什麼是棒球中的「罷襲」？機器人、規則書和裁判的觀點截然不同
引言
棒球一直以來都是一項充滿人性因素的運動，然而在近年來的技術發展下，機器人裁判開始在棒球場上嶄露頭角。這項自動球判系統，也被稱為「ABS」（Automated Ball-Strike System），透過利用先進的雷達技術，進行無人監督的罷襲判斷。
然而這項技術的開發並不容易，因為棒球界存在一個長達 150 年的開放祕密：球場上判斷的罷襲區域與規則書中的定義不完全一致。在將 ABS 應用於大聯盟之前，必須就罷襲的定義達成一致。
不同的觀點
不同的球員對於機器人裁判的觀點不一。明尼蘇達雙城的球星卡洛斯·科雷亞表示：「當你深入研究這個問題時，你會發現這對一些打者可能是不公平的。一些投手的曲球球可能會穿越罷襲區，但機器卻將其判定為罷襲。我更喜歡人為因素，但誰能說呢，也許他們能在某個時候完善這一點。」這一觀點體現了球員對於保持人為因素和比賽特殊細節的關注。
美國職棒大聯盟（MLB）在 2019 年開始在獨立的大西洋聯盟進行機器人裁判的實驗，並在 2021 年在低階 A 級聯賽進行了應用。MLB 還在上個賽季的一些小聯盟球場上試驗了一套挑戰系統，投手、打者或接球手有權對裁判員的決定提出挑戰，供機器判斷。
今年，ABS 在所有三 A 級聯賽球場上都在使用，前三場比賽由機器裁判獨自判斷，最後三場則由人類裁判配合挑戰系統執行。根據官方棒球規則的定義，罷襲區域被定義為「主機板上方的區域，上界是肩膀頂部和制服褲子頂部之間的中線，下界是膝蓋下方凹處的一條線」。實際上大聯盟的裁判通常不會對上述三維區域的前部或後部進行罷襲判斷，使得實際的罷襲區域更像是一個橢圓形而不是立方體。
二維與三維罷襲區的爭議
最初，機器人裁判的程式設計是基於板面前方的二維罷襲區，同時 MLB 還試驗了三維罷襲區。而今年，ABS 只根據球在板面中點上下 8.5 英寸處的位置判斷罷襲。此外 MLB 還將計算機罷襲區的寬度從 19 英寸減少到與板面寬度相同的 17 英寸，任何部分的球越過該區域都將被判定為罷襲。
根據 MLB 的資料，使用自動裁判的三 A 級聯賽中，去年人類裁判的罷襲率下降了，而使用機器裁判的罷襲率有所上升。同樣地，保送率也有所上升，而打擊率則出現了增長。每隊都有三次挑戰的機會，挑戰成功後保留挑戰權。
觀點與反響
對於機器人裁判系統的喜好因球員而異。紐約洋基隊的中外野手哈裏森·巴德表示：「我喜歡這個系統，因為它很一致。你想在任何時候都知道罷襲區在哪裡，即使它有一點奇怪、有點不同。」而得克薩斯隊的經理布魯斯·鮑奇則更偏好一個包括四個象限的三維罷襲區，並表示：「它必須涵蓋所有四個象限。如果你打到內角下方區域或四角區域的上部，你希望那個球能被判定為罷襲。」
從裁判的角度來看，這項自動球判系統的精度不如人判罷襲準確，並且在電視轉播中，經常使用的罷襲區視覺圖形往往會誤導觀眾。曾擔任大聯盟裁判的裏奇·加西亞表示：「這可能是棒球可能做的最愚蠢的事情之一，為什麼他們不告訴球迷螢幕上的區域不是用來評分裁判員的區域，而是只用於娛樂呢？」
此外使用二維罷襲區而不是矩形區域可能會對下沉球投手產生影響。紐約洋基隊的克萊·霍姆斯表示：「這樣做縮小了罷襲區的範圍和深度，也許他們需要重新定義罷襲區。」
然而還有球員認為這項機器裁判技術可能會引起意想不到的後果。芝加哥小熊隊的外野手邁克·託夫曼在三 A 級賽事上表示機器裁判曾在板面前方進行罷襲判斷。「我在腳踝上被判兩次罷襲，所以我認為將其後退是一個好主意。我不喜歡比賽變成人們試圖超越電腦的局面。我仍然喜歡裁判的人性因素，因為有些比賽細節我認為電腦無法完全理解。」
結論
在機器人裁判技術的推進下，解決罷襲的定義問題變得更加重要。機器裁判可以提供一個相對一致的標準，並且有潛力減少資料與視界間的差異。然而這項技術也引發了對於保持人性因素和比賽獨特性的關注。棒球界需要尋找一個平衡點，以確保技術發展不損害遊戲的核心價值觀。
在決定 ABS 是否適合應用於大聯盟的運動場上，必須對罷襲的定義達成共識。這需要各方共同努力，包括球員、裁判、球隊和技術專家。對於機器人裁判技術的使用，我們應該持開放態度，並同時考慮其可能帶來的影響。
延伸閱讀
- 《OpenAI 新職缺曝光，揭示未來機器人大計畫！》
- 《OpenAI 的機器人如同 DDoS 攻擊一般壓垮七人小公司網站！》
- 英偉達推出 Mega：智慧倉庫機器人管理新利器！
- RoboForce 融資 1000 萬美元，打造未來機器人工作團隊！
- 「機器人未來職場：55 家急徵人才的頂尖公司！」
- 突破極限！這款機器人「超人服」於體操槓上驚艷旋轉！
- 讓 AI 機器人墜入愛河，贏取數千美元的機會！
- 「超凡巧手！這款機器人成功完成洗碗機裝載任務」
- 「邁向未來！Serve Robotics 與 Wing 在達拉斯展開機器人與無人機交付試驗」
- 深度學習突破！Google DeepMind 教會機器人獨立綁鞋帶與修理同伴！
