不少人第一次用 AI 评测会好奇：它到底是怎么从一张照片里看出「你小臂偏前」「重心靠前」的？这篇文章用尽量通俗、不夸大的方式，讲清台球视觉分析背后的基本思路。需要先说明：下面讲的是这类计算机视觉方案的通用原理，目的是帮你理解评测结果是怎么来的，而不是某个具体模型的内部细节。
第一步：姿态关键点检测
计算机看图，本质是看一堆像素，它并不天然「知道」哪里是肩、哪里是手腕。姿态关键点检测（pose estimation）解决的就是这个问题：通过训练过的视觉模型，在图像里定位人体的一系列关键点，比如头、肩、肘、腕、髋、膝、踝等。
你可以把它理解为：AI 在你的照片上「钉」下一组坐标点，每个点对应身体的一个部位。这些点是后面所有分析的原材料——没有准确的关键点，后面的几何计算就无从谈起。这也是为什么拍摄质量（全身入镜、光线、清晰度）会直接影响评测：点定得准，分析才准。
第二步：人体骨架与角度计算
有了关键点，把相邻的点连起来，就得到一副人体骨架。骨架本身只是线条，真正有意义的是在它上面做几何计算。
举几个台球相关的例子：
- 用肩、肘、腕三个点的夹角，估计小臂是否接近垂直；
- 用两脚关键点的连线，判断站位是否对齐击球方向；
- 用髋、肩的相对位置，推断重心是否偏前、俯身幅度如何；
- 用头部与球杆方向的关系，结合主视眼，分析球杆对齐。
换句话说，AI 把「姿势好不好」这种模糊感受，翻译成了一系列可以计算的角度和距离。这正是它能把问题画成重心线、角度线、手架标尺等可视化标注叠在你照片上的原因——这些线就是几何计算的可视化结果。想看这些原理在具体功能里怎么用，可读图片评测。
第三步：多角度信息融合
单一角度有它的局限。正面照片看站位对称和身体朝向好，但看不清小臂垂直；侧面照片看俯身和小臂垂直好，但看不到左右站位。所以更完整的评测会做多角度信息融合：把正面、侧面、背面等不同视角的判断结合起来，互相补充、互相印证，得到对动作更全面的理解。
视频则是另一个维度的「融合」——它本质是连续的多帧画面。通过在时间上追踪关键点的变化，AI 可以分析出静态照片给不了的动态信息，比如运杆是否匀速、后停多久、发力峰值在哪一帧。关于动态分析的应用，可看视频评测和发力节奏分析。
第四步：量化评分逻辑
有了各项几何指标，最后一步是把它们转成评分和建议。基本思路是：针对每个维度（站姿、手架、臂向、后手、头部等），把测出的角度、距离与「合理范围」比较，偏离越多扣分越多，再综合成维度分和总分。
这里有两点要强调：
- 合理范围不是一刀切。不同台球品类、不同身体条件，合适的动作并不相同，所以评测会结合你的球员画像来调整尺度。斯诺克和中八的差异，可看这篇对比。
- 分数是工具，不是目的。评分的意义在于帮你定位短板、排出改进优先级，而不是给你贴个标签。报告真正有价值的部分，是「哪里有问题、为什么影响准度、该怎么改」。
关于边界：AI 能做什么、不能做什么
说清原理，也要说清边界。视觉分析依赖图像质量，拍得糊、遮挡多、角度刁钻，结果都会受影响；它衡量的是动作的几何特征，而打球还涉及心理、战术、临场判断等它看不到的东西。所以更恰当的定位是：AI 是一面客观、耐心、可重复的镜子，帮你看清自己动作里的可量化问题，而不是替代教练或练习。关于我们如何看待这件事，可读关于涨球 AI。
小结
从关键点检测，到骨架与角度计算，再到多角度融合和量化评分——这就是计算机视觉「看懂」台球动作的大致链路。理解了它，你就会明白评测结果不是玄学，而是一套可解释的几何分析；也会更知道怎么配合它：拍清楚、拍全、用真实动作，让 AI 这面镜子照得更准。