Il VAR non rovina il calcio. La cattiva ingegneria sì.

Ero in un bar a Bangalore quando il gol di Luis Díaz è stato annullato.

Era novembre 2023, Liverpool contro Tottenham. Il pallone è finito in rete, Anfield è esplosa, e poi — silenzio. La revisione VAR. Il fotogramma congelato. La linea tracciata da un pixel sulla spalla di Díaz a un pixel sullo scarpino dell'ultimo difensore. Fuorigioco. Solo che non lo era. La Premier League ha poi ammesso che il gol sarebbe dovuto essere convalidato. Un "errore umano significativo", lo hanno definito.

Il ragazzo accanto a me — un ingegnere informatico, nemmeno un tifoso di calcio — guardò lo schermo e disse una cosa che mi è rimasta impressa: "Perché tracciano linee su una foto sfocata come se fosse il 2005?"

Aveva ragione. E non solo su quella decisione. L'intero sistema VAR per il fuorigioco è costruito su un errore fisico così fondamentale che sono sinceramente sorpreso che non più ingegneri ne abbiano gridato lo scandalo. Dirigo Veriprajna, dove costruiamo sistemi di sensor fusion profondi — il tipo di architettura in cui si fondono dati provenienti da più tipi di sensori in un unico modello della realtà. Quando ho iniziato a scomporre il funzionamento reale del VAR, non ho trovato un sistema che avesse bisogno di aggiustamenti. Ho trovato un sistema che non può funzionare, non per colpa di un software difettoso, ma per colpa di una fisica difettosa.

Il problema del fuorigioco non è un bug del software. È una crisi di misurazione travestita da storia di successo tecnologico.

La fallacia del pixel: perché le telecamere mentono su dove si trovano i giocatori

Ecco ciò che la maggior parte delle persone non capisce di un fotogramma video: non è la fotografia di un istante congelato. È una sfocatura.

Una telecamera da trasmissione della Premier League gira a 50 fotogrammi al secondo. Questo significa che cattura un'immagine ogni 20 millisecondi. Durante ogni scatto, l'otturatore resta aperto per circa 10 millisecondi per lasciare entrare abbastanza luce. In quei 10 millisecondi, il piede di un giocatore che scatta — in movimento a 20 metri al secondo durante un gesto di calcio — percorre circa 20 centimetri. L'"immagine" di quel piede sul sensore non è un punto nitido. È una sfocatura che si estende per decine di pixel.

Ed è qui che diventa assurdo. L'operatore VAR prende questo fotogramma sfocato, ingrandisce l'immagine, posiziona un mirino di un solo pixel su ciò che ritiene essere il "bordo anteriore" della punta del piede dell'attaccante, e traccia una linea. Sta scegliendo un punto all'interno di una distribuzione di probabilità e lo sta spacciando per verità.

Un fotogramma televisivo non cattura dove si trova un giocatore. Cattura una nuvola di probabilità di dove potrebbe essersi trovato durante una finestra di 10 millisecondi.

Ma il problema temporale è ancora peggiore di quello spaziale. Un calcio professionistico — il momento in cui lo scarpino tocca il pallone — avviene in circa 8-12 millisecondi. A 50 fotogrammi al secondo, la telecamera potrebbe catturare un fotogramma prima del contatto e quello successivo dopo che il pallone ha già lasciato il piede. L'istante effettivo del calcio quasi non appare mai sullo schermo. L'operatore sceglie il fotogramma "più vicino", ma "più vicino" può significare uno scarto di 10 millisecondi. In quei 10 millisecondi, giocatori che si muovono a una velocità relativa combinata di 14 metri al secondo si sono spostati di 14 centimetri.

Quindi il sistema traccia una linea precisa al millimetro su un'immagine che è fisicamente obsoleta di una distanza dieci volte superiore al margine che pretende di misurare. Questo non è misurazione. È teatro.

Quando ho fatto i calcoli di persona

Non ho iniziato questo progetto per aggiustare il calcio. L'ho iniziato perché la matematica mi ha offeso.

Il mio team a Veriprajna lavora sulla sensor fusion — combinando dati provenienti da telecamere, accelerometri, giroscopi e altri strumenti in un modello unificato della realtà fisica. Lo facciamo per applicazioni industriali dove la precisione conta. Quando ho esaminato per la prima volta la pipeline del VAR come sistema ingegneristico, mi aspettavo di trovare qualcosa di sofisticato dietro la controversia. Forse il pubblico semplicemente non capiva le tolleranze. Forse i margini di errore erano accettabili.

Invece, ho trovato un sistema con una zona totale di incertezza di da 30 a 40 centimetri che cerca di prendere decisioni a livello di centimetro.

Una sera mi sono seduto e ho tracciato il margine di errore su una lavagna. Quantizzazione temporale dalla selezione del fotogramma: ±10 millisecondi, che a 14 m/s di velocità relativa dà ±14 cm di incertezza posizionale. Sfocatura da movimento durante l'apertura dell'otturatore: altri ±10 cm. Distorsione da rolling shutter sui sensori CMOS — dove l'immagine viene letta riga per riga, dall'alto verso il basso, per cui una gamba in rapido movimento appare geometricamente distorta: non quantificata ma reale. Aggiungi l'ambiguità a livello di pixel nel posizionare un punto chiave su un arto sfocato, e ti trovi davanti a un errore combinato che fa impallidire qualsiasi margine di fuorigioco al di sotto di circa 40 centimetri.

Ricordo di essere rimasto a fissare quella lavagna pensando: ogni decisione di fuorigioco "al limite" degli ultimi cinque anni è stata un lancio di moneta travestito da scienza.

Fu in quel momento che decisi che dovevamo scrivere l'analisi tecnica completa. Non per lamentarci del VAR, ma per mostrare come sarebbe un vero sistema di misurazione.

Perché non si può semplicemente usare un'"IA migliore" sulle stesse telecamere?

Questa è la domanda che mi sento fare più spesso, di solito da investitori e a volte da altre aziende di IA. "Non potete semplicemente addestrare un modello migliore sul segnale televisivo?"

No. E il motivo rivela un problema più profondo nel modo in cui funziona oggi l'industria della tecnologia sportiva.

Il mercato è inondato da quelli che chiamo soluzioni wrapper — aziende che prendono un segnale televisivo standard, lo fanno passare attraverso un modello di rilevamento oggetti pronto all'uso come YOLO o Mask R-CNN, e restituiscono bounding box o stime della posa. Vanno bene per funzionalità di coinvolgimento dei tifosi, video degli highlight, analisi di base. Sono fondamentalmente inadatte all'arbitraggio.

Un wrapper eredita i limiti del proprio input. Se il tuo input è un segnale televisivo a 50fps con sfocatura da movimento, artefatti da rolling shutter e distorsione della lente, nessuna rete neurale — non importa quanti parametri abbia — può recuperare informazioni temporali che non sono mai state catturate. Non puoi allucinare la fisica. I dati semplicemente non ci sono.

Questa è la distinzione che continuo a cercare di chiarire quando le persone mi chiedono cosa significhi "Deep AI" per noi. Non significa una rete neurale più profonda. Significa andare più a fondo nello stack — controllando il livello dei sensori, la pipeline di acquisizione dati, l'infrastruttura di sincronizzazione temporale. Non elaboriamo video. Progettiamo le condizioni in cui i dati vengono catturati, in modo che gli input siano effettivamente in grado di supportare la precisione di cui abbiamo bisogno.

Non puoi risolvere un problema di misurazione con un algoritmo migliore. Lo risolvi con uno strumento migliore.

Come sarebbe fatto un sistema reale?

Così io e il mio team ne abbiamo progettato uno. Non un aggiustamento al VAR. Una sostituzione dell'intera architettura di misurazione.

L'intuizione centrale è ingannevolmente semplice: disaccoppiare la misurazione del tempo dalla misurazione dello spazio. Lascia che sia il pallone a dirti quando è avvenuto il calcio. Lascia che siano le telecamere a dirti dove si trovavano i giocatori. E usa la matematica per fondere questi due flussi in un'unica, precisa ricostruzione della realtà.

Il pallone sa quando viene calciato

Proponiamo di incorporare un'unità di misura inerziale (IMU) a 500Hz — un accelerometro e un giroscopio che campionano 500 volte al secondo — al centro del pallone da gara. Quando uno scarpino colpisce il pallone, l'accelerometro registra un picco massiccio di forza G con una forma d'onda caratteristica: tempo di salita rapido inferiore a 2 millisecondi, decadimento rapido mentre il pallone lascia il piede. Questo è distinto da un rimbalzo (magnitudine inferiore, contatto più lungo) o da un colpo di testa (curva più morbida a causa della cedevolezza del cranio).

Analizzando la firma spettrale dell'impatto, il sistema identifica l'esatto inizio della deformazione del pallone — l'istante fisico del "primo contatto" come definito dalle regole del gioco. La precisione del timestamp: ±1 millisecondo. Confrontalo con i ±10 millisecondi della selezione manuale del fotogramma.

Una cosa su cui abbiamo discusso internamente per settimane: il sensore deve gestire ±200g di accelerazione. Un tiro professionistico genera forze che saturerebbero istantaneamente un accelerometro di livello consumer a ±16g, tagliando i dati e distruggendo la forma d'onda. Il sensore deve anche trovarsi esattamente nel centro di massa del pallone, sospeso su filamenti tesi all'interno della vescica, in modo che il pallone voli dritto. Qualsiasi deviazione e avrai costruito un dado truccato. I vincoli ingegneristici sono severi, ma risolvibili — la tecnologia del pallone connesso della FIFA ai Mondiali 2022 ha dimostrato che il concetto è praticabile.

Le telecamere vedono dove si trova ognuno

Per il livello spaziale, sostituiamo le telecamere televisive con 12-16 telecamere di visione artificiale calibrate e a posizione fissa, che operano a 200 fotogrammi al secondo con otturatori globali.

L'aumento del frame rate conta enormemente. A 200fps, l'intervallo tra fotogrammi scende da 20 a 5 millisecondi. Il "punto cieco" — la distanza massima che un giocatore può percorrere tra un fotogramma e l'altro — si riduce da 28 a 7 centimetri. Ma il vantaggio maggiore è la sfocatura da movimento. A 200fps, la velocità dell'otturatore deve essere di 1/1000 di secondo o più veloce. La sfocatura scende da 10-20 centimetri a meno di 1 centimetro. I giocatori diventano oggetti nitidi e misurabili invece che nuvole di probabilità.

Anche gli otturatori globali contano. Le telecamere televisive usano otturatori a scorrimento (rolling shutter) che leggono l'immagine riga per riga. Una gamba in rapido movimento viene distorta geometricamente — allungata o compressa a seconda della sua direzione rispetto alla lettura. I sensori a otturatore globale espongono ogni pixel simultaneamente. La geometria viene preservata esattamente come esisteva nel momento dell'esposizione.

E poiché queste sono telecamere fisse e calibrate con campi visivi sovrapposti, possiamo triangolare la posizione 3D di ogni giocatore usando la geometria stereo multi-vista. Quando un arto è occluso in un'inquadratura — bloccato da un difensore in un'area di rigore affollata — è quasi certamente visibile da un'altra angolazione. Il nostro sistema usa un meccanismo di voto: i punti chiave visibili dalle telecamere non ostruite contribuiscono alla ricostruzione, le visuali occluse vengono scartate. Se un'articolazione è parzialmente nascosta in tutte le visuali, i vincoli biomeccanici (uno stinco è collegato a un ginocchio che è collegato a un'anca) permettono l'inferenza con un intervallo di confidenza calcolato.

Come si fondono due sensori diversi in un'unica verità?

È qui che vive la vera ingegneria, e onestamente, penso sia dove risiede il contributo più profondo di Veriprajna.

Hai dati di tracciamento scheletrico a 200Hz e dati di impatto del pallone a 500Hz. Il calcio avviene, ad esempio, al timestamp di 1234 millisecondi. I fotogrammi della telecamera più vicini sono a 1230ms e 1235ms. Devi sapere dove si trovava esattamente la punta del piede dell'attaccante a 1234ms. Non puoi semplicemente scegliere il fotogramma più vicino — quello è un errore di 1 millisecondo, che a 14 m/s equivale ancora a 1,4 centimetri. Per un sistema che rivendica una precisione sub-centimetrica, questo è inaccettabile.

Quindi interpoliamo. Ma non con una linea retta — il movimento umano è curvilineo. Una gamba che scatta accelera e decelera durante la falcata. Usiamo l'interpolazione a spline cubica, che costruisce una curva liscia attraverso i punti dati noti preservando la continuità in velocità e accelerazione. Il risultato è un "fotogramma virtuale" generato matematicamente — la posizione ricostruita dello scheletro di ogni giocatore all'esatto millisecondo del contatto.

Prima dell'interpolazione, facciamo passare i dati di tracciamento grezzi attraverso un Filtro di Kalman Unscented. Si tratta di un framework matematico che mantiene un modello di stato per ogni articolazione sul corpo di ogni giocatore — posizione, velocità, accelerazione — e riconcilia continuamente ciò che la fisica prevede con ciò che le telecamere osservano. Se il rilevamento della rete neurale oscilla di qualche centimetro da un fotogramma all'altro (cosa che accade sempre), il filtro lo attenua dando fiducia alla fisica. Se il giocatore fa un cambio di direzione improvviso, il filtro aumenta la fiducia nella misurazione ottica. Il risultato è una traiettoria pulita e biomeccanicamente coerente.

La scelta architetturale cruciale: accoppiamento stretto contro accoppiamento debole. In un sistema debolmente accoppiato, il sistema visivo e l'IMU calcolano le posizioni ciascuno in modo indipendente, e poi si fa la media. Semplice, ma fragile — se le telecamere perdono di vista un giocatore dietro un muro di difensori per 50 millisecondi, la media diventa priva di significato. Nella nostra architettura strettamente accoppiata, i residui grezzi di entrambi i flussi di sensori confluiscono in un unico ottimizzatore a grafo dei fattori che risolve per lo stato più probabile che soddisfa simultaneamente tutti i vincoli. Anche durante un'occlusione parziale, lo slancio cinematico stabilito dal filtro di Kalman porta avanti la stima con alta affidabilità fino a quando non viene riacquisito il tracciamento visivo.

Non misuriamo pixel. Ricostruiamo la fisica del momento e leggiamo la risposta dal modello.

Per il framework matematico completo — le equazioni di stato del filtro di Kalman, la stima dell'orientamento tramite quaternioni, le trasformazioni omografiche — ho pubblicato l'approfondimento tecnico completo qui.

Cosa succede al margine di errore?

Lascia che metta i due sistemi a confronto, perché il contrasto è netto.

L'attuale VAR a 50Hz con selezione manuale del fotogramma: errore temporale di ±10ms, incertezza spaziale di ±14cm dalla sola selezione del fotogramma, ±10cm dalla sfocatura da movimento. Zona totale di incertezza: circa da 30 a 40 centimetri.

La nostra architettura — ottica a 200Hz, inerziale a 500Hz, fusione strettamente accoppiata: l'IMU fissa il calcio a ±1ms. L'interpolazione a spline cubica su un intervallo di 5ms tra i fotogrammi introduce un errore sub-millimetrico per un movimento biologico fluido. La fonte di errore dominante rimanente è la precisione di posizionamento dei punti chiave da parte della rete neurale — circa ±2-3 centimetri. Zona totale di incertezza: circa 2-3 centimetri.

Si tratta di un miglioramento di un ordine di grandezza. Decisioni che prima erano "troppo incerte per essere prese" — quando il margine cadeva all'interno del punto cieco del sistema — diventano matematicamente distinte.

"Ma sarebbe incredibilmente costoso"

Costerebbe soldi veri, sì. Sedici telecamere ad alta velocità, cluster di edge computing con doppie GPU A100 o H100 nella server room dello stadio, un backbone in fibra ottica PTP per la sincronizzazione temporale sub-microsecondo, palloni da gara con IMU incorporata. Non è un prodotto SaaS cloud che si distribuisce con una chiave API.

Ma lasciatemi riformulare la questione dei costi. La Premier League genera oltre 3 miliardi di sterline all'anno in ricavi da diritti televisivi. Una singola decisione di fuorigioco sbagliata può ribaltare una corsa al titolo, innescare una retrocessione che vale centinaia di milioni in ricavi persi, ed erodere la fiducia di un pubblico globale. L'infrastruttura che sto descrivendo costerebbe una frazione di quanto un singolo grande club spende in trasferimenti durante una sessione di mercato.

La vera resistenza non è il costo. È l'inerzia istituzionale. Gli organi di governo del calcio hanno accettato il VAR come un prodotto finito. Ammettere che ha bisogno di una re-ingegnerizzazione fondamentale — non solo operatori migliori o linee di tolleranza più spesse — significa ammettere che la promessa originale è stata sopravvalutata. Nessuno vuole avere quella conversazione.

Le persone mi chiedono anche: cosa succede se il sensore del pallone si guasta a partita in corso? Il sistema degrada in modo controllato passando alla modalità solo ottica. A 200fps, il margine di errore aumenta a circa 7 centimetri — comunque drasticamente migliore rispetto all'attuale punto cieco di 28 centimetri. La partita continua senza interruzioni.

E che dire del passaggio "toccato male" — un dribbling in cui il piede mantiene un contatto continuo con il pallone? L'IMU rileva una vibrazione continua invece di un picco netto, e il sistema cambia logica per tracciare il momento del rilascio, quando la vibrazione cessa. Abbiamo analizzato a fondo questi casi limite perché sono quelli che effettivamente manderebbero in crisi un sistema distribuito.

Non si tratta davvero di fuorigioco

Una volta costruita un'architettura di sensor fusion con questo livello di fedeltà, il fuorigioco è solo la prima applicazione. Gli stessi dati scheletrici 3D e il tracciamento del pallone ad alta frequenza permettono il rilevamento automatico del fallo di mano — modellando la "sagoma naturale" come un confine volumetrico nello spazio 3D e rilevando i movimenti del braccio verso la traiettoria del pallone che eccedono ciò che la rotazione del busto implicherebbe. Le stesse derivate di velocità di Kalman che tracciano la posizione del giocatore possono calcolare la forza G esatta di ogni passo ed evento di decelerazione, segnalando i carichi cumulativi sul ginocchio che precedono le lesioni al legamento crociato anteriore prima che si verifichino.

Lo stadio diventa un laboratorio di fisica digitalizzato. E lo sport diventa, per la prima volta, genuinamente misurabile.

La valle perturbante della tecnologia arbitrale

C'è un concetto della robotica chiamato valle perturbante (uncanny valley) — il punto in cui qualcosa è quasi abbastanza simile all'uomo da risultare convincente, ma abbastanza fuori posto da risultare profondamente inquietante. Il VAR vive nella valle perturbante della tecnologia di misurazione. È abbastanza preciso da farci credere che stia catturando la verità, ma abbastanza impreciso da sbagliare regolarmente. Quel divario — tra l'apparenza della certezza e la realtà dell'incertezza — è ciò che manda in bestia i tifosi.

Le persone che dicono "il VAR rovina il gioco" non stanno reagendo emotivamente. Stanno rispondendo a un fenomeno reale: un sistema che presenta congetture come fatti. Le linee precise al pixel, i fotogrammi congelati, la grafica clinica — tutti proiettano un'autorità che la fisica sottostante non può sostenere.

La soluzione non è tornare indietro. Nessuno vuole tornare ai tempi in cui lo sguardo di una frazione di secondo di un guardalinee decideva una semifinale di Coppa del Mondo. La soluzione è andare più a fondo. Smettere di misurare pixel e iniziare a misurare la fisica. Costruire strumenti degni delle affermazioni che stiamo facendo.

Il calcio non ha bisogno di meno tecnologia. Ha bisogno di tecnologia che rispetti la fisica dello sport che sta cercando di governare.

Non abbiamo bisogno di linee di tolleranza più spesse o protocolli più indulgenti. Abbiamo bisogno di un sistema che catturi davvero ciò che è accaduto — con sensori abbastanza veloci, abbastanza precisi e fusi in modo abbastanza stretto da ricostruire la verità di un momento che dura 8 millisecondi e decide tutto.

Questo è ciò che stiamo costruendo. Non perché pensiamo che la tecnologia debba sostituire il giudizio umano nel calcio. Ma perché quando la tecnologia davvero interviene, dovrebbe quantomeno avere ragione.