的监测、分析，还需要进行训练决策[6]。认知决策的技术瓶颈，使得现有的智能训练产品大多只能输出基本的运动参数和统计图表，或是基于预设的规则完成打分、计数等简单评价，却不能像人类教练一样给出针对性的诊断与建议，因而无法实现完整的运动训练闭环，满足不了高水平运动员的个性化培养需求。另一方面是领域间的鸿沟：长期以来，举国体制下“集中力量办大事”的制度优势，保障了我国竞技体育的高速发展，尤其是在东京奥运周期，国家队在训练科学性方面迅速赶超国际先进水平，但在这样的发展模式下，竞技体育成为一个相对独立的体系，所以国家队的先进经验，变得很难被大众所习得，更不要说推广。如何从竞技体育的象牙塔中取得“锦囊”，并将其在体育教育中有效推广？这也是常规思路和传统办法无法破解的另一难题。此时，有一项奥运新“智慧”为我们提供了破冰的新思路，那就是“冠军模型”。

那么“冠军模型”是什么？该怎样来助力体教融合？本文将从“冠军模型”的概念及相关智能技术构成、“冠军模型”在体教融合中应用的关键问题和主要挑战等角度展开讨论，并以笔者在100米跑项目上取得的初步进展为例进行说明，希望能够为广大教师、教练和体育科研工作者提供参考。

一、冠军模型的概念及相关智能技术构成

在东京奥运周期，随着“走出去、請进来”和“科技助力奥运”等战略的实施，我国的各项竞技水平都得到了稳步提升。尤其是“跨界选材”和“冠军模型”等理念的提出，革命性地提升了我国备战决策的科学性。其中，“冠军模型”最初为服务“跨界选材”而提出[7]，是指对优秀运动员形态、体能、技术等一系列特征的量化建模。继而，个性化的“冠军模型”被应用于苏炳添等高水平运动员的训练中，取得了显著效果[8]。

受此启发，笔者展开了“冠军模型”的体工融合研究，并针对100米跑项目，开发出一套数据驱动的速度节奏自动诊断技术。该技术以计算机视觉动作捕捉数据或传感器分段计时数据为输入，利用因果推断技术来模仿国家队教练选择“冠军模型”和预估训练效果时的决策逻辑[9]，并通过搭建认知计算架构来模仿人类教练在一个完整训练闭环中的决策过程[10]，最终输出个性化的技术诊断和改进建议。

运用该技术，以网络直播视频为输入，对苏炳添在东京奥运会百米决赛中的速度节奏表现进行诊断，得到了“起跑加速为首要改进点”的诊断结论，这与主教练的判断是一致的。但如果我们仅对苏的分段排名做统计分析，数据会显示其在冲刺阶段的排名更为落后，从而输出“冲刺阶段为主要问题点”的诊断结果，这就背离了教练的认知。可见，相较于传统方法，基于“冠军模型”的智能诊断技术更好地模拟了人类专家的认知决策智能，从而打通了从监测、分析到决策的运动训练闭环，在体教融合中批量复制“冠军”的技术条件已初步具备。

二、冠军模型在体教融合中应用的关键问题和主要挑战

解决了竞技体育中“冠军模型”的智能化技术问题之后，我们随即在校园内开展了基于“冠军模型”的百米速度节奏智能诊断服务，迈出了“冠军模型”在体教融合中应用实践的第一步，第一批服务对象为我校短跑专项学生和短跑校队队员，在此过程中，我们又遇到了一系列新的挑战。

首先，挑战存在于每一个技术环节之中：监测环节最常用的两种智能监测方式是视觉方式和传感器方式，但在校园的日常训练中，很难配备竞技体育中的压电式比赛起跑器、多视角高速相机、高频率光学传感器等昂贵设备，因而无法获得起跑反应时参数，骨骼关键点和分段计时数据的精度也有不同程度的下降。为此，我们进行了简化数学模型、定制视觉算法等尝试，并辅以便携式分段计时设备，一定程度上解决了智能监测技术在体育教育场景下的可行性和有效性问题。在分析与决策环节中，理论上形态、体能、技术参数与成绩之间的因果关系在高水平专业运动员与普通大学生运动员之间存在共性，但现实中二者身体素质、竞技水平的巨大差异，是否会改变上述变量间因果效应值的大小，进而带来诊断决策上的差异呢？在竞技体育与体育教育两个不同场景下，运动主体的特性不容忽视。就这一问题，目前还不能轻易下结论，需要继续积累数据和收集反馈，并在此基础上挖掘新的因果机制，总结运动主体之间的共性与特性，必将会有令人信服的新发现。图1展示了目前我们在校园智能训练诊断中所采用的技术流程：首先，我们使用GoPro单目高速相机和FastRunR便携式传感器光门采集数据，利用身高、体重、年龄等运动员基本资料进行“冠军模型”的匹配，再选用不含起跑反应时的简化数学模型提取速度节奏特征进行技术对比，目前在诊断决策中还是沿用高水平运动员的结构因果模型。

此外，在“育人为本”的体育教育中，还需更加关注心理层面的问题。大学生运动员年龄集中在18～22岁左右，这个年龄段的独立意识很强，但心智又尚未成熟，好奇心旺盛。以特定优秀运动员为原型建立的“冠军模型”，在心理学上可以看作一种“role model”，而“role model”不仅有指导“skill acquisition”的作用、还能够对“motivation” “goal reinforcement”以及“goal adoption”等认知过程产生影响[11]，这与体教融合在竞技技能提升、内生动力培养等方面的多元化功能需求十分匹配[5]。那么什么样的“冠军模型”能够更好地激发学生的内生动力？学生对“冠军模型”的主观偏好又会如何影响其心理激活和技能提升？这些都是有待研究的新问题，需要将体育教育实践与认知计算、情感计算等智能技术相结合来解决。

三、结语

本文简要介绍了国家队备战东京奥运会的先进训练理念“冠军模型”，探讨了将“冠军模型”应用于高水平运动员自主培养的现实需求、技术方案以及关键问题，并以笔者在校园短跑教学和训练中的初步实践为例，抛砖引玉地进行了说明。

诚然，要实现“冠军模型”在体教融合中的广泛应用，前方还有漫长的路要走。正如中国工程院院士张亚勤在2021人工智能计算大会上所说，“泛化的能力是人工智能的一个大挑战”。即便如此，集奥运备战训练智慧、精英选手成功案例和认知决策智能技术于一身的“冠军模型+人工智能”技术路线，无论从体育、教育还是人工智能的发展视角来看，都是一条值得探索的新思路。未来，我们有信心也有决心，与广大一线师生、教练员、运动员携手奋进，开拓出一条竞技体育、体育教育与人工智能三赢的体教融合创新发展之路。

参考文献：

[1]刘波，黄璐.体教融合培养高水平运动员的多元化发展途径研究[J].体育教学，2021，41（09）.

[2]毛振明，罗帅呈.东京奥运后谈“举国体制”和“体教融合”[J].体育教学，2021，41 （09）.

[3]王登峰.体教融合的历史背景与现实意义[J].体育科学，2020，40（10）.

[4]姜自立，李庆.李庆短跑训练理念研究[J].体育科学，2018，38（02）.

[5]许弘，李先雄.体教融合背景下青少年体育活动开展的困境与思考[J].体育学刊，2021，28（02）.

[6]Raj p A，Fister I.A systematic literature review of intelligent data analysis methods for smart sport training[J].Applied Sciences，2020，10 （09）.

[7]莊薇，邵恩，朱志强，等.基于世界级运动员身体形态、机能及素质特征的雪上项目冠军模型研究[J].体育科学，2018，38（10）.

[8]苏炳添，邓民威，徐泽，等.新时代中国男子100m短跑：回顾与展望[J].体育科学，2019，39（02）.

[9]Pearl J.Causality[M].Cambridge university press，2009.

[10]Fu X，Cai L，Liu Y，et al.A computational cognition model of perception， memory， and judgment[J].Science China Information Sciences，2014， 57 （03）.

[11]Morgenroth T，Ryan M K，Peters K.The motivational theory of role modeling： How role models influence role aspirants’ goals[J].Review of general psychology，2015， 19 （04）.

[基金项目：国家自然科学基金青年项目“基于因果推断方法的运动训练智能化决策机制研究”;田径短跑接力项目国家队备战东京奥运会（2021年度）科技攻关与科技服务]