上交大00后博士打造AI大模型观赛平台，MatchMate探索AI变现新路径

type

status

date

slug

summary

category

icon

password

网址

AI体育赛道今年迎来了一波明星资本的押注。

面向业余球队的AI可穿戴数据追踪平台PlayerData，由NBA巨星杜兰特参投A轮融资。SpeedLabs凭借体育垂直模型生成即时可交易的数据指标，以及职业球队AI赛事运营管理平台Arkero、AI自动化赛事转播系统Sportway、网球视觉追踪系统PlayReplay，今年均相继完成千万美元级融资，赢得尤文图斯前主席阿涅利、意甲球星基耶利尼等欧洲体育资本下注。

与此同时，国内的年轻力量也在破局。01年出生的AI PhD饶珈源，打造了AI足球观赛平台MatchMate，正试图重塑绿茵场体验。

饶珈源目前是上海交大人工智能学院博士三年级学生，专注于多模态学习及AI4Sports方向，师从谢伟迪与王延峰教授。他曾有多篇论文入选AI顶会，其中 SoccerMaster被评为CVPR 2026 Best Paper Candidate，另有SoccerAgent（ACM MM 2025）、UniSoccer（CVPR 2025）、MatchTime（EMNLP 2024）等多项前沿学术成果，聚焦AI体育的数据基础、基础模型、实时交互等。饶珈源本科就读于上海交大密西根学院，并荣获“上海市优秀毕业生”称号。

饶珈源是一名从小热爱体育的跨界达人，曾获全国大学生网球锦标赛第五名（男子团体），并在足球、网球项目多次斩获上海市前三名，也是各大体育明星活动校园行MC，获学院十佳歌手、兼任法语助教等。

学术实力与内生热爱的碰撞，驱动他用技术重构体育的传统消费场景，也赋予了他“最懂体育的AI Researcher”的独特生态位。今年5月，他正式打造了AI观赛平台MatchMate，为球迷提供实时数据问答、多维度战术拆解、个性化解说交互等观赛体验。

体育热爱投射到AI4Sports科研

后浪new：你很早就和体育结缘，先聊聊你的体育经历吧

饶珈源：我喜欢几乎所有体育项目，四五岁开始打网球，小时候在当地少体校念书；也从小爱看NBA、CBA；南非世界杯期间又迷上足球、开始踢球，目前也在交大校队担任门将；小时候有个理想是做运动员或体育记者。

我对体育的热爱贯穿至今，也直接影响了我的科研方向，博士期间选择了AI4Sports。今年5月开始创业，我开发的第一个产品是MatchMate AI看球搭子，这也是我体育理想的延伸。

后浪new：能否展开介绍一下你在AI4Sports领域的科研成果？

饶珈源：在AI for Soccer这个子方向，我们团队基本完成了从“数据基础设施、基础模型”到“评测体系、交互框架”的全链路搭建。

我的研究始于视频理解，最早的课题是自动足球解说（即通过比赛视频自动生成解说词）。当时VLM还远没到现在的程度、视频理解能力普遍不足，我通过优化数据基础取得了突破性成果，并收录至自然语言处理顶会做了口头汇报。

后来，我开始转向更通用的体育AI研究，建构了更庞大的infra，包括数据集和针对体育的训练框架，把解说、分类、犯规检测等多任务整合进统一框架联合训练，紧接着推出了真正意义上的Soccer通用基础模型，整合了十多个核心任务，并向交互、战术生成等子任务延伸。

多模态模型打通足球AI全链路

后浪new：你的系列论文覆盖了赛事预测、Agent、战术推演等，这些研究成果在学界得到了哪些认可？

饶珈源：可能论文的录取只是一方面，最大的认可当然是今年获得了CVPR Best Paper Candidate。也因为自己的一些研究成果，今年去国际足联（FIFA）做了几个月访问学者，也通过这样的方式了解到真实应用层面的足球发展。

今年我主办了一场CVPR挑战赛，推动近100支参赛队利用模型进行足球场景的AI自动VQA，本质也是想推动标准化，为行业建立了共同的评测基准。

后浪new：CVPR最佳论文候选提名对AI for Soccer这个子领域意味着什么？

饶珈源：因为AI足球还是一个垂直且相对小众的领域，拿到CVPR顶会提名并不容易，当然可能正好乘了世界杯的东风，但底色一定是这篇论文质量和完成度达到了这个层级最基础的认可。

后浪new：AI for Soccer数据集的建设，目前做到了什么程度？

饶珈源：目前全球公开可用的主流数据集，从知识库、多轮问答、赛事解说、行为分类到战术分析等，绝大部分都是由我和团队贡献的。当然因为足球比赛的商业属性，这些不方便用于商业使用，其实也是行业需要攻克的一个大课题，就是数据太宝贵，研究者们能拿到的量还是很有限。

后浪new：标注数据时是否考虑了人为经验？因为你是资深的体育爱好者和从业者，有没有通用大模型很难捕捉的赛事隐性特征？

饶珈源：我科研早期花了4个月时间去构建整个数据集底座，没有分发给志愿者，核心目的就是为了保证数据集的质量。足球数据的标注较依赖对运动本身的理解，比如犯规严重程度的判断、越位边界的界定，没有真正踢过球、看过球的人很难精准把握。

这些Know-how会直接影响模型的泛化能力。这个清洗与标注过程，很像当年李飞飞团队做ImageNet，是深耕这个领域绕不开的必经之路。

AI看球搭子，重塑观赛体验

后浪new：为什么选择在今年创业，而不是等读完博士？

饶珈源：核心有两点。第一是技术与学术的闭环。去年，我在AI for Soccer方向的核心科研工作基本闭环了，把这套底层体系直接推向真实场景去验证，迭代效率会比纯写论文更快。

第二是我观察到了体育产业的结构性红利。去年是大众群众体育爆发的元年，“苏超”、“浙BA”等群众赛事开始高频出现，专业体育与大众体育的边界在加速消融。这种变化不是短暂热度，而是结构性的长期趋势。今年，下沉到街道、社区级的业余比赛越来越多，这类大众赛事的数字化和AI尚处于空白，看起来是比较make sense的商业切入窗口。

MatchMate推出的FBTI看球搭子人格测试

后浪new：创业第一步你推出了MatchMate AI看球搭子，恰逢世界杯，它的核心定位是什么？

饶珈源：MatchMate定位为AI观赛平台。核心功能之一是赛事预测，我们在世界杯小组赛的预测准确率达66%，淘汰赛则提升至85%。

用户在观赛时，可以在MatchMate选择或自定义特定的“看球搭子”。平台会实时可视化呈现射门数、控球率等核心数据，还可以切换聊天模式，比如专注聊战术、聊球员八卦，甚至能让AI运用古诗词等特定文本风格进行交互。市面上绝大多数观赛产品停留在“图文资讯”模式，缺乏动态交互层，而个性化交互体验是我们的一项核心差异点。

我们还在试点线上/线下的“第二现场”看球房，引入了Quiz、竞猜、抽奖等互动机制，目前已在高校落地。

后浪new：你这几年的科研积累，如何映射到MatchMate这款产品上？

饶珈源：底层的多模态视频理解能力是基石。但MatchMate这种ToC应用，对实时性和精准度要求极高，单靠模型本身是不够的，必须结合外部实时数据源。

更准确地说，我过去几年的学术积累，最大价值在于帮我构建了高壁垒的技术边界认知。我很清楚在现有技术条件下，足球AI在哪些场景能落地、哪些地方是伪需求、底层逻辑是什么。

后浪new：比赛的规则数据是否作为显式向量库？并与多模态模型进行了解耦？

饶珈源：规则并没有端到端地训练进基础模型，而是在下游的具体子任务中单独引入。例如，越位线这种几何特征可以被精准量化，但犯规严重程度等非量化、主观性强的判罚，必须结合裁判规则库进行解耦单独处理。

后浪new：赛事预测在世界杯期间是很好的传播点，但你如何看待AI赛事预测的上限？

饶珈源：世界杯结束后我们会发布一份行业报告，复盘各家产品的预测表现。

实际上，在公开信息完全对称的条件下，模型预测结果容易同质化。AI预测的上限不在于模型，而取决于你能获取多少高价值的非公开私有信息，比如更衣室动态、伤病内幕等信息。公开数据量可能还不及职业球队内部数据的 1%，真正的门槛在于稀缺的数据渠道。

打破边界，沉淀体育专属方法论

后浪new：竞技体育最迷人之处在于不可预测性。你们在足球场景的这套多模态理解与预测能力、开发范式，是否考虑迁移到其他赛事场景？

饶珈源：会迁移，但不同运动之间的底层逻辑偏差比想象中大。比如，篮球的数据构建方式和足球不同，篮球是回合制、停表计时，标注逻辑要重来。而网球虽然场地小、落点相对简单，但3D建模和数据采集又是全新的课题。

目前我们的足球技术体系已相对成熟，篮球方向正在推进，网球和羽毛球也在规划中。核心技术范式可以复用，但每切入一个新运动项目，都必须重新搭建一套数据基础设施，这背后的工程量不小。

后浪new：AI4Sports在学术界处于什么位置？它只是通用多模态研究的应用子场景，还是已经沉淀出了独立的方法论体系？

饶珈源：两者兼有。体育场景天生就是复杂的多模态生态——视频、空间轨迹、竞技规则、运动员实时生理与心理状态等高度交织，复杂度远超通用的视频理解。

以足球为例，犯规的严重程度无法被简单量化，必须结合规则处理；而越位虽然可量化，却对相机的三维视角和画面帧率有着极高要求。这些细颗粒度的特征，在通用多模态模型中几乎被完全忽略，但在真实的体育竞技场景中至关重要，这也驱使我们必须沉淀出体育场景专属方法论。

MatchMate举办世界杯嘉年华活动

AI辅助人类，留住竞技本源魅力

后浪new：MatchMate后续的商业模式如何规划？

饶珈源：商业化将率先锚定在B端数据服务。群众性赛事和半职业联赛正在结构性扩张，但这些赛事数字化程度极低，基本靠人工。我们希望通过职业级的数据服务（如球员跑动轨迹、传球链、射门可视化等）切入。

后浪new：从商业化角度，你怎么看体育数据目前的行业结构？

饶珈源：竞猜博彩肯定是最大的盘子，但我们希望只聚焦于体育运动本身。球探系统、选秀、球队战术外包也是稳定的B端刚需。在C端，家长为孩子记录运动表现、青训评估的付费意愿也很明确。我们的路径是先B后C，从球队服务切入，再顺势向C端消费场景延伸。

后浪new：你怎么看AI在体育行业里应该扮演的角色？

饶珈源：AI应该服务体育、赋能于人，而不是去“颠覆”体育。体育的底层魅力在于Physical属性，它是人类身体极限的碰撞、情绪的释放、精神的斗争，以及不可预测的现场张力。AI能做的，是让这件事更清晰、更高效，让更多人能够客观且热烈参与进来。

文章来自于"后浪new"，作者 "Evelyn"。