三分球投得越多越好吗？od体育AI如何把投篮区域、空间和防守压力放在一起分析

同一个点，两次出手

先看两次出手（模拟示例，不对应真实比赛）。第一次：进攻方在右侧突破，吸引了弱侧防守者收缩，传球给左底角的射手，他在接球时周围最近的防守者还在四米以外，接球、起跳、出手，一气呵成。第二次：同一个射手，同一个位置，但他接球时防守者已经从三步外冲到身前，他只能在对方伸手的情况下，把球在半失衡的状态下抛出去。

在一张按区域统计的投篮热图上，两次出手都被记作“左底角三分”。可是如果一个教练问：“我们的战术是不是在创造好机会？”热图不能回答。因为热图回答的是球员在哪投，没有回答每次出手是怎样得到的。这篇文章要讲的，就是投篮质量模型如何补上后一半。

热图看不到的四件事

热图的价值很实在：它能一眼看出球队的出手分布，比如中距离多还是三分多。但它至少有四个盲点。

• 防守压力。它没有区分空位和被贴防，而后者的命中率通常要低得多。
• 出手前的过程。是运球突破后急停，还是接球即投？是在防守轮转失误后得到的，还是被迫的强行出手？
• 出手者本人的水平。命中率高，是因为机会好，还是因为投手准？两者混在一起。
• 比赛情境。剩余进攻时间、比分、疲劳，这些也会影响出手的选择与质量。

因此，比较合理的做法，是把“热图”当作分布的概览，把“投篮质量”作为对每次出手的评估，两者并用。

投篮质量模型到底在问什么问题

从定义上说，投篮质量模型问的是：在这次出手发生的那一刻，一个联盟平均水平的球员，命中这次出手的概率是多少？注意这个“平均水平”——它故意把投手的个人能力先抹掉，只保留机会本身的难易。公开资料中，Second Spectrum 的 Quantified Shot Quality（qSQ）就是这样的思路：给定出手类型、位置、最近防守人距离、次近防守人距离、投篮者速度等因素之后，估计这次出手的命中概率。更早的学术研究里，Chang 等人在 2014 年定义过 effective shot quality（ESQ），用联盟平均在特定出手位置与防守距离下的期望值来表示。此外，Quantified Shooter Impact（qSI）则是把有效命中率拆成“机会的质量”和“投篮者本人的影响”两部分，让人分清投手到底是机会好，还是本身投得好。

这样，一个球队的出手质量和一个球员的投篮能力，就成了两个可以分别看的量。od体育AI在设计投篮质量模块时，沿用的也是这个拆分逻辑：先估计机会的质量，再谈球员相对机会的表现。

模型的输入：不只是位置和距离

下面这张表列出了一个投篮质量模型常用的输入，以及各自能提供的信息。

公开资料中，NBA 官方的技术统计页面按最近防守人距离把出手分成四档：0 到 2 英尺、2 到 4 英尺、4 到 6 英尺、6 英尺以上（被称为“Wide Open”）。这种分档很直观，但也很粗：同样是“Wide Open”，一次是在球场上完全没有人靠近的底角，一次是在防守人从侧面快速逼近的过程中；后者的干扰是动态的。所以更细致的模型会看的不只是出手瞬间的距离，还包括防守人在出手前一秒左右的接近速度。

从概率到期望得分：三分为什么不总是划算

知道了命中概率，下一步是把它换算成“这次出手值多少分”，也就是期望得分（Expected Points）。最简单的形式就是命中概率乘以分值，再加上犯规、二次进攻等项。下面用一个模拟示例说明。

从这个示例可以读出三点。其一，三分并不天然优于两分：被贴防的三分，期望得分可能与无人干扰的中距离一样；其二，同一个底角，空位与贴防之间的差距，可能比“三分与中距离”的差距还大；其三，一次出手值多少，取决于那次出手是怎样得到的。因此，“三分球投得越多越好吗”这个问题的答案，是只在这些出手是好机会的时候。一个用大量低质量三分堆出来的出手数字，并不比更均衡的选择更划算。

要看这些机会是如何被制造的，可以延伸到防守端。前面说的“空位”，在很多回合里是防守轮转慢了半拍的产物，相关的过程分析见《一次防守轮转到底慢了多少？od体育AI正在把篮球防守从“看录像”变成空间和时间数据》。而空位射手是怎么在没有球的情况下被创造出来的，则是《无球掩护怎么产生空位？od体育篮球AI开始理解不碰球的进攻价值》讨论的内容。

把球员本人拆出来：机会好和投得好不是一回事

假设一名球员今年的三分命中率很高。是因为他每次都投得很好，还是因为他的队友给了他一批极高质量的机会？投篮质量模型之所以有价值，就在于它给出了一个“基准线”：如果一名联盟平均水平的球员面对这些出手，本来应该命中多少。他的实际命中率与这个基准的差，才是他相对于机会的表现。

这里必须提醒两点。第一，这个差值受样本量影响极大。对于三分球，几十次出手之间的差异，可能完全是运气；只有出手数达到相当规模，才值得判断。第二，球员个人水平在模型里的位置是“调整项”，而不是“结论”。一个人可能在空位下投得好，但在被贴防时投得差，一个总的“个人修正值”会掩盖这一点，所以更细的做法是分场景估计。

另外，在“投篮者一侧”，也有研究把注意力放在出手动作本身。公开的一篇预印本论文（作者包括 Kirk Goldsberry 等）利用 Hawk-Eye 每秒 60 次的三维姿态与球轨迹数据，对 72 名球员的 21,964 次罚球提出了新的评价框架，试图刻画出手的稳定性与“触感”。它与投篮质量互补：前者关注球是怎么飞出去的，后者关注机会是怎么得到的。

怎么从一段视频或追踪数据得到这些输入

投篮质量模型的输入来自两条路径。如果使用职业联赛的追踪数据，十名球员与球的位置已经是现成的，模型主要工作是对齐事件（出手、传球、运球）和计算特征。如果输入是普通比赛视频，就多出一层视觉工作：Pose Estimation 与 Object Tracking 先还原每个人的位置，再把画面坐标映射到球场平面，最后才能计算防守距离。od体育在视频输入下做投篮质量分析时，会把“位置估计的不确定性”作为一个显式的量保留，因为出手瞬间防守人距离误差半米，对期望得分的影响就不可忽视。

此外，还需要处理一些微妙的定义：“出手瞬间”取球离手的那一帧，还是起跳的那一帧？“最近防守人”是欧氏距离最近，还是最有可能封盖的那一个？不同的定义会给出不同的数字，所以在比较两个球队或两个赛季的数据时，一定要确认口径一致。空间形态方面，还可以配合对进攻站位的度量，例如防守是否被拉开、弱侧射手是否形成有效拉伸，这个角度可以参考《防守站位差半步有多大区别？od体育AI如何量化篮球场上的空间》。

模型会在哪里看错

• 防守距离不等于防守压力。一名封盖能力强的防守者在两米外仍然能造成干扰，一名迟缓的防守者在半米内未必能。模型若只用距离，会低估前者、高估后者。
• 选择偏差。球员只在自己觉得好投的时候才出手。模型看到的是“已出手”的样本，没有看到那些被放弃的机会。
• 样本量与稳定性。细分场景越多，每个格子里的出手越少，估计越不稳。
• 遮挡与关键点误差。视频输入下，防守者被遮挡时位置估计会飘，出手瞬间的判断也可能错帧。
• 看不到意图与战术。某次强行出手可能是战术需要（例如拖时间或吸引犯规），模型只会把它算作低质量出手。

因此，投篮质量给出的是“这次出手在同类情境中通常有多难”，不是对某次出手对错的裁决。

教练怎么用：选择比数量更重要

对教练来说，这类模型最直接的用途，是审视球队的出手结构：我们的三分里，有多少是接球空位，有多少是被迫；我们的战术是否在有效地把最好的射手送到最好的位置；对手的防守是在压缩哪一类出手。当一个球队三分命中率下滑时，用投篮质量把“机会变差”和“手感变差”分开，是很有帮助的：前者需要调整战术，后者更多是等待回归。

od体育篮球AI 希望把这条逻辑落到具体的复盘流程里：先给出球队的出手质量分布，再点开某个低质量出手回到对应片段，看它是怎么产生的。这与只看一张热图相比，问题会更具体，也更容易在训练中改进。