به گزارش ورزش سه، هوش مصنوعی امروز کد می‌نویسد، صدا را تشخیص می‌دهد و خودروهای بدون راننده را هدایت می‌کند اما وقتی پای پیش‌بینی یک مسابقه فوتبال وسط باشد، حتی قدرتمندترین شبکه‌های عصبی هم میلیون‌ها دلار مجازی را می‌بازند و وارد ضرر می‌شوند.

آوریل ۲۰۲۶، یک آزمایش بزرگ به نام KellyBench دقیقا همین را ثابت کرد. با این حال تنها چند هفته دیگر، فیفا تحلیل مسابقات جام جهانی را به هوش مصنوعی خواهد سپرد.
پس دقیقا چه اتفاقی در حال رخ دادن است؟ هوش مصنوعی الان کجای ورزش ایستاده، چرا در شرط‌بندی شکست می‌خورد و «آشوب زندگی واقعی» چه چیزی را از ماشین‌ها پنهان می‌کند؟

هوش مصنوعی در ورزش چه کارهایی انجام می‌دهد؟
شبکه‌های عصبی آرام و بی‌سروصدا وارد ورزش شده‌اند اما حالا تقریبا همه‌جا حضور دارند.
باشگاه‌ها از هوش مصنوعی برای تحلیل تاکتیک‌های حریف استفاده می‌کنند، استعدادیاب‌ها با کمک الگوریتم‌ها بازیکنان جوان را پیدا می‌کنند و تیم‌های پزشکی از مدل‌های داده‌محور برای پیش‌بینی مصدومیت بازیکنان بهره می‌برند.

بازار تحلیل ورزشی مبتنی بر هوش مصنوعی حالا میلیاردها دلار ارزش دارد و سالانه بیش از ۲۱ درصد رشد می‌کند.

قدرت اصلی الگوریتم‌ها در حجم عظیم داده‌هایی است که انسان عملا توانایی پردازش همزمان آن‌ها را ندارد؛ از آمار شوت‌ها و نقشه حرارتی حرکت بازیکنان گرفته تا شرایط آب‌ و هوایی، وضعیت روانی بازیکنان، لحن شبکه‌های اجتماعی و صدها پارامتر دیگر.
در نهایت، سیستم به یک پیش‌بینی می‌رسد: چه تیمی برنده می‌شود، بازی با چه نتیجه‌ای تمام خواهد شد و چرا.

اعداد هم در نگاه اول حیرت‌انگیزند. طبق داده‌های تحلیلی صنعت، مدل‌های مدرن در تشخیص برنده مسابقه به دقتی بین ۷۵ تا ۸۵ درصد رسیده‌اند؛ در حالی که روش‌های آماری سنتی که ۱۰ سال پیش رایج بودند، معمولا بین ۵۰ تا ۶۰ درصد دقت داشتند.
امروز ده‌ها اپلیکیشن در فروشگاه‌های نرم‌افزاری وجود دارند که وعده می‌دهند تصمیم‌گیری بر اساس داده، نه احساسات.

این سرویس‌ها فرم تیم‌ها، تاریخچه تقابل‌ها، غایبان و مصدومان را بررسی می‌کنند و در عرض چند ثانیه پیش‌بینی نهایی را تحویل می‌دهند.
روی کاغذ، همه‌چیز شبیه رویای هر هوادار فوتبال است: بدون حدس و شهود؛ فقط ریاضیات.

چرا شبکه‌های عصبی در شرط‌بندی شکست می‌خورند؟ 
اما واقعیت، خیلی بی‌رحم‌تر از تبلیغات است. آوریل ۲۰۲۶، استارتاپ General Reasoning نتایج پروژه‌ای به نام KellyBench را منتشر کرد؛ گسترده‌ترین آزمایش تاریخ برای سنجش عملکرد شبکه‌های عصبی روی داده‌های واقعی ورزشی.

در این پروژه هشت مدل برتر هوش مصنوعی از شرکت‌های OpenAI، Google، Anthropic و xAI هر کدام یک سرمایه مجازی دریافت کردند و مامور شدند برای کل فصل لیگ برتر انگلیس ۲۰۲۳/۲۴ استراتژی شرط‌بندی طراحی کنند.

هیچ دسترسی مستقیمی به اینترنت وجود نداشت؛ فقط داده‌های تاریخی و محاسبات ریاضی.
نتیجه تکان‌دهنده بود؛ همه شکست خوردند.
بهترین عملکرد را مدل Claude Opus 4.6 متعلق به Anthropic ثبت کرد که به طور میانگین ۱۱ درصد سرمایه‌اش را از دست داد.
مدل Gemini Flash گوگل در یکی از شبیه‌سازی‌ها روی یک مسابقه معادل ۲۷۳ هزار پوند شرط بست؛ فقط به این دلیل که داده‌های تاریخی، سه درصد برتری احتمالی نشان می‌دادند. شرط شکست خورد.
مدل Grok 4.20 متعلق به xAI هر سه آزمایش را با شکست کامل پشت سر گذاشت و در یکی از آن‌ها عملا ورشکسته شد.

اما شاید عجیب‌ترین بخش ماجرا مربوط به مدل GLM-5 بود؛ مدلی که سه گزارش کامل درباره اشتباهات خودش نوشت و به‌درستی تشخیص داد استراتژی‌اش ضررده است، اما با وجود این، حتی یک خط از کدهایش را تغییر نداد و تا نابودی کامل سرمایه به شرط‌بندی ادامه داد.

طنز تلخ ماجرا این بود که یک مدل آماری قدیمی به نام Dixon-Coles که اواخر دهه ۹۰ میلادی طراحی شده بود، عملکرد بهتری از شش شبکه عصبی مدرن داشت؛ آن هم با داده‌های محدودتر و بدون در نظر گرفتن فاکتورهای پیشرفته امروزی.

مشکل اصلی چیست؟ شکاف میان «دانستن» و «عمل کردن»
پژوهشگران برای توضیح این شکست از یک عبارت مهم استفاده کردند: شکاف میان دانش و عمل.
هوش مصنوعی می‌تواند فرمول Kelly را کاملا بلد باشد؛ الگوریتمی ریاضی که سال ۱۹۵۶ برای مدیریت ریسک شرط‌بندی طراحی شد اما وقتی باید این فرمول را وسط آشوب واقعی فوتبال اجرا کند، همه‌چیز فرو می‌ریزد.
در دنیای واقعی ترکیب تیم‌ها تغییر می‌کند، مربیان اخراج می‌شوند، بازیکنان ناگهان افت می‌کنند، تیم‌های تازه‌صعودکرده داده تاریخی ندارند، فشار روانی و رسانه‌ای روی عملکرد اثر می‌گذارد و این دقیقا همان جایی است که ماشین‌ها سردرگم می‌شوند.
هوش مصنوعی هنوز نمی‌تواند پیامد تصمیم‌های خودش را در بلندمدت درک کند.
الگوریتم شاید بداند احتمال برد یک تیم ۵۴ درصد است، اما حس مسابقه، آشوب روانی رختکن، یا تاثیر یک بحران داخلی را درک نمی‌کند.
فوتبال فقط داده نیست؛ بلکه مجموعه‌ای از متغیرهای انسانی، احساسی و غیرقابل‌پیش‌بینی است.

جایی که هوش مصنوعی واقعا برنده می‌شود؛ جام جهانی ۲۰۲۶ و پروژه فیفا
با وجود این شکست‌ها، فیفا دقیقا در همین تابستان قرار است گسترده‌ترین استفاده تاریخ از هوش مصنوعی در فوتبال را انجام دهد. فیفا رسما اعلام کرده در جام جهانی ۲۰۲۶، سیستم‌های مبتنی بر AI بخش مهمی از تحلیل مسابقات را برعهده خواهند داشت.
سیستم Football AI Pro برای هر ۴۸ تیم حاضر در جام جهانی داده‌های تحلیلی پیشرفته تولید می‌کند؛ از آمار قبل و بعد مسابقات گرفته تا ویدیو، گرافیک و حتی مدل‌های سه‌بعدی تحلیلی.
اما مهم‌ترین پروژه مربوط به فناوری آفساید است. فیفا قصد دارد برای هر ۱۲۴۸ بازیکن حاضر در جام جهانی یک آواتار سه‌بعدی مبتنی بر هوش مصنوعی بسازد. بازیکنان اسکن می‌شوند و سیستم اطلاعات دقیق اندام‌ها و موقعیت بدن را دریافت می‌کند تا تشخیص آفساید با دقتی بی‌سابقه انجام شود. هدف این است که تصمیم‌های بحث‌برانگیز انسانی تا جای ممکن حذف شوند.

پس آیا هوش مصنوعی شکست خورده است؟ نه دقیقا.

آزمایش KellyBench ثابت نکرد که هوش مصنوعی بی‌فایده است؛ فقط نشان داد ما گاهی از ابزار اشتباه، انتظار اشتباه داریم. شبکه عصبی می‌تواند دستیار فوق‌العاده‌ای برای یک مربی باشد؛ می‌تواند ساختار تاکتیکی حریف را تحلیل کند، الگوهای بازی را استخراج کند و حتی مصدومیت‌ها را پیش‌بینی کند.

برای داوری هم می‌تواند انقلابی در راه باشد؛ تشخیص سریع‌تر و دقیق‌تر آفساید، تحلیل برخوردها و کاهش خطای انسانی اما سپردن مدیریت ریسک بلندمدت به هوش مصنوعی، هنوز شبیه این است که از یک ماشین‌حساب بخواهیم رمان بنویسد.

ماشین‌حساب می‌تواند تعداد کلمات را بشمارد اما نمی‌فهمد چرا قهرمان داستان اصلا سوار آن قطار شد. آینده ورزش؛ داده بیشتر، اما هنوز انسان تعیین‌کننده است
بازار هوش مصنوعی در ورزش همچنان با سرعت رشد می‌کند. شرکت‌های شرط‌بندی از AI برای مدیریت ریسک و کشف تقلب استفاده می‌کنند، باشگاه‌ها تحلیل‌های دقیق‌تری به دست می‌آورند و بازیکنان هر روز داده‌های بیشتری در اختیار دارند.

اما مهم‌ترین نتیجه آزمایش KellyBench همچنان پابرجاست: دانستن و عمل کردن، دو چیز متفاوت‌اند.
ماشین‌ها شاید بتوانند الگوها را ببینند اما هنوز فقط انسان است که می‌تواند وسط آشوب واقعی تصمیم بگیرد.