MLB为什么禁止教练用实时AI：当算法开始赶在下一球之前下命令

我对棒球规则了解得不算多。

但看到MLB最近的一项调整时，我还是立刻意识到：这件事讨论的可能不只是棒球，也不只是体育。

它讨论的是一个所有行业迟早都要面对的问题：

当AI不再只是分析过去，而是开始指挥下一步行动，人类应该把边界画在哪里？

事情看起来很小。

2026年7月，MLB关闭了各支球队休息区iPad上的一个自定义标签入口。

不是没收iPad。

不是禁止球员看比赛视频。

也不是宣布“棒球不准使用AI”。

只是关掉了一个标签。

但这个标签背后，连接着的可能是一整套球队私有程序、实时数据系统和AI决策工具。

也就是说，MLB真正切断的，不是一个页面。

而是一条从现场数据通向下一次比赛决策的高速通道。

关掉的不是AI，而是一条实时决策回路

MLB给各支球队的休息区配备了专用iPad。

球员和教练可以用它查看比赛视频、联盟提供的数据，以及其他经过批准的资料。

原来的系统中，还有一个球队自定义标签。

一开始，这个标签更像一个数字化活页夹。

球队可以把赛前准备好的对手资料、投打对位、防守站位和战术手册放进去。

过去助教拿着一摞纸，现在换成了iPad。

本质上没有太大区别。

但技术工具有一个非常典型的发展规律：

只要入口存在，它就很难永远停留在最初的用途。

MLB在6月11日发给各队管理人员的备忘录中提到，一些球队对自定义标签的使用，已经扩展到换人、配球以及其他传统上由球员和教练作出的比赛内决策。

因此，从2026赛季下半程开始，MLB让这个入口无法继续访问。

值得注意的是，联盟竞争委员会审查后，并没有认定相关球队违反原有规则，也没有球队因此受到处罚。

这更像是一次提前封路。

MLB不是在追究一场已经发生的技术作弊，而是在一条道路变得普遍、成熟和不可逆之前，先重新划定边界。

为什么这条路会引起警惕？

因为球队使用的可能已经不再是静态资料。

它可能是这样一套系统：

比赛刚刚产生新的投球数据。

后台人员立即完成记录。

球队程序把现场数据与长期积累的球员资料结合。

模型重新估算不同策略的成功概率。

下一名打者上场前，建议已经出现在教练面前。

上一球刚结束。

下一球还没开始。

AI的建议已经到了。

这就是整件事真正敏感的地方。

真正改变比赛的，不一定是更聪明的模型，而是更短的延迟

很多人听到“AI指导棒球比赛”，第一反应可能是：

模型真的比职业教练更懂棒球吗？

它的预测准确率到底有多高？

它能帮助球队多赢几场比赛？

这些问题当然重要。

但它们可能不是MLB最先担心的问题。

MLB真正警惕的，是决策延迟正在接近于零。

一个模型不需要拥有超越所有名帅的智慧。

它只需要满足三个条件：

第一，能够接收正在发生的现场信息。

第二，能够迅速输出具体行动建议。

第三，建议能在下一次行动之前到达决策者手中。

一旦这三个条件同时成立，AI就不再只是分析工具。

它已经进入了实时指挥系统。

我把这条链路称为：

现场数据—模型计算—行动建议—立即执行。

这是一条实时AI决策闭环。

单独看其中任何一环，都不算特别新。

球队早就在收集数据。

算法早就在计算概率。

教练早就在参考分析报告。

真正的变化，是这些环节第一次被高速连接起来。

过去，数据分析主要发生在赛前和赛后。

今天，分析可能发生在两次投球之间。

这几十秒的时间差，看似很短，却决定了AI到底是在帮助人类准备，还是已经开始参与现场指挥。

棒球，恰好是AI最容易深入的运动之一

我后来越想越觉得，棒球会率先碰到这个问题，并不意外。

因为棒球特别适合数据模型。

它有大量重复发生、边界相对清晰的决策：

下一球应该投什么类型？

球应该投向哪个位置？

同一名投手第三次面对同一批打者时，要不要改变策略？

什么时候应该换投手？

什么情况下应该让打者采取更激进的方式？

不同选择都能对应相对明确的结果。

而且，一支球队在漫长的常规赛季里，会不断积累投球、挥棒、跑垒、出局和得分数据。

MLB的Statcast系统还可以记录球速、旋转、出手点、位移和击球质量等大量细节。

这意味着，棒球不是只有“数据很多”。

它还有两个更适合机器的特征：

问题会反复出现，结果能够持续反馈。

模型给出一次建议。

比赛产生一个结果。

结果又成为下一轮训练和判断的输入。

于是，球队获得了一个可以不断迭代的实验场。

AI不需要每次都比教练更准确。

它只要在某些高频问题上，平均多猜对几个百分点，就可能在漫长赛季中积累成明显优势。

真正可怕的从来不是AI突然变成一名完美教练。

而是它在成千上万次微小决策中，持续比人类多赢一点点。

MLB防范的从来不是数字化，而是“刚刚发生的信息”

MLB对休息区里的屏幕格外敏感，有很深的历史原因。

2015年，联盟开始试用休息区iPad；2016年，iPad被更广泛地用于球探资料、数据和视频分析。

休斯敦太空人队偷暗号事件发生后，联盟一度取消比赛中的视频访问权限。

2021年相关功能恢复，但视频上传加入了延迟，并对内容进行了处理，以降低球队利用电子设备实时破解对手暗号的风险。

把这些规则放在一起看，就会发现MLB的态度一直很清楚。

它并不反对数据。

也不反对视频。

更不反对球队提高分析能力。

它真正敏感的是：

刚刚发生的比赛信息，能不能赶在下一次行动之前，被转化成额外优势。

这是体育技术治理里一个非常关键的概念。

同一份信息，晚一个小时使用，可能是复盘。

晚十分钟使用，可能是战术调整。

十秒钟之内使用，就可能直接改变下一次对抗。

数据没有变。

算法也没有变。

改变性质的是时间。

MLB一边限制实时AI，一边又在使用机器裁判

更有意思的是，MLB并不是一个排斥新技术的联盟。

2026赛季，MLB正式启用了电子好坏球挑战系统。

当主裁判对好球或者坏球作出判断后，投手、捕手或者打者可以立即发起挑战，由自动化系统进行复核。

但规则专门设置了一条边界：

只有直接参与这一球的投手、捕手或打者可以发起挑战。

教练、其他球员和工作人员不能向他们提供帮助。

这个设计很耐人寻味。

机器负责提供更精确的判断。

但是否启动机器，仍然由场上的人决定。

技术可以帮助纠错。

却不能替代球员判断自己是否看错。

换句话说，MLB并不是简单地在“人类”和“机器”之间二选一。

它在设计一种更复杂的分工：

机器提供能力，人类保留行动权。

这可能才是未来AI治理真正需要解决的问题。

我们不能只问AI能不能做。

还要问：

谁可以调用它？

什么时候可以调用？

它提供的是信息、建议，还是命令？

最终责任由谁承担？

世界杯也在划一条相似的线

2026年世界杯期间，FIFA和联想向全部48支参赛球队提供了Football AI Pro。

这套系统可以分析海量足球数据，通过文本、视频、图表和三维可视化输出分析结果。

FIFA对它的公开定位，是帮助所有球队获得更均衡的赛前和赛后分析能力，降低富裕球队与资源有限球队之间的数据能力差距。

赛事期间，48支参赛球队都使用了这套工具。系统能够分析超过2000项指标，并在较短时间内生成报告和可视化结果。

这里有一个非常重要的逻辑。

FIFA并没有因为担心AI改变足球，就拒绝向球队提供AI。

恰恰相反，它主动把工具提供给所有球队。

因为赛前分析能力可以被理解为一种基础设施。

当所有参赛者都能获得类似能力时，AI反而有机会缩小资源差距。

但进入正在进行的比赛，就不一样了。

赛前准备解决的是：

我应该如何理解对手？

实时指挥解决的是：

下一步具体应该怎么做？

前者扩大教练的认知范围。

后者可能开始替代教练的判断。

这是两种完全不同的权力。

我们为什么会赞美一次经典换人？

刚刚结束的2026年世界杯决赛中，西班牙经过加时赛以1∶0击败阿根廷。

西班牙主教练路易斯·德拉富恩特在下半场进行人员调整。

第106分钟，两名替补球员完成了决定冠军的一次配合：尼科·威廉斯头球回做，费兰·托雷斯完成制胜进球。

比赛结束后，人们会赞美教练的换人。

为什么？

因为在比赛僵持、压力巨大、全世界都盯着他的时刻，是教练读出了场上的变化。

他必须判断球员状态。

理解对手阵型。

评估比赛走势。

承受换人失败的责任。

最后，拿自己的经验、直觉和名声下注。

正因为结果并不确定，这个决定才值得被记住。

但我忍不住想到另一个问题。

假如这次换人并不是教练自己的判断。

而是后台模型实时计算后，把费兰·托雷斯排在了所有替补选项的第一位。

教练只是看了一眼概率，然后点击确认。

比赛结果没有改变。

进球仍然精彩。

西班牙仍然夺冠。

但我们还会用同样的方式赞美教练吗？

恐怕不会。

因为体育比赛让人着迷的，不只是结果。

还有人在不确定环境中作出选择的过程。

当AI开始参与决策，改变的不只是胜率，还有荣誉的归属

这是很多AI讨论中容易被忽略的一点。

我们经常只计算效率。

模型能不能提高命中率？

能不能降低失误？

能不能增加胜率？

但在体育、医疗、教育、司法和管理等领域，决策还有另外一层含义：

决定是谁作出的，责任就应该由谁承担；责任由谁承担，荣誉也应该归属于谁。

一名教练作出换人决定。

成功了，他获得赞美。

失败了，他接受批评。

这是一套完整的责任闭环。

但当AI深度参与决策后，责任开始变得模糊。

教练采纳AI建议并且失败，应该怪谁？

怪教练没有坚持自己的判断？

怪模型训练数据有偏差？

怪数据团队输入了错误信息？

还是怪球队管理层购买了错误的系统？

技术越深入核心环节，这种问题就越难回避。

因此，MLB关闭实时AI入口，不只是为了维护竞技公平。

它也在保护一套体育比赛最基本的叙事结构：

球员进行比赛。

教练作出判断。

裁判维持规则。

球队为自己的决定负责。

如果模型逐渐成为隐藏在休息区里的“第四类参与者”，那么比赛的责任、荣誉和传奇，最终应该属于谁？

每个行业都需要找到自己的“赛前”和“比赛中”

我认为，MLB这次限制最值得关注的地方，不是体育联盟是否保守。

而是它给其他行业提供了一个很实用的判断框架。

未来，每个行业都需要找到自己的“赛前”和“比赛中”。

在医疗领域，AI帮助医生整理病历、检索论文和分析影像，可以理解为赛前准备。

但如果系统绕过医生，直接调整患者用药，就进入了比赛中。

在招聘领域，AI帮助招聘人员整理候选人信息，是准备工具。

但如果模型可以直接淘汰求职者，就开始拥有行动权。

在金融领域，AI生成市场研究报告，是分析。

但如果它能够根据实时行情自动完成大额交易，就构成了实时决策闭环。

在企业管理中，AI总结经营数据，是辅助。

但如果它可以直接裁撤项目、冻结预算或者向员工下达任务，它就不再只是助手。

判断AI是否越过边界，可以问三个问题：

它接收的是不是实时信息？

它输出的是不是具体行动建议？

建议是否会在极短时间内被执行？

当三个答案都是“是”时，我们面对的通常已经不是普通的AI工具。

而是一套实时指挥系统。

这时，讨论重点就不能只剩下准确率。

还必须加入责任、解释权、控制权、公平性和人的主体性。

真正成熟的AI应用，不是把人赶出决策，而是重新设计人机分工

我一直是AI乐观主义者。

我相信AI会进入越来越多行业。

也相信更多分析、搜索、预测和重复工作应该交给机器。

但我并不认为，所有可以自动化的决定，都应该自动化。

体育比赛尤其如此。

如果我们只追求最优解，机器迟早会比人做得更好。

AlphaGo出现以后，人类已经很难在围棋上与顶级AI抗衡。

但人类并没有因此停止下棋。

因为我们坐在棋盘前，不只是为了找到数学意义上的最优落点。

我们还在观察对手。

猜测意图。

制造陷阱。

承受失误。

享受一次出人意料的胜利。

体育也是一样。

我们喜欢的从来不只是比分。

而是人在压力中如何判断，在失败后如何调整，在所有人都不看好的时候，如何作出一个改变比赛的决定。

AI可以帮助教练准备得更充分。

可以帮助球员看见过去没有看见的信息。

可以帮助裁判减少明显误判。

但到了那个必须下注的瞬间，我仍然希望最后作出决定的是人。

因为人会犯错。

会犹豫。

会冲动。

也会在所有概率都不支持自己的时候，突然创造出一个奇迹。

而这些不完美的东西，恰恰构成了体育最完美的部分。

MLB这次关闭的，只是iPad里的一个标签。

但它真正提出的问题是：

当AI已经能够影响胜负，我们究竟要追求一场计算得更准确的比赛，还是一场依然属于人的比赛？

这个问题，很快也会出现在我们的工作、生活和每一次重要选择里。

关注本站，每天分享跨境电商前沿资讯（ Ctrl + D 收藏本站/收藏为书签 ）