假设一个示意的青训选材模型，训练时把身高、体重、30米冲刺、控球测试、传球决策等十几项指标一起输入，输出一个“发展观察等级”。上线后有人发现，等级靠前的孩子普遍比同龄人高半个头。这是模型的问题，还是数据的问题？两者都是，但更麻烦的是：不知道它到底是在用身高，还是在用和身高相关的所有东西——速度、对抗、射门力量，这些指标本身就随身高一起变。
于是团队里出现两种声音。一种说：删掉身高体重，问题就解决了。另一种说：删掉以后，模型就看不见成熟度的差别，反而更容易把早熟的孩子当作天才。这篇文章的立场是：这两种做法都不够，关键是怎么用，以及怎么解释。
直接删掉，为什么并不能消除偏差
把身高体重从输入里拿走，听起来干净，实际上有两个漏洞。
第一，代理变量依然存在。冲刺速度、跳跃高度、对抗成功率、射门力量都高度受体型与成熟度影响，模型可以通过这些指标间接“看见”孩子有多早熟。删了身高，偏差只是换了个入口。
第二，你失去了校正的工具。如果想把成绩按成熟度做校正——把早熟孩子的速度优势折算掉，把晚熟孩子的暂时落后补回来——首先得知道孩子处在什么发育阶段。没有身高与生长速度的记录，校正无从谈起。近期有研究尝试用按生物年龄调整的冲刺百分位曲线来评估青少年，思路正是把体型和成熟度当成“坐标”，而不是“分数”。
所以这里的问题不是变量本身有毒，而是它在模型里被赋予了怎样的角色。
直接用，为什么又会奖励早熟
另一个极端是把身高体重和其他指标一视同仁地输入。这样训练出来的模型，会学到历史选拔里的偏好：过去被留下来的孩子，很大一部分是早熟者，于是“更高更壮”和“被评为优秀”之间建立了统计关联。模型并没有做错，它只是忠实地复制了过去的选拔偏向。近期关于AI足球人才识别的综述提到的样本偏差与早熟偏置，说的就是这一类问题。
更隐蔽的是，这种偏向读起来像是“客观数据”。当报告上出现“身体条件优秀”这样的字样时，看的人很难分清，这是长期潜力的信号，还是发育进度的信号。
身高体重的三种读法
同一个数字，可以有完全不同的读法。江南体育青训AI在设计取向上，希望把它限制在前两种，避免第三种。
- 作为成熟度背景。用身高、生长速度、（在合规条件下的）骨龄或其他成熟度估算，判断孩子当前处于发育的哪个阶段。它回答的是“这个孩子现在身体走到哪一步了”，不产生任何“高就是好”的含义。
- 作为校正基准。把速度、力量类成绩放到“同成熟度的同伴”中去比较，而不是放到“同出生年份的同伴”中去比较。此时身高体重是尺子，不是被评价的对象。
- 作为直接加分项。让“更高、更重”本身提高评分。这一读法应当避免，尤其是在位置差异很大的情况下：门将、中卫、边路球员对体型的需求并不相同，把体型一概当作优势并不合理。
当然，第一种和第二种的边界并不总是清晰。生物成熟度的估算本身就带误差，比如依赖父母身高推算成年身高，就存在遗传估算的不确定性。因此江南体育青训AI在报告中，更倾向于把成熟度背景写成“估计区间”而不是一个确定的数字。
怎么向教练解释一个特征在起什么作用
“可解释”在青训里有很具体的含义：教练拿到一份评估，应当能回答“这个孩子的等级，有多少来自身体尺寸，多少来自技术与决策”。一种可行的呈现是把模型的判断拆成几个来源，而不是给一个总数：
- 技术类指标（控球、传球、一对一处理）的贡献；
- 决策类指标（选择、跑位、比赛阅读）的贡献；
- 体能类指标在成熟度校正前后的差别；
- 成熟度背景（估计区间）以及它对结论的影响幅度。
举一个示意的情形：某孩子的体能类指标在校正前排在年龄组前列，校正后回到中间；技术与决策类指标则一直稳定在中上。报告应当直接说明：“这个孩子早期的体能优势有较大一部分与发育进度有关；他的长期观察重点在技术与决策的持续提升。”这句话比“综合等级：良好”有用得多，它给教练指出了下一次该看什么。这一思路和青训选材为什么容易错过“晚熟球员”？江南体育AI如何处理生物成熟度偏差一文是相互补充的：那篇讲偏差是怎么产生的，这篇讲它在特征层面怎么被看见。
该检查的，不只是“用没用”
特征处理好了，还需要检查模型的整体行为，几个基本检查是：
- 分层比较：把孩子按成熟度阶段分组，检查模型在早熟组和晚熟组的评分分布是否差得过大；
- 反事实检查：保持技术与决策指标不变，只调整成熟度背景，看评分变化多少，变化过大说明模型对成熟度过于敏感；
- 出生月份检查：看同一年龄组内，上半年与下半年出生的孩子，被评为靠前的比例是否明显失衡，这是相对年龄效应最直接的信号；
- 外部验证：在不同地区、不同训练体系的数据上复测，观察结论是否稳定。这部分在青训AI为什么越来越重视长期验证？江南体育观察“小时候预测未来”的真正难点中有更多讨论。
这些检查不能保证模型没有偏差，但能保证偏差是可以被发现的。发现不了的偏差，才是真正危险的偏差。
哪些结论不能下
即使特征处理规范，也有几类结论不应由这类模型给出：
- 不能说“这个孩子身体条件差，不适合踢球”。青少年体型变化剧烈，今天的数字对成年后没有直接的决定意义；
- 不能把体型当作位置分配的唯一理由。位置适配还取决于技术、决策和意愿；
- 不能把单一等级用作淘汰依据。任何评估只能是持续观察中的一个参考，需要与教练观察、训练表现和长期数据一起看，也不应给出看似精确的“潜力分数”。
身体数据是敏感数据
身高、体重、骨龄、身体成分、体测视频，都是关于未成年人身体的信息，属于应当谨慎对待的数据。使用时至少应做到：只收集评估确实需要的项目，不做“先收集再想用途”；明确告知用途并取得家长或监护人同意；限制访问范围，教练和评估人员只看到与职责相关的部分；设定保留期限，目的结束后删除或匿名化；不将这类数据用于与发展跟踪无关的其他目的，比如商业推送。江南体育青训AI在设计上，把数据最小化、访问权限和生命周期管理视为评估流程的一部分，而不是可选的附加项。
回到开头的问题：该不该用身高体重？可以用，但要清楚地说明它是尺子，还是分数；要能够解释它在模型里起了什么作用；更要承认，即使这些都做到了，我们依然是在用不完整的数据去描述一个还在成长的人。这也是13岁跑得最快的孩子，18岁还会最快吗？江南体育AI为什么必须理解成长想强调的：孩子的发展需要持续观察，而不是一次判断。
