第三十一期

2026-08-01

一.虛擬場邊廣告技術於足球賽事中的應用與發展

作者:游錐

一、虛擬場邊廣告的前世今生

在現代體育產業中,廣告收入是維持職業聯盟、球隊以及大型賽事運作的重要來源。其中,足球場邊廣告(Perimeter Advertising) 一直是最常見且最具商業價值的廣告形式之一。傳統場邊廣告通常透過球場周圍的實體廣告牌或 LED 顯示器展示品牌資訊,但這類廣告受到場地限制,同一時間只能提供給有限數量的企業使用。

隨著足球運動逐漸全球化,同一場比賽可能透過電視、網路串流平台播放給世界各地的觀眾。然而,不同地區的企業希望接觸不同市場的消費者,因此傳統場邊廣告無法有效滿足全球化行銷需求。在此背景下,虛擬場邊廣告(Virtual Perimeter Advertising, VPA) 技術逐漸發展。

虛擬場邊廣告是一種利用電腦視覺、影像處理與即時合成技術,將數位廣告內容加入體育直播畫面的技術。透過此技術,轉播中的觀眾可以看到與現場觀眾不同的廣告內容,而球員與現場觀眾通常不會察覺這些虛擬廣告的存在。

虛擬廣告技術最早於 1990 年代末期開始應用於體育轉播。早期系統主要用於在畫面中加入簡單的品牌標誌,例如在球場草皮或場邊區域加入企業 Logo。然而,由於當時的電腦運算能力與影像分析技術有限,虛擬廣告容易出現位置偏移、透視錯誤以及無法正確被球員遮擋等問題。

進入 2000 年代後,隨著電腦視覺、攝影機追蹤技術以及即時影像渲染能力提升,虛擬場邊廣告逐漸成熟。現代系統可以精準追蹤攝影機運動、建立球場三維模型,並將廣告自然融合至直播畫面中,使虛擬廣告看起來如同真實存在於球場內。

二、虛擬場邊廣告是怎麼做的

虛擬場邊廣告需要結合多種影像處理技術,才能在快速變化的體育比賽環境中維持真實感。

1. 攝影機追蹤(Camera Tracking)

足球比賽直播時,攝影機會持續移動,例如:

平移(Pan)

傾斜(Tilt)

放大與縮小(Zoom)

因此系統必須即時分析攝影機的位置與角度,才能確保虛擬廣告的位置與視角保持正確。

例如,當攝影機從左側移動至右側時,虛擬廣告也必須跟隨透視變化,否則觀眾會察覺廣告並非真實存在於場景中。

2. 球場三維建模(3D Stadium Mapping)

為了讓虛擬廣告符合真實環境,系統需要建立球場的數位模型,包括:

球場邊線位置 廣告板角度 攝影機視角 場地比例

透過三維模型,系統可以計算廣告在畫面中的正確位置與大小,使其符合透視效果。

3. 即時影像合成(Real-time Image Compositing)

影像合成是虛擬廣告最核心的技術。 系統會將數位廣告圖像加入原始直播畫面:
圖片

原始畫面

圖片

處理後的畫面

然而,為了提高真實感,系統必須處理:

球員遮擋效果 光影變化 草皮顏色差異 攝影機角度變化

例如,當球員跑過廣告區域時,虛擬廣告必須被球員身體遮住,而不能覆蓋在球員身上。

三、虛擬場邊廣告的主要形式

區域化場邊廣告(Regional Virtual Advertising) 區域化廣告是目前虛擬場邊廣告最主要的應用方式。由於大型足球賽事具有全球觀眾,因此不同地區的企業希望購買不同市場的廣告曝光。透過虛擬廣告技術,同一場比賽可以根據觀眾所在地顯示不同內容。如此一來,同一個場邊廣告位置可以同時服務多個市場,提高廣告收益。

動態廣告替換(Dynamic Ad Replacement) 動態廣告替換允許系統在直播過程中改變廣告內容。

例如:

上半場顯示品牌 A 下半場顯示品牌 B 不同串流平台顯示不同廣告

這個技術也讓廣告播放更加彈性 (也能跟廣告主搶更多錢)

虛擬 LED 廣告板(Virtual LED Perimeter Boards)

虛擬 LED 廣告板模擬傳統球場 LED 廣告看板。

與真實 LED 看板相比,虛擬版本具有:

可快速更換內容 可針對不同市場調整 不需要改變實際球場設備

目前此技術廣泛應用於:

足球 棒球 籃球 美式足球

等大型體育賽事。

比較項目傳統場邊廣告虛擬場邊廣告
廣告位置實際球場固定位置直播畫面中的虛擬位置
現場觀眾是否看到通常否
電視觀眾是否看到
是否能依市場區域改變可以
廣告數量受到場地限制可增加多個版本
更換速度需要更換實體設備可即時更新
個人化能力
技術需求
商業價值固定較高

四、虛擬場邊廣告對足球產業的影響

增加廣告收益

傳統場邊廣告一個位置通常只能出售給單一企業。

然而,虛擬場邊廣告可以讓同一個位置根據觀眾市場顯示不同內容:

亞洲觀眾看到品牌 A

歐洲觀眾看到品牌 B

北美觀眾看到品牌 C

因此,同一個廣告位置可以產生多重商業價值。

支援全球化轉播

足球俱樂部與國際賽事擁有大量海外觀眾。

透過虛擬場邊廣告:

球隊可以吸引更多國際企業贊助

品牌可以精準接觸目標市場

轉播商可以提供不同版本內容

使足球產業更加全球化。

提升品牌行銷效率

企業不需要購買所有市場的單一廣告版位,而可以根據目標觀眾選擇特定地區投放。這降低了行銷成本,同時提高廣告曝光效率。 五、結論 虛擬場邊廣告是體育商業化與數位影像技術結合的重要成果。相較於傳統場邊廣告,虛擬場邊廣告突破了地理與空間限制,使同一場比賽能夠同時服務不同市場的觀眾。

目前足球賽事已成為虛擬場邊廣告最成熟的應用領域。透過攝影機追蹤、三維建模以及即時影像合成技術,虛擬廣告能夠自然融入直播畫面,並創造更高的商業價值。

然而,虛擬場邊廣告仍面臨技術成本、影像真實性以及廣告規範等挑戰。未來隨著人工智慧與影像處理技術持續進步,虛擬場邊廣告將可能成為體育轉播不可或缺的一部分,並進一步改變全球體育產業的商業模式。

參考資料

Turner, P., & Cusumano, S. (2000). Virtual Advertising: Legal Implications for Sport. Sport Management Review.

Wikipedia. Virtual Advertising. https://en.wikipedia.org/wiki/Virtual_advertising

Goldman, D. (2023). The Evolution of Virtual Advertising in Professional Sports. The Gettysburgian.

Sports Video Group. Virtual Advertising and the Future of Sports Broadcasting.

FIFA. Commercial and Broadcast Technology Information.

World Sports Advertising. Perimeter Advertising in Football: Pitch-Side Marketing Guide.


二.以後滑手機的不是你?努比亞 NaviX Ultra 想讓 AI 直接幫你做事!

作者:阿棋

不知道大家有沒有這種經驗,只是想安排一趟旅行,卻要一直在地圖、訂票和記事本之間切來切去。AI 雖然可以回答問題,但最後真正動手操作的,通常還是自己。

7 月 16 日,努比亞正式讓 NaviX Ultra 亮相,並把它稱為全球首款「AI 智能體手機」。這支手機搭載豆包手機助手,希望讓 AI 不只是回答問題,也能進一步使用手機裡的應用程式和服務,幫忙把使用者交代的事情做完。這篇週刊就來看看,它和現在常見的 AI 手機到底差在哪裡。 圖片

圖1 努比亞 NaviX Ultra 官方宣傳圖

不只給答案,而是幫你把事情做完

現在手機裡的 AI 功能很多,像是修圖、翻譯、整理文章,或是回答問題。不過,大部分的功能做到「提供答案」就結束了。假設我問 AI:「週末去台中要搭哪一班車?」它可能會列出幾個車次,但接下來還是要自己開啟訂票 App、輸入日期,再慢慢完成後面的操作。

NaviX Ultra 主打的「智能體」想要再往前一步。一般語音助理比較像是問路的人,它會告訴你怎麼走;AI 智能體則比較像是願意直接陪你跑一趟的朋友。使用者只要說出最後想完成的事情,AI 會嘗試理解需求,再呼叫手機裡需要的服務。相關報導指出,它能示範跨 App 執行任務;不過,支援範圍、穩定度和實際操作體驗,仍要等更多實機測試才會比較清楚。

四句話,就是這支手機的重點

努比亞把 NaviX Ultra 的能力整理成「聽得懂、能幹活、記得住、夠安全」四個方向。聽得懂,是希望使用者不用刻意背固定指令,照平常說話的方式也能操作;能幹活,則是讓 AI 可以使用手機內的應用程式與服務,而不是只丟出一段答案。

記得住的部分,是希望手機可以慢慢了解使用者的習慣、偏好和備忘事項,減少每次都要重新解釋的麻煩。最後的夠安全也很重要,因為 AI 如果要替人操作手機,就可能接觸到更多個人資料。官方強調會加入隱私及安全防護,但這些保護實際做得如何,還是要等產品真正推出後才能判斷。

一顆橘色按鍵,把 AI 放到最明顯的位置

從目前公開的外觀來看,NaviX Ultra 的側邊有一顆橘色 AI 實體按鍵,可以直接叫出智能體功能。背面採用橫向排列的相機模組,並公布藍境、幻夢粉、純黑及純白四款配色。比起把 AI 藏在設定或某個 App 裡,努比亞直接放上一顆專用按鍵,也看得出來 AI 並不是這支手機附帶的小功能,而是整台產品想強調的重點。 圖片

圖2 NaviX Ultra 於 WAIC 2026 展出的宣傳圖

方便歸方便,我最在意的還是權限

我認為,AI 智能體手機最吸引人的地方,就是可以少做很多重複的操作。但是要讓它真的幫忙做事,就一定要開放更多權限。它可能需要知道你的行程、使用習慣,甚至要進入不同的 App。如果 AI 聽錯指令、選錯內容,或是做了使用者原本沒有打算做的事情,責任要怎麼處理,就是很現實的問題。

因此,重要操作最好還是要保留最後確認,例如送出訊息、購買商品或付款前,讓使用者再按一次同意。我可以接受 AI 幫忙整理和比較資料,但若要直接替我付款,我可能還是會多看幾眼。科技可以讓生活變方便,但不代表所有決定都要交出去。

AI 手機的下一步,可能不是更會聊天 過去手機的進步,大多是在比相機畫素、螢幕、處理器和充電速度。NaviX Ultra 比較特別的地方,是它想改變我們使用手機的方式。以前是人先找到 App,再一步一步完成工作;未來則可能是人只要說出目的,AI 自己安排要用哪些工具。

NaviX Ultra 已於 7 月 17 日至 20 日的世界人工智能大會展出,但目前公開資訊仍以外觀和 AI 能力方向為主,完整規格、售價及上市時間還沒有全部揭曉。它到底是下一代手機的開始,還是又一個看起來很厲害、實際使用卻有限的 AI 功能,仍值得繼續觀察。至少這次,手機廠商不只是把 AI 塞進手機,而是開始思考:手機能不能真的替人做事。

如果手機能自己開 App、整理行程,甚至完成任務, 你願意把多少權限交給 AI?

資料來源

努比亞全球首款 AI 智能體手機 NaviX Ultra 官宣,內置豆包手機助手

努比亞曝光二代「豆包手機」外觀

二代豆包手機將亮相 WAIC 2026,AI 智能體成終端標配戰升溫


​演算法會讀心?從日常聽歌看懂機器學習

作者:main

圖片 最近用串流平台聽歌,發現系統推薦的喜歡歌單越來越精準,有時候連首頁跳出來的動漫類型,都剛好是我最近喜歡的畫風。很多人會覺得,咦?是不是手機在偷聽我們說話,但其實這一切都是「機器學習 Machine Learning 」的功勞。

身為還在持續學習新技術的學生,滿常被非科技圈的朋友問到:機器學習到底跟一般工程師寫程式有什麼不一樣?其實,這兩者在解決問題的底層思維上,是完全相反的。

從給定「規則」到給定「答案」的思維轉換

以前我們在寫傳統程式時,邏輯很像是在制定一本極度嚴格的規則手冊。最核心的架構就是大量的 if-else 判斷式。工程師必須把所有的「規則」都寫得清清楚楚,然後把「資料」丟進去,讓電腦照著跑出「答案」。

然而,計算機科學先驅 Arthur Samuel 早在 1959 年就提出了機器學習的概念:「讓電腦不需要被明確編寫程式,也能具備學習能力的技術。」

在機器學習的世界裡,公式被反轉了:我們不給規則,我們直接給「答案」跟「資料」,讓電腦自己去找出「規則」。

圖片

為什麼 if-else 寫不出真實世界?以「監督式學習」為例

現實世界的問題,通常是沒辦法用 if-else 寫完的。 舉個最經典的影像辨識例子:我們要怎麼寫一段程式,讓電腦認出一隻貓?按照傳統的寫法,你可能會設定:如果有兩隻尖耳朵、四條腿、會發出喵喵聲,就是貓。

但萬一今天照片裡是一隻耳朵下垂的折耳貓,或者只露出一條尾巴,這段程式就會直接判定「這不是貓」,因為它不符合工程師寫死的規則。

這時候就需要用到機器學習中最常見的「監督式學習 Supervised Learning 」。我們不需要事先寫下貓的特徵,而是直接丟給電腦幾萬張貓咪的照片(輸入資料 X),並貼上標籤告訴它「這些都是貓」(目標答案 Y)。

演算法的目標,就是去找出一個隱藏的函數f,使得 Y = f(X)。

圖片

從不斷試錯中進行「特徵擷取」

電腦在學習的過程中,會進行特徵擷取 Feature Extraction。它會自己去分析這幾萬張照片的像素分佈、邊緣輪廓,找出其中的共通點。

如果它一開始猜錯了(ex:把狗誤認為貓),系統會透過「損失函數 Loss Function 」來計算這次預測的誤差有多大,然後自動回頭去微調它的判斷標準。經過成千上萬次的運算與自我修正後,電腦會統整出一套判斷邏輯,也就是我們常聽到的「模型 Model 」。

有了這個訓練好的模型,下次你輸入一張全新的照片,它就能根據之前學到的特徵,計算出「這是一隻貓」的機率。

圖片

結語:機器學習是比你還懂你的演算法

回到一開始的音樂與影音推薦,也是完全一樣的道理。工程師根本寫不出「喜歡某個偶像的人會有什麼特徵」這種死規則。

系統只是拿我們過去聽歌、看影片的龐大數據去訓練模型,讓模型自己抓出隱藏在背後的規律(ex:喜歡某種 R&B 和弦的人,通常也會對某種節奏感有反應),進而預測我們接下來會想點開什麼內容。

所以!與其說我們是在「寫」AI,不如說我們是在「訓練」它。我們提供資料,讓它自己去找出人類無法窮舉的規則。這也是為什麼,現在的演算法有時候甚至比你還懂你想聽什麼歌。

參考連結

機器學習 | 維基百科

YouTube影片推薦怎麼知道你想看什麼?關鍵就在機器學習 | iThome

你有沒有好奇過,YouTube 到底如何透過深度學習推薦影片的? | TechOrange 科技報橘

Brownlee, J. (2016). Supervised and Unsupervised Machine Learning Algorithms. Machine Learning Mastery.