随着人工智能（AI）越来越多地进入足球青训和球探体系，围绕其应用边界的讨论也在升温。有研究指出，AI未必能更准确地筛选出未来的“明星球员”，反而可能在选材过程中复制并放大原有偏见与不平等。

据在线媒体Gigazine 11日（当地时间）报道，瑞典马尔默大学体育科学研究团队成员Ria Monsis表示，用于足球球探的AI可以作为辅助决策工具，但很难真正客观量化所谓“天赋”。

目前，不少精英足球学院和俱乐部正借助GPS追踪器、自动视频分析工具及AI平台，持续收集球员数据。对俱乐部而言，越早识别潜力球员，往往意味着越高的培养和转化回报，这也推动了相关技术的加快应用。

争议的核心在于，AI通常依赖历史数据来识别“成功球员”的共性特征。如果传统球探长期偏好身体条件更突出的球员，或更容易从特定社会经济背景中发现和培养人才，那么AI在训练和筛选过程中，也可能延续并强化同样的偏好。

足球世界长期推崇“尽早发现天才”的叙事。西班牙球员Lamin Yamal在6岁进入FC Barcelona青训体系，并在15岁9个月16天时完成一线队首秀。相比之下，Alex Morgan直到十几岁才开始接受系统训练，Luca Toni则在20岁出头才站上顶级赛场。不同球员在身体、心理和社会层面的成长节奏并不一致，仅凭早期数据，很难准确判断其长期潜力。

研究认为，AI也难以充分覆盖这种差异。Monsis指出，数据驱动的方法可以为决策提供参考，但并不能消除主观性。采集哪些数据、如何分析数据、什么样的表现被定义为“天赋”，最终仍由人来设定。即便量化数据不断增加，球员的成长经历、人际互动以及具体比赛语境，仍难被完整纳入模型。

这一机制还可能放大足球领域原有的不平等。通往精英球员的路径，长期受到社会、经济和文化条件影响。如果AI以这类现实结果作为训练基础，既有差距就可能被进一步固化。即便同龄球员中发育更早者在短期内更具优势，也不意味着其长期潜力一定更强；像Ian Wright、Luca Toni这样的“晚熟型”球员，就可能在系统筛选中被忽视。

与此同时，持续监测本身也可能带来额外压力。如果年轻球员意识到自己的各项数据正被长期收集并交由AI评估，心理负担可能随之上升，不仅影响场上表现，也可能引发更多焦虑。相关研究还显示，监测强化带来的“时刻被评估”感受，并不只存在于球员群体，教练和工作人员同样会承受压力。

不过，上述观点并不意味着否定AI在足球选材中的价值。对于俱乐部而言，AI能够处理人工难以覆盖的大规模信息，帮助识别过去容易被忽略的模式，也有助于突破地域限制，更广泛地观察球员。围绕这一技术的讨论重点，正从“是否使用”转向“如何使用”。

Monsis强调，未来的关键不只是引入新技术，更在于反思具体使用方式。俱乐部需要清楚认识数据的边界，并在教育培训和专业能力建设方面投入更多资源。

这场讨论也表明，AI或许能够提升球员发掘效率，但训练数据和评价标准并不会因此自动变得更公平。对于体育行业而言，如何解释数据，并将其与人的判断有效结合，正成为更值得重视的课题。