不是VAR毁了足球，是糟糕的工程
路易斯·迪亚斯的进球被判无效时，我正在班加罗尔的一间酒吧里。
那是2023年11月，利物浦对阵托特纳姆热刺。皮球应声入网，安菲尔德球场瞬间沸腾，然后——一片寂静。VAR介入核查。画面定格。一条线从迪亚斯肩膀上的某个像素，一直画到最后一名防守球员脚部的某个像素。越位。可事实并非如此。英超联赛后来承认，那个进球本应算数。他们称之为“一次严重的人为失误”。
我旁边的那个人——一名软件工程师，甚至都不是足球迷——盯着屏幕说了一句让我至今难忘的话：“都2005年了，他们怎么还在一张模糊的照片上画线？”
他说得没错。而且不只是那次判罚。整个VAR越位系统建立在一个如此根本性的物理错误之上，我实在惊讶居然没有更多工程师站出来大声疾呼。我经营着Veriprajna，我们打造的是深度传感器融合系统——这类架构会将多种传感器类型的数据融合成一个单一的现实模型。当我开始拆解VAR的实际运作原理时，我发现的不是一个需要微调的系统，而是一个根本无法奏效的系统——不是因为软件写得差，而是因为物理原理错了。
越位问题不是软件缺陷。这是一场测量危机，却被包装成了一个技术成功的故事。
像素谬误：摄像机为何会误报球员的位置
关于视频帧，大多数人没有意识到的一点是：它并不是某个静止瞬间的照片，而是一团模糊的痕迹。
英超联赛的转播摄像机以每秒50帧的速度运行，也就是说，它每20毫秒才捕捉一张图像。在每次拍摄过程中，快门大约会开启10毫秒以获取足够的光线。而在这10毫秒里，一名冲刺中球员的脚——在踢球动作中速度可达每秒20米——会移动大约20厘米。传感器上捕捉到的这只脚的“影像”，绝不是一个清晰的点，而是一团横跨数十个像素的模糊痕迹。
接下来，事情变得荒谬起来。VAR操作员拿着这张模糊的画面，放大，在他们认为是进攻球员脚尖“最前端”的位置放置一个单像素十字准星，然后画一条线。他们其实是在一个概率分布中随意挑选一个点，却把它当成了真相。
转播画面捕捉到的并不是球员所在的位置，而是他们在那10毫秒窗口期内可能所处位置的一团概率云。
但时间上的问题比空间上的问题更严重。一次专业的踢球动作——脚碰到球的那一瞬间——大约只持续8到12毫秒。以每秒50帧的速度拍摄，摄像机可能在接触发生前捕捉到一帧，而下一帧时球已经离开了脚。真正的触球瞬间几乎从未出现在画面中。操作员会挑选“最接近”的一帧，但这个“最接近”可能相差多达10毫秒。而在这10毫秒里，以每秒14米的相对速度移动的球员，位置已经偏移了14厘米。
因此，这套系统会在一张早已过时的图像上画出一条精确到毫米的线，而这张图像的滞后距离，是它所声称测量的误差范围的十倍还要大。这根本不是测量，而是一场表演。
当我亲自算了这笔账
我着手这个项目，并不是为了拯救足球。我这么做，是因为这些数字冒犯了我。
我在Veriprajna的团队专注于传感器融合——将来自摄像机、加速度计、陀螺仪及其他仪器的数据整合成一个统一的物理现实模型。我们把这套方法用于对精度要求极高的工业应用场景。当我第一次以工程系统的视角审视VAR的处理流程时，我原本以为在这场争议背后会发现某种复杂精密的东西。也许公众只是不理解其中的公差范围，也许误差幅度其实是可以接受的。
然而我发现的，是一个总体不确定区间高达30到40厘米，却妄图在厘米级别上做出判罚的系统。
一天晚上，我坐下来，在白板上列出了整个误差预算：帧选择带来的时间量化误差为±10毫秒，以14米/秒的相对速度换算，相当于±14厘米的位置不确定性；快门开启期间的运动模糊又带来另外±10厘米；CMOS传感器上的卷帘快门畸变——图像是逐行、从上到下读取的，因此快速移动的腿部会呈现出几何形变——这一项虽未量化，但确实存在。再加上在一段模糊的肢体上标定关键点所带来的像素级模糊性，你会发现，综合误差远远超过了任何一次低于约40厘米的越位判罚所需的精度。
我记得自己盯着那块白板，心想：过去五年里每一次“贴身”越位判罚，其实都是一次被包装成科学的抛硬币。
就是在那一刻，我决定我们必须撰写这份完整的技术分析，不是为了抱怨VAR，而是为了展示一个真正的测量系统应该是什么样子。
为什么不能直接在同样的摄像机上使用“更好的AI”？
这是我最常被问到的问题，通常来自投资人，有时也来自其他AI公司。“你们难道不能直接在转播画面上训练一个更好的模型吗？”
不能。而这个原因揭示了当前体育科技行业运作方式中一个更深层的问题。
市场上充斥着我称之为“套壳方案”的东西——这些公司拿走标准的转播画面，将其输入现成的目标检测模型（比如YOLO或Mask R-CNN），然后输出边界框或姿态估计结果。这些方案对于球迷互动功能、集锦剪辑、基础数据分析来说还算够用。但它们从根本上不适合用于裁判执法。
套壳方案继承了其输入数据的局限性。如果你的输入是一段带有运动模糊、卷帘快门伪影和镜头畸变的50fps转播画面，那么无论神经网络有多少参数，都无法还原那些从未被捕捉到的时间信息。你无法凭空幻想出物理事实——数据根本就不存在。
每当有人问我“深度AI”对我们意味着什么时，我都会强调这一区别。它指的不是更深的神经网络，而是在整个技术栈中走得更深——控制传感器层、数据采集流程、时间同步基础设施。我们处理的不是视频，我们工程化地设计数据被捕捉时的条件，从而让输入数据真正具备支撑我们所需精度的能力。
你无法用更好的算法去解决一个测量问题，你只能用更好的仪器去解决它。
真正的系统会是什么样子？
于是我和团队设计了这样一套系统。这不是对VAR的小修小补，而是对整个测量架构的彻底替代。
核心洞见看似简单：将时间的测量与空间的测量解耦。让球告诉你何时发生了触球。让摄像机告诉你何处有球员。然后用数学方法，将这两条数据流融合成一个单一、精确的现实重建。
足球知道自己何时被踢出
我们提议在比赛用球的中心嵌入一个500Hz的惯性测量单元——一个每秒采样500次的加速度计和陀螺仪。当球被脚触碰时，加速度计会记录到一次巨大的G力峰值，其波形特征十分明显：上升时间短于2毫秒，随后球离开脚部时迅速衰减。这与球的弹跳（幅度更低、接触时间更长）或头球（因颅骨的顺应性而呈现更柔和的曲线）截然不同。
通过分析冲击的频谱特征，系统能够识别出球体形变的精确起始点——也就是比赛规则所定义的“首次接触”这一物理瞬间。其时间戳精度为：±1毫秒。相比之下，人工选帧的精度只有±10毫秒。
有一件事我们内部争论了好几个星期：这个传感器必须能够承受±200g的加速度。一次职业球员的射门所产生的力，会让消费级、量程仅为±16g的加速度计瞬间饱和，从而截断数据并破坏波形。此外，传感器还必须精确安装在球的质心位置，通过张紧的丝线悬挂在球胆内部，这样球才能保持飞行轨迹的真实性。哪怕有一丝偏差，你造出来的就是一颗“灌了铅的骰子”。这些工程约束十分苛刻，但都是可以解决的——国际足联自己在2022年世界杯上使用的智能足球技术，就已经证明了这一概念是可行的。
摄像机看清每一个人的位置
在空间层面，我们用12到16台位置固定、经过校准的机器视觉摄像机取代了转播摄像机，运行帧率为每秒200帧，并配备全局快门。
帧率的提升意义巨大。在200fps下，帧间间隔从20毫秒降至5毫秒。“盲区”——即球员在两帧之间最多能移动的距离——从28厘米缩小到7厘米。但更大的收益在于运动模糊。在200fps下，快门速度必须达到千分之一秒或更快，模糊痕迹从10到20厘米降至不到1厘米。球员由此从一团概率云，变成了清晰、可测量的物体。
全局快门同样重要。转播摄像机使用的是卷帘快门，逐行读取图像。快速移动的腿部会因此产生几何畸变——根据其相对于读取方向的运动方向，图像会被拉长或压缩。而全局快门传感器会同时曝光每一个像素，几何形状能够精确保留曝光那一瞬间的真实样貌。
而且，由于这些摄像机是固定的、经过校准的，并且视场彼此重叠，我们可以利用多视角立体几何来三角定位每名球员的3D位置。当某个肢体在某个摄像机角度被遮挡——比如在拥挤的禁区内被防守球员挡住——它几乎必定能从另一个角度被看到。我们的系统采用一种投票机制：来自未被遮挡摄像机的可见关键点参与重建，而被遮挡的视角则被舍弃。如果某个关节在所有视角中都被部分遮挡，生物力学约束条件（小腿连着膝盖，膝盖连着髋部）则可以用来进行推断，并给出一个经过计算的置信区间。
如何将两种不同的传感器融合成一个真相？
这正是真正的工程功夫所在，说实话，我认为这也是Veriprajna最深层的贡献所在。
你手头有200Hz的骨骼跟踪数据和500Hz的球体撞击数据。假设触球发生在时间戳1234毫秒。最接近的摄像机帧分别是1230毫秒和1235毫秒。你需要知道射门球员的脚尖在恰好1234毫秒时的位置。你不能只是简单地选取最接近的一帧——那会带来1毫秒的误差，而以每秒14米的速度计算，这仍然是1.4厘米的偏差。对于一个宣称能达到亚厘米级精度的系统来说，这是无法接受的。
所以我们采用插值法。但不是用直线插值——人体运动是曲线运动。冲刺中的腿在整个步幅中经历加速与减速。我们采用三次样条插值，它会在已知数据点之间构建一条平滑曲线，同时在速度和加速度上保持连续性。其结果是一个由数学方法生成的“虚拟帧”——重建出每名球员在触球那一确切毫秒时刻的骨骼位置。
在进行插值之前，我们会先将原始跟踪数据输入一个无迹卡尔曼滤波器。这是一种数学框架，它为每名球员身体上的每个关节维护一个状态模型——位置、速度、加速度——并持续地将物理规律的预测结果与摄像机的观测结果进行协调。如果神经网络的检测结果在逐帧之间出现几厘米的抖动（这种情况总会发生），滤波器会通过信任物理规律来将其平滑掉。如果球员突然变向，滤波器则会提高对光学测量结果的信任度。最终得到的是一条干净、符合生物力学规律的轨迹。
关键的架构选择在于：紧耦合与松耦合之争。在松耦合系统中，视觉系统和惯性测量单元各自独立计算位置，然后取平均值。这种方式简单，但也很脆弱——如果摄像机因为一堵由防守球员组成的“人墙”而在50毫秒内跟丢了某名球员，平均值就会变得毫无意义。而在我们的紧耦合架构中，来自两条传感器数据流的原始残差会一同输入到同一个因子图优化器中，该优化器会求解出同时满足所有约束条件的最可能状态。即使在部分遮挡期间，卡尔曼滤波器所建立的运动学动量也能以高置信度延续估计结果，直到重新获得视觉锁定为止。
我们测量的不是像素，而是重建那一瞬间的物理过程，再从模型中读取答案。
关于完整的数学框架——卡尔曼滤波器状态方程、四元数姿态估计、单应性变换——我已经发布了这份完整的技术深度解析。
误差预算会发生什么变化？
让我把这两套系统放在一起对比一下，因为反差实在鲜明。
当前采用人工选帧的50Hz VAR系统：时间误差为±10毫秒，仅选帧一项造成的空间不确定性就有±14厘米，运动模糊再带来±10厘米。总体不确定区间约为30到40厘米。
我们的架构——200Hz光学、500Hz惯性、紧耦合融合：惯性测量单元能将触球时刻精确锁定在±1毫秒。在5毫秒的摄像机间隔内进行三次样条插值，对于平滑的生物运动而言，引入的误差仅为亚毫米级。剩余的主要误差来源是神经网络关键点定位的精度——约为±2到3厘米。总体不确定区间约为2到3厘米。
这是一个数量级的提升。那些以前“太接近而无法判定”——误差落在系统盲区之内——的判罚，如今在数学上都能被清晰区分开来。
“但这样做的成本会高得离谱”
这确实需要真金白银，没错。十六台高速摄像机，体育场服务器机房里配备双A100或H100 GPU的边缘计算集群，用于实现亚微秒级时间同步的光纤PTP骨干网络，还有内嵌惯性测量单元的比赛用球。这可不是一个用API密钥就能部署的云端SaaS产品。
但让我重新构建一下这个成本问题。英超联赛每年仅转播权收入就超过30亿英镑。一次错误的越位判罚，就可能左右整个冠军争夺战的走向，引发一场价值数亿英镑的降级损失，并侵蚀全球观众的信任。而我所描述的这套基础设施，其成本可能还不及一家顶级俱乐部在一个转会窗口中的转会开支的零头。
真正的阻力并非来自成本，而是来自体制的惰性。足球的管理机构把VAR当作一个已经完成的产品来接受。承认它需要根本性的重新设计——而不仅仅是更好的操作员或更宽松的容差线——就等于承认当初的承诺被夸大了。没有人愿意面对这样的对话。
还有人问我：如果比赛中球内传感器失效了怎么办？系统会优雅降级为纯光学模式。在200fps下，误差幅度会增大到约7厘米——但这仍然远远优于目前28厘米的盲区。比赛可以毫无中断地继续进行。
那“擦碰式”传球呢——也就是脚一直与球保持连续接触的带球动作？惯性测量单元会检测到持续的振动，而不是一次尖锐的峰值，此时系统会切换逻辑，转而跟踪振动停止、也就是球被释放的那一时刻。我们已经充分考虑过这些边界情况，因为它们才是真正可能击垮一个已部署系统的那些情况。
这真正关乎的其实并不只是越位
一旦你搭建起达到这种精度水平的传感器融合架构，越位就只是第一个应用场景而已。同样的3D骨骼数据和高频球体跟踪，可以实现自动手球判定——将“自然轮廓”建模为3D空间中的一个体积边界，并检测手臂朝球体运动轨迹方向的移动幅度是否超出了躯干旋转所能解释的范围。同样，通过跟踪球员位置所得到的卡尔曼速度导数，也可以计算出每一步、每一次减速动作的精确G力值，从而在前十字韧带撕裂发生之前，提前标记出可能导致其发生的累积膝部负荷。
体育场由此变成了一个数字化的物理实验室。而这项运动，也第一次真正变得可测量。
裁判技术的恐怖谷
机器人学中有一个概念叫做“恐怖谷”——指的是某样事物已经足够接近人类、令人信服，却又差那么一点，反而让人感到极度不安的那个临界点。VAR正生活在测量技术的恐怖谷之中。它精确到足以让我们相信它捕捉到了真相，却又不够精确，以至于经常出错。而这道裂缝——存在于确定性的表象与不确定性的现实之间——正是让球迷们抓狂的原因。
那些说“VAR毁了这项运动”的人，并不是在情绪化地发泄。他们是在回应一个真实存在的现象：一个把猜测包装成事实的系统。那些精确到像素的线条、定格画面、冷峻的图形——它们所展现出的权威性，是底层物理原理根本无法支撑的。
解决方案不是走回头路。没有人希望回到那个由边裁一瞬间的目测来决定世界杯半决赛胜负的年代。解决方案是走得更深——不再测量像素，而是开始测量物理；打造真正配得上我们所做出的那些承诺的仪器。
足球需要的不是更少的技术，而是能够尊重其所要治理的这项运动之物理规律的技术。
我们需要的不是更宽的容差线，也不是更宽松的判罚流程，而是一个真正能够捕捉到事件真相的系统——传感器要足够快、足够精确、融合得足够紧密，才能重建出那个仅仅持续8毫秒、却能决定一切的瞬间的真相。
这就是我们正在打造的东西。不是因为我们认为技术应该取代足球中的人类判断，而是因为当技术确实介入的时候，它至少应该是正确的。