لیگ بیس‌بال آمریکا استفاده از هوش مصنوعی زاینده در استراتژی بازی را ممنوع کرد

تصور کنید در حساس‌ترین لحظه یک مسابقه، تصمیم تکلیف یک بازیکن را نه تجربه سالیان مربی، بلکه یک مدل ریاضی تعیین کند. لیگ بیس‌بال آمریکا (MLB) تصمیم گرفته است که اجازه ندهد چنین اتفاقی بیفتد و استفاده از هوش مصنوعی زاینده (Generative AI) — شبیه دستیاری که با تحلیل داده‌ها، دستورالعمل‌های لحظه‌ای برای برنده شدن می‌نویسد — را در استراتژی‌های درون‌بازی ممنوع کند.

این ممنوعیت برای جلوگیری از جایگزینی تفکر انتقاد بازیکنان و مربیان با اتوماسیون رخ داده است. در واقع لیگ می‌خواهد مرزی مشخص بین «آماده‌سازی داده‌محور» قبل از بازی و «اجرای خودکار» در حین مسابقه ترسیم کند. همان‌طور که در تحلیل قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، در دنیای کدنویسی بحث بر سر یافتن حفره‌های امنیتی است، اما در ورزش حرفه‌ای، بحث بر سر حفظ «روح بازی» و شهود انسانی است. این رویکرد سخت‌گیرانه در مدیریت داده‌ها و حریم خصوصی، یادآور سیاست‌های جنجالی برخی غول‌های فناوری است؛ برای مثال سامسونگ اخیراً در شرایطی جدید تصمیم گرفته است سوابق پزشکی کاربرانی را که آموزش هوش مصنوعی را رد می‌کنند، به طور کامل حذف کند.

طبق اعلام دفتر کمیسر در یادداشتی مورخ ۱۱ ژوئن، سیاست‌های جدید به‌طور صریح استفاده از اپلیکیشن‌های سفارشی که «توصیه‌های مربوط به تعویض بازیکن، فراخوانی پرتاب و سایر تصمیمات درون‌بازی» ارائه می‌دهند را ممنوع می‌کند. این قوانین از ۱۵ ژوئیه ۲۰۲۶ اجرایی شدند.

به گزارش The Athletic، جزئیات این ضربه به اتوماسیون ورزش به شرح زیر است:

• نرخ پذیرش: حدود یک‌سوم تیم‌ها از تبلت‌ها برای این اهداف غیرقانونی استفاده می‌کردند.
• اجرا و جریمه: پس از بررسی و اطمینان از تطبیق تمام سازمان‌ها با قوانین جدید، هیچ باشگاهی جریمه نشد.
• زمینه تاریخی: این اقدام در واقع تشدیدی بر محدودیت‌های سال ۲۰۲۱ در مورد استفاده از آیپدهاست که پس از رسوایی‌های «سرقت علامت‌ها» وضع شده بود.

برای هواداران و بازیکنان، این یعنی «حس ششم» مربی هنوز بر یک پرامپت بهینه‌شده ریاضی برتری دارد. اگرچه مدل‌های هوش مصنوعی می‌توانند آمارها را سریع‌تر از هر انسانی پردازش کنند، اما نمی‌توانند وضعیت روحی یا جسمی یک بازیکن در inning نهم را درک کنند. جایگزینی شهود با یک مدل مولد، ورزش پویا را به یک تمرین پیش‌بینی‌پذیر برای بهینه‌سازی تبدیل می‌کند.

گام بعدی شما

• رصد کنید که آیا سایر لیگ‌های حرفه‌ای (مانند NBA یا NFL) با الگوبرداری از MLB، مرزهای انسانی-الگوریتمی را تعریف می‌کنند یا خیر.
• بررسی کنید که ابزارهای تحلیل داده در ورزش، چطور از «توصیه‌گر لحظه‌ای» به «ابزار آموزشی پیش از بازی» تغییر مسیر می‌دهند.

این تنها آغاز ماجراست؛ اثر موج‌گونه‌ی این تصمیم بر اکوسیستم تحلیل‌های ورزشی را در گزارش بعدی بررسی خواهیم کرد.