1959年8月2日，比利（Pelé）在聖保羅 Rua Javari 球場踢進了他職業生涯中最經典的一球，連續三次把球挑過對方後衛與門將，皮球全程沒有落地。這球後來被稱為「Gol da Rua Javari」，可惜當時現場沒有任何攝影機在拍攝，這顆進球只存在於在場球迷的記憶裡，長達63年。這次Google DeepMind 攜手比利家族、歷史學家與足壇傳奇人物，用一整套AI技術把這顆消失的進球「生」了出來，做成一部迷你紀錄片。對關注AI應用與足球文化的讀者來說，這是一次相當罕見的示範，展示生成式AI如何處理沒有任何影像素材的歷史重建任務。
🔔 不錯過任何精彩內容
立即訂閱我們的 LINE 或將本站設為 Google 偏好來源，掌握最新資訊！
這顆「消失的進球」到底是什麼？
「Gol da Rua Javari」是比利在1959年踢進的一顆傳奇進球，因為從未被拍攝下來，長期只能靠口述流傳。當年比利效力Santos隊，在Rua Javari球場對戰Juventus，連續完成三次「桑巴帽」過人動作後射門得分，這個畫面讓在場球迷津津樂道了一輩子。實際上，這場比賽在當時並非什麼國際轉播等級的大賽，攝影器材有限，加上場地位於相對小型的地方球場，才會導致這麼經典的一刻完全沒有留下任何影像紀錄。比利的女兒Flávia Kurtz也在紀錄片中提到，父親生前一直覺得這球沒被拍下來是件憾事，如果能透過技術重現，他一定會很驕傲。
Google用了哪些AI技術重建這顆進球？
這次重建進球用的是Google DeepMind三套模型的組合技，分別是Veo、Gemini Omni與Nano Banana Pro。團隊並沒有直接讓AI憑空生成畫面，而是先在Rua Javari球場實地拍攝真人演出，球員穿著1959年當時的復古球衣，用的也是那個年代常見的皮製足球，先建立起真實的物理基礎。這段實拍素材接著被拆解，交給AI模型進行三項重點工作：把現代特技球員替換成比利的臉孔與經典10號球衣、把現代球場改回1959年那天的建築外觀與陰天天氣、以及生成當時現場觀眾與收音機轉播的臨場氛圍。對常關注生成式AI影片工具的讀者來說，這種「先拍真人、再用AI改造」的做法，其實比純文字生成影片更貼近目前業界對高精度歷史還原的實際做法。
重建過程的技術細節是什麼？
整個專案技術上最棘手的地方，在於比利當年那種高難度的運動動作，一般生成式AI很難單靠文字描述做出精準又寫實的呈現。為了解決這個問題，團隊採用了一套叫Performance Control的方法，這是以Veo 3為基礎，先從現代特技球員的實拍影片中，擷取出精確的3D幾何與動作資料，再拿這份動作資料去驅動整段影片生成。實際操作上，團隊會把原始實拍影片拆成四層：原始畫面、球員的3D藍色網格動作模型、去除球員後的乾淨背景、以及單獨抽出的球員影像。這樣拆開之後，球員動作和場景背景就可以分開調整，不用整段影片重新生成一次。搭配Nano Banana Pro負責畫面細節修飾、Gemini Omni處理素材拆解與生成，三個模型分工合作才做出最終效果。後製階段team還導入傳統VFX工法，像是球體合成、底片顆粒質感與色彩校正，最後把畫面送進老式底片沖印機重新拍過一次，讓整體質感更貼近1950年代電影的味道。
這個技術適合哪些人參考？
這套結合實拍與生成式AI的工作流程，對做歷史紀錄片、體育內容或品牌影像修復的團隊來說相當有參考價值。像是歷史學家Anita Lucchesi的團隊就先蒐集了將近2,000份歷史文件，從球場藍圖到家族相簿都不放過，再加上3,600張歷史影像，甚至用球場的縮小模型讓當年在場的目擊者一邊回憶一邊比劃還原細節，先把史實考證做到位，才進入AI生成階段。這個順序其實提醒了想做類似專案的內容團隊，AI生成再厲害，前期史料蒐集與人物訪談還是不能省，不然做出來的畫面就算好看也經不起考證。對台灣的文史工作者、體育媒體或想嘗試AI影像修復技術的創作者來說，這次的做法值得拿來當參考範本。
類似技術未來還能用在哪些地方？
從這次的案例可以看出，這套「實拍加AI分層生成」的技術，未來應該不只會用在足球，凡是有口述歷史但缺乏影像紀錄的重大事件，理論上都能套用類似流程來重建。比如老一輩人常提起卻沒有影片留存的體育賽事、演唱會、社區重要活動，都是潛在的應用場景。對品牌來說，這也提供了一種修復或延伸品牌歷史資產的方式，比利品牌這次選擇用這種方式紀念比利的傳奇時刻，某種程度上也是一種品牌行銷案例。這顆重建後的進球目前已經在巴西桑托斯的Pelé Museum展出，讓沒機會親眼見證那一刻的球迷，也能透過影像感受到當年的震撼。
三大AI模型在這次專案中各自負責什麼？
| AI模型 | 主要負責工作 | 技術重點 |
|---|
| Veo（Performance Control） | 擷取特技球員3D動作、驅動影片生成 | 從實拍影片提取精確3D幾何與動作資料 |
| Gemini Omni | 素材拆解、背景生成、球員與場景分層 | 將原始影片拆成動作、背景、球員等可獨立編輯的圖層 |
| Nano Banana Pro | 畫面細節修飾、歷史考據比對 | 依據檔案照片微調畫面細節，確保還原度 |
常見問題
Q1：這顆進球真的完全沒有任何影片留下嗎？
對，1959年那場比賽當時沒有攝影機在現場拍攝，這顆進球只存在於目擊者的口述與少數新聞照片與圖示中，這也是這次專案被稱為「重建」而非「修復」的原因。
Q2：Google這次用的技術跟一般AI生成影片工具有什麼不同？
最大差異在於團隊先用真人在原始球場實地拍攝，再用Veo的Performance Control技術擷取動作資料驅動生成，並不是單純用文字描述請AI憑空生成整段影片，精準度會高出許多。
Q3：Performance Control是什麼？
這是以Veo 3為基礎發展出的技術，可以從實拍影片中擷取人物的精確3D幾何與動作，再用這份資料去驅動最終影片的生成，讓高難度運動動作更寫實。
Q4：這部紀錄片可以在哪裡看到？
目前這顆重建進球的成果，已經在巴西桑托斯的Pelé Museum現場展出，Google官方部落格文章中也有幕後製作過程的介紹。
Q5：這次專案是誰主導製作的？
這是Google DeepMind與比利品牌（Pelé Brand）合作的專案，由NR Sports主導授權，並邀請巴西歷史學家Anita Lucchesi團隊、比利家族與多位足壇人物共同參與考證與訪談。
Q6：AI生成的畫面會不會失真、不符合史實？
團隊在生成前投入大量心力做史料考證，蒐集近2,000份歷史文件與3,600張歷史影像，並訪談當年在場的目擊者，AI生成的每個畫面都有對應的檔案照片或訪談內容作為依據，盡量降低失真的可能。
Q7：這種技術會不會也能用來重建其他歷史畫面？
理論上可以，只要有足夠的口述歷史、檔案照片與現場考據，類似的實拍加AI分層生成流程，都能套用在其他缺乏影像紀錄的歷史事件上。
一顆藏在球迷記憶裡63年的進球，終於靠AI技術重新被看見。這不只是一次影像重建，更是AI與人類歷史考據合作的一次示範。