花样滑冰选手在赛场上往往给人以轻盈优雅的观感，仿佛在冰面上毫不费力地滑行、起跳和腾空。但在实际动作中，他们穿着沉重的冰鞋完成数英尺高的跳跃，在高速旋转中承受数百磅的向心力，并在仅约 3/16 英寸宽的冰刀刃上完成落冰。

在计划于 2026 年举行的意大利米兰和科尔蒂纳冬奥会上，NBC 将启用一款由前麻省理工学院研究员开发的人工智能工具，尝试以数据形式呈现这些高难度动作，帮助电视观众更直观地理解当今奥运花样滑冰选手的技术表现。

利用比赛画面实时生成技术数据

该工具由 2024 年麻省理工学院毕业生、体育分析公司 OOFSports 创始人 Jerry Lu 及其团队开发。OOFSports 利用人工智能分析比赛视频，实时提取运动表现数据，为解说团队提供更具体的技术信息。在米兰-科尔蒂纳冬奥会上，Lu 将与 NBC 体育合作，采集包括跳跃高度、运动员速度和旋转轨迹在内的多项数据。

随着花样滑冰技术难度不断提升，例如四周跳动作愈发普遍，美国选手 Ilia Malinin 在奥运会上首次完成四周阿克塞尔跳即为一例，Lu 的系统被用于对这些高难度动作进行逐时刻解析。

从游泳分析到冬奥花样滑冰

Lu 最初从竞技游泳领域进入体育分析。就读弗吉尼亚大学本科期间，他与数学家 Ken Ono 合作开发了一款可穿戴设备，用于帮助校队游泳选手分析划水动作，以提升推进效率并减少阻力。此后，他在 2020 年东京奥运会上担任五名游泳奖牌得主的技术顾问，在 2024 年巴黎奥运会上则为 16 名奖牌得主提供技术支持。

在麻省理工学院的体育实验室工作期间，Lu 开始尝试将相关技术拓展至其他项目，其中包括为澳大利亚 BMX 自由式自行车队提供策略优化支持。巴黎奥运会结束后，NBC 直接联系 Lu，探讨为米兰-科尔蒂纳冬奥会开发花样滑冰数据分析系统的可能性。

Lu表示，一些兼具艺术性的项目在电视转播中缺乏数据支撑的叙事方式。他举例称，观众在电视上观看冰球比赛时可能觉得节奏相对平缓，但现场观赛时会明显感受到速度很快；类似地，在屏幕上观看美国花样滑冰选手 Amber Glenn 的跳跃，视觉冲击可能不如现场观赛时那样强烈。NBC 希望借助数据手段缩小这两种观看体验之间的差距。

与前奥运选手合作拆解评分逻辑

对于 Lu 和团队而言，开发花样滑冰分析工具的第一步，是向专业人士学习这项运动的技术和评分逻辑。团队成员本身并非滑冰选手，他们首先与前奥运花样滑冰选手、NBC 资深分析师 Tara Lipinski 和 Johnny Weir 进行多次沟通。

与游泳或田径等项目相比，花样滑冰的评分标准存在较多主观空间。Lu 表示，团队需要充分理解裁判在评分时关注的要点。Lipinski 和 Weir 详细介绍了他们在解读动作时的关注点、裁判的评判重点以及他们认为的技术优劣之处。Lu 称，团队的任务是在此基础上寻找可量化的维度，并形成可在不同运动员之间进行比较的指标体系。

通过视频识别动作类型与旋转次数

Lu 指出，花样滑冰分析系统的构建方式与游泳截然不同。游泳分析主要围绕推进力和阻力两个变量展开，而花样滑冰则更强调完成复杂跳跃所需的速度与旋转能力。

为在不使用可穿戴设备的前提下计算相关指标，团队训练了一个人工智能模型，对比赛视频进行逐帧分析，识别运动员身体上的多个关键点，包括头部、肩部、肘部、臀部和脚踝等。基于这些数据点，模型被训练用于根据身体姿态区分不同类型的跳跃动作，例如托环跳、卢茨跳和阿克塞尔跳，并进一步统计运动员在空中的旋转圈数，以判断动作是双周跳、三周跳还是四周跳。

在能够精确定位滑冰者任意时刻位置的基础上，模型可以计算运动员起跳前的速度、腾空高度、落冰后的速度以及滑行距离等关键统计数据。这些量化结果将为包括 Lipinski 和 Weir 在内的解说员提供辅助信息，用于在转播中向观众更细致地描述动作难度和技术表现。

推出面向大众的应用与下一步计划

除与 NBC 的合作外，Lu 还基于同一技术开发了一款名为 OOFSkate 的应用，面向不同水平的滑冰爱好者。用户可以拍摄自己的滑冰视频，并即时获得个人技术数据。该应用于 2025 年 12 月成为美国花样滑冰协会的官方合作伙伴。

Lu 表示，下一步计划是开发一个不仅能跟踪动作，还能对部分技术要素进行评分的版本。目前相关模型已在研发中，计划在滑冰淡季期间推出。按照他的设想，该系统未来将用于辅助评估部分技术动作，但不会替代人工对运动员艺术表现的判断。

在谈及花样滑冰的特点时，Lu 称，这一项目兼具艺术性与技术性。按照奥运会“更高、更快、更强”的理念，更高难度的跳跃获得更高分数是现有评分体系的一部分，例如四周跳相较三周跳在技术分上更具优势。同时，他指出，艺术表现仍然是花样滑冰的重要组成部分。