هوش مصنوعی دیگر فقط یک فناوری نوظهور نیست؛ از تحلیل حجم عظیمی از اطلاعات تا کمک به تصمیمگیری و اجرای فرایندهای پیچیده، به بخشی تأثیرگذار از دنیای امروز تبدیل شده است. ورزش حرفهای نیز از این تحول دور نمانده و داده، الگوریتمها و سیستمهای هوشمند بهتدریج راه خود را به اتاق آنالیز، زمین تمرین و تصمیمات کادرهای فنی باز کردهاند. اما این تغییر در والیبال از کجا آغاز شد و هوش مصنوعی امروز چه نقشی در این ورزش دارد؟ برای پیدا کردن سرنخ این مسیر، باید حدود هشت سال به عقب برگردیم؛ به ژاپن و تمرینی متفاوت از تیم ملی والیبال این کشور.
سال ۲۰۱۸، تصاویر متفاوتی از تمرین تیم ملی والیبال مردان ژاپن منتشر شد؛ در یک سوی تور، بازیکنان تیم ملی برای حمله آماده میشدند و در سوی دیگر، بهجای سه مدافع، بازوهای رباتیکی روی یک ریل در امتداد تور حرکت میکردند.
این سیستم که «Block Machine» نام داشت، برای شبیهسازی دفاع روی تور طراحی شده بود. سه واحد متحرک میتوانستند در نقاط مختلف تور قرار بگیرند و شرایطی نزدیک به آرایشهای متفاوت دفاعی را برای مهاجمان ایجاد کنند. اما نسخههای اولیه این فناوری در زمانی قبلتر در همکاری پژوهشگران دانشگاه تسوکوبا و مجموعه والیبال ژاپن توسعه یافته و نتایج علمی پروژه نیز در سال ۲۰۱۷ در نشریه Advanced Robotics منتشر شد.
با این حال، آنچه پشت تور ژاپنیها ایستاده بود، هنوز «هوش مصنوعی» به معنای امروزی آن نبود. نسل نخست Block Machine بیشتر یک سیستم رباتیک برنامهریزیشده بود؛ ماشینی که براساس فرمان و تنظیمات مربی حرکت میکرد. همین تفاوت، نقطه مهم داستان است.
پژوهشگران خیلی زود به دنبال مرحله بعد رفتند: اگر ماشین بهجای اجرای صرف دستورات، بتواند بازیکن را ببیند، حرکت او را تشخیص دهد و محل حملهاش را پیشبینی کند چه؟
در پژوهش بعدی این پروژه، استفاده از پردازش تصویر و تشخیص حرکت برای حرکت به سمت کنترل خودکار Block Machine مورد بررسی قرار گرفت؛ مسیری که نشان میداد فناوری تمرینی والیبال میتواند از «اجرای دستور» به سمت «تشخیص، پیشبینی و واکنش» حرکت کند.
تقریباً یک دهه بعد، این پرسش دیگر فقط درباره چند بازوی رباتیک پشت تور نیست.
امروز حجم عظیمی از دادههای مسابقه، تصاویر ویدئویی، حرکات بازیکنان و الگوهای تاکتیکی میتواند در اختیار سیستمهای هوشمند قرار بگیرد. فناوریهایی که قادرند هزاران رالی را تحلیل کنند، الگوهایی را پیدا کنند که شاید از چشم انسان پنهان بماند و اطلاعاتی را در اختیار مربیان و آنالیزورها قرار دهند که تا چند سال قبل استخراج آنها یا غیرممکن بود یا ساعتها زمان میبرد.
از تحلیل خودکار مسابقه و شناسایی الگوهای تاکتیکی گرفته تا پیشبینی رفتار حریف، ارزیابی عملکرد بازیکنان، مدیریت تمرین و فناوریهای مبتنی بر بینایی ماشین؛ هوش مصنوعی آرامآرام در حال پیدا کردن جای خود در والیبال حرفهای است.
رباتهای ژاپنی شاید خودِ انقلاب هوش مصنوعی در والیبال نبودند، اما تصویر روشنی از مسیری بودند که ورزش حرفهای در حال حرکت به سمت آن است؛ مسیری که در آن ماشین دیگر فقط توپ پرتاب نمیکند یا مقابل مهاجم مانع نمیسازد، بلکه میتواند ببیند، داده جمع کند، الگو پیدا کند و به تصمیمگیری کمک کند.
و درست از همین نقطه، سؤال اصلی آغاز میشود:
هوش مصنوعی امروز دقیقاً کجای والیبال حرفهای ایستاده و تا چه اندازه در حال تغییر شیوه تمرین، آنالیز و تصمیمگیری در این ورزش است؟
پیش از هوش مصنوعی؛ والیبال چگونه دادهمحور شد؟
ورود هوش مصنوعی به والیبال از نقطه صفر آغاز نشده است. سالها پیش از آنکه ماشین بتواند تصویر مسابقه را ببیند و اتفاقات داخل زمین را تشخیص دهد، آنالیزورها مشغول تبدیل همین اتفاقات به داده بودند.
نرمافزارهایی مانند Data Volley به بخشی جداییناپذیر از آنالیز حرفهای تبدیل شدند؛ ابزارهایی که به آنالیزور اجازه میدهند سرویس، دریافت، پاس، حمله، دفاع و نتیجه هر اکشن را ثبت کند و عملکرد تیم را براساس بازیکن، منطقه زمین، چرخش و شرایط مختلف بازی مورد بررسی قرار دهد. با اتصال این دادهها به تصاویر مسابقه، مربی دیگر مجبور نبود ساعتها فیلم را مرور کند و میتوانست مستقیماً به سراغ رالیها و موقعیتهای موردنظرش برود.
سیستمهایی مانند VolleyMetrics این روند را با ایجاد بانکهای بزرگتر ویدئو و داده گسترش دادند و بهتدریج، آنالیز ویدئویی و آماری به یکی از اجزای ثابت والیبال حرفهای تبدیل شد.
اما یک مرز مهم وجود دارد:
این ابزارها لزوماً هوش مصنوعی نیستند. در مدل سنتی، این آنالیزور است که مسابقه را میبیند، اتفاق را تشخیص میدهد و آن را به داده تبدیل میکند؛ نرمافزار وظیفه سازماندهی و تحلیل اطلاعات را برعهده دارد.
هوش مصنوعی دقیقاً در حال تغییر همین نقطه از فرایند است؛ جایی که ماشین دیگر فقط دادههای واردشده توسط انسان را تحلیل نمیکند، بلکه میتواند بخشی از مسیر دیدن مسابقه و تولید داده را نیز خودش انجام دهد.
هوش مصنوعی امروز دقیقاً کجای والیبال است؟
اگر رباتهای ژاپنی نخستین تصویر ملموس از ورود فناوریهای هوشمند به زمین تمرین بودند، امروز بخش مهمتری از این تحول نه پشت تور، بلکه پشت دوربینها و در میان دادههای مسابقه اتفاق میافتد.
یکی از کاربردهای جدی هوش مصنوعی در والیبال، دیدن و تحلیل خودکار مسابقه است. سیستمهای مبتنی بر بینایی ماشین یا Computer Vision میتوانند بازیکنان و توپ را در تصاویر دنبال کنند و اتفاقاتی مثل سرویس، دریافت، پاس، حمله، دفاع روی تور و توپگیری را تشخیص دهند. کاری که زمانی به بازبینی دستی ساعتها فیلم مسابقه نیاز داشت، حالا میتواند تا حد زیادی بهصورت خودکار انجام شود.
یکی از نمونههای عملی این فناوری، Balltime AI است؛ پلتفرمی تخصصی برای والیبال که در سال ۲۰۲۵ توسط شرکت Hudl خریداری شد. فناوری Balltime میتواند ویدئوی مسابقه را پردازش کند، زمانهای مرده را کنار بگذارد، تماسهای بازیکنان با توپ را شناسایی کند و تصاویر بازی را به مجموعهای از دادههای قابل جستوجو و تحلیل تبدیل کند. Hudl این فناوری را اکنون در سرویسهای آنالیز والیبال خود ادغام کرده است.
اهمیت ماجرا اما فقط در سریعتر شدن آنالیز نیست. وقتی هزاران اتفاق یک مسابقه به داده تبدیل شود، الگوهای تاکتیکی نیز قابل استخراج میشوند؛ از مسیر و جهت حملات گرفته تا رفتار تیم در چرخشهای مختلف و گرایشهای پاسور یا مهاجمان. پژوهشهایی مانند PathFinder نیز یک قدم جلوتر رفتهاند و نشان دادهاند که با استفاده از تصاویر یک دوربین میتوان مسیر توپ و برخی تاکتیکهای پاس را بهصورت خودکار تشخیص و طبقهبندی کرد.
این تحول وارد ساختار والیبال حرفهای هم شده است. فدراسیون والیبال آمریکا از سال ۲۰۲۲ Hudl را بهعنوان شریک رسمی آنالیز ویدئویی و تبادل فیلم خود انتخاب کرده و این اکوسیستم از تیمهای ملی بزرگسالان تا برنامههای توسعهای USA Volleyball مورد استفاده قرار گرفته است. البته همکاری اولیه آمریکا با Hudl را نباید مستقیماً استفاده از هوش مصنوعی Balltime دانست؛ فناوری تخصصی Balltime چند سال بعد به Hudl اضافه شد. این تفاوت نشان میدهد که آنالیز والیبال ابتدا دادهمحور شد و اکنون همان زیرساخت در حال هوشمندتر شدن است.
کاربرد دیگر AI از زمین مسابقه به خود بازیکن برمیگردد. ترکیب حسگرهای پوشیدنی با الگوریتمهای یادگیری ماشین امکان تشخیص خودکار حرکات و اندازهگیری بار تمرینی را فراهم کرده است. در پژوهشهای مخصوص والیبال، سیستمهایی توسعه یافتهاند که میتوانند پرشهایی مانند اسپک، دفاع روی تور و سرویس پرشی را تشخیص دهند و تعداد و ویژگیهای آنها را ثبت کنند؛ دادههایی که میتوانند به کادر فنی برای پایش بار فیزیکی بازیکن و مدیریت تمرین کمک کنند.
در نتیجه، نقش فعلی هوش مصنوعی در والیبال را میتوان در یک زنجیره خلاصه کرد:
دیدن مسابقه، تبدیل تصویر به داده، پیدا کردن الگو در این دادهها و تحلیل دقیقتر عملکرد بازیکن.
هوش مصنوعی هنوز جای مربی یا آنالیزور را نگرفته است؛ اما کاری را انجام میدهد که برای انسان بسیار زمانبر است: پردازش حجم عظیمی از تصاویر و دادهها و تبدیل آنها به اطلاعاتی که میتواند تصمیمگیری کادر فنی را سریعتر و دقیقتر کند.
هوش مصنوعی یا مربی؛ چه کسی بازی را بهتر میبیند؟
برتری هوش مصنوعی در والیبال الزاماً دیدن چیزی نیست که چشم مربی قادر به دیدنش نباشد؛ تفاوت اصلی در مقیاس و سرعت دیدن است. یک مربی میتواند رفتار پاسور حریف را زیر نظر بگیرد، اما یک الگوریتم قادر است صدها یا هزاران رالی را بررسی کند و ارتباط میان موقعیت بازیکنان، کیفیت دریافت، نوع پاس، منطقه حمله و نتیجه هر رالی را بهصورت همزمان جستوجو کند.
یک پژوهش منتشرشده در سال ۲۰۲۲ در مجموعه مقالاتIFAC/Elsevier، این توانایی را مستقیماً با مربیان والیبال مقایسه کرد. پژوهشگران با تحلیل ۲۸۹ رالی، یک شبکه عصبی را برای پیشبینی تصمیم پاسور آموزش دادند. مدل توانست مقصد پاس را با دقت ۶۸.۱ درصد و سرعت پاس را با دقت ۷۹.۲ درصد پیشبینی کند. در مقایسه با مربیان متخصص، هوش مصنوعی در پیشبینی مقصد عملکردی تقریباً مشابه داشت، اما در پیشبینی سرعت پاس حدود ۱۴.۶ درصد بهتر عمل کرد.
البته یک مطالعه روی یک پاسور و چندصد رالی برای نتیجهگیری درباره تمام والیبال کافی نیست؛ اما همین آزمایش تصویری از ظرفیت AI ارائه میدهد:
ماشین میتواند از میان حجم بزرگی از اتفاقات، الگوهایی را استخراج کند که تشخیص مداوم آنها برای انسان دشوار است.
پژوهشهایی مانند PathFinder نیز همین مسیر را از زاویه دیگری دنبال کردهاند؛ استفاده از بینایی ماشین برای تشخیص مسیر توپ و طبقهبندی تاکتیکهای پاس. در چنین مدلی، هرچه داده بیشتری از مسابقات در دسترس باشد، امکان بررسی دقیقتر گرایشهای تاکتیکی نیز افزایش پیدا میکند؛ اینکه یک پاسور در شرایط مشخص بیشتر به کدام منطقه اعتماد میکند یا یک مهاجم در موقعیتهای مختلف چه الگوهایی از خود نشان میدهد.
اما اگر ماشین بتواند چنین الگوهایی را سریعتر از انسان پیدا کند، آیا در آینده به مربی و آنالیزور نیازی خواهد بود؟
فعلاً پاسخ منفی است. یکی از محدودیتهای اساسی AI این است که تشخیص یک الگو الزاماً به معنای فهم دلیل آن نیست. الگوریتم ممکن است نشان دهد یک پاسور در شرایط خاص بیشتر به منطقه چهار پاس میدهد، اما تصمیم درباره اینکه چرا این اتفاق افتاده و آیا در مسابقه بعد نیز تکرار خواهد شد، به شناخت شرایط بازی نیاز دارد. وضعیت روانی و جسمانی بازیکن، برنامه تاکتیکی مربی، ویژگیهای حریف و حتی تغییر تصمیمات در جریان مسابقه میتوانند معنای یک الگوی آماری را تغییر دهند.
پژوهشهای حوزه Sports Analytics نیز بر همین فاصله میان «داشتن داده» و «گرفتن تصمیم درست» تأکید میکنند. کیفیت داده، سوگیری مدلها و دشواری توضیح برخی خروجیهای هوش مصنوعی همچنان از محدودیتهای این فناوری هستند؛ همانطور که یک همبستگی آماری لزوماً نشاندهنده رابطه علت و معلولی نیست.
شاید به همین دلیل، رقابت آینده والیبال میان »هوش مصنوعی و مربی نباشد«. ماشین در پردازش حجم عظیم اطلاعات و پیدا کردن الگوها برتری دارد و مربی همچنان باید این اطلاعات را در بستر واقعی مسابقه تفسیر کند و از میان آنها تصمیم بگیرد.
در چنین شرایطی، سؤال مهمتر شاید این باشد:
مربیای که بتواند از هوش مصنوعی بهدرستی استفاده کند، چه برتریای نسبت به مربیای خواهد داشت که همچنان تنها به روشهای سنتی متکی است؟
آینده والیبال؛ هوش مصنوعی تا کجا پیش خواهد رفت؟
آنچه امروز در والیبال میبینیم، احتمالاً تنها آغاز مسیری بزرگتر است. اگر نسل فعلی ابزارهای هوش مصنوعی عمدتاً مسابقه را تحلیل و داده تولید میکنند، تحقیقات جدید نشان میدهند که قدم بعدی میتواند انتقال این توانایی از «تحلیل آنچه اتفاق افتاده» به کمک به تصمیمگیری و طراحی تمرین باشد.
یکی از نزدیکترین تحولات، آنالیز لحظهای است. پژوهشهایی مانند PathFinder نشان دادهاند که بینایی ماشین میتواند مسیر توپ و برخی تاکتیکهای پاس را از تصاویر مسابقه تشخیص دهد و ظرفیت پردازش
Real-time چنین اطلاعاتی نیز وجود دارد. در آینده، آنالیزی که امروز ساعتها پس از مسابقه در اختیار کادر فنی قرار میگیرد، ممکن است تنها چند رالی بعد به یک اطلاعات قابل استفاده روی نیمکت تبدیل شود.
مسیر دیگر به خود بازیکن میرسد. پژوهشهای جدید با ترکیب Computer Vision، حسگرهای پوشیدنی و یادگیری ماشین در حال حرکت از «اندازهگیری عملکرد» به سمت بازخورد و تمرین شخصیسازیشده هستند. به این معنا که سیستم تنها نگوید بازیکن چند بار پریده یا با چه زاویهای حمله کرده، بلکه بتواند براساس الگوهای حرکتی و نقاط ضعف او مشخص کند چه بخشی از تمرین نیازمند توجه بیشتری است.
در افقی دورتر، مفاهیمی مانند Digital Twin نیز وارد علوم ورزشی شدهاند؛ ساخت یک مدل دیجیتال پویا از ورزشکار که با اطلاعات فیزیولوژیک، بیومکانیکی و عملکردی او بهروز شود و امکان شبیهسازی شرایط مختلف تمرینی را فراهم کند. کاربرد چنین فناوریای در والیبال هنوز در مراحل اولیه پژوهش قرار دارد، اما جهت حرکت را نشان میدهد: شناخت هرچه دقیقتر هر ورزشکار و حرکت به سمت تمرینی که برای همان بازیکن طراحی شده باشد.
بااینحال، آینده احتمالاً متعلق به یک الگوریتم یا دستگاه مشخص نخواهد بود؛ بلکه به اتصال فناوریهایی که امروز جدا از یکدیگر کار میکنند وابسته است. دوربین مسابقه را میبیند، حسگر اطلاعات بدن بازیکن را ثبت میکند، هوش مصنوعی میان این دادهها الگو پیدا میکند و تجهیزات تمرینی میتوانند براساس این اطلاعات محیط متفاوتی برای تمرین ایجاد کنند.
و شاید اینجا در جمعبندی و نتیجهگیری موضوع بتوان دوباره به تصویری برگشت که این نوشته با آن آغاز شد.
سالها پیش، بازیکنان ژاپن مقابل بازوهای رباتیکی حمله میکردند که مربی برایشان مشخص کرده بود کجا و چه زمانی حرکت کنند. امروز ماشینها در حال یادگیری مرحلهای فراتر هستند: دیدن بازیکن، تشخیص حرکت، تحلیل داده و ارائه اطلاعات برای تصمیم بعدی. این تغییر به معنای کنار رفتن مربی نیست. همانطور که داده و ویدئو جای مربیان والیبال را نگرفتند، هوش مصنوعی نیز دستکم در مسیر فعلی بیشتر از آنکه جایگزین تصمیم انسانی باشد، در حال تبدیل شدن به ابزاری برای دقیقتر کردن آن است. شاید آینده والیبال نه متعلق به ماشین باشد و نه انسان بهتنهایی؛ بلکه متعلق به تیمهایی باشد که بهتر از دیگران بدانند کدام تصمیم را باید به داده سپرد و کدام تصمیم همچنان باید کنار زمین گرفته شود.