整场比赛前面几局，玩家的二发一直偏爱又转又深的外角球，AI对手也逐渐适应了这个落点。可一旦来到break point，玩家突然改打一记稳稳当当的内角二发——如果AI这时候还站在外角那一侧等球，说明它根本没意识到，关键分和普通分从来就不是同一回事。

普通分和关键分，选手的选择本来就不一样

压力会实实在在地改变一名选手的技术选择。很多人在无关紧要的分数上愿意冒险搏一板高风险的外角ACE，但一旦来到break point或者game point，往往会退回到自己最有把握的那套打法——落点更集中、旋转更保守、步伐也更谨慎。这不是随机波动，而是可以被观察和记录的行为差异。如果AI网球对手只统计"这名选手整场比赛的平均落点习惯"，得到的其实是一个被稀释过的假象，既不代表他日常怎么打，也不代表关键分他会怎么打。

把两类数据混在一起统计，会学到一个不存在的玩家

假设一名选手90%的普通分二发都打外角，但80%的break point二发都改打内角求稳，如果AI把所有二发数据合并统计，得到的落点分布大概率还是"外角占多数"，于是AI会在真正的break point上继续站错位置。这种混淆比完全不统计数据更危险，因为它给了AI一种虚假的确定感——它自认为已经摸清了对手的发球习惯，实际上这份"习惯"从来没有在关键分上真正出现过。区分关键分和普通分，本质上是承认这两种情境下观察到的是两个不同的行为模式，需要分别建立各自的样本池。

关键分样本天生就少，AI该怎么应对

这里有个现实问题：一场比赛里break point和game point的数量远少于普通分，AI很难像统计普通分那样快速积累出足够的样本量。合理的做法不是因此放弃对关键分的单独建模，而是放慢置信度爬升的速度，同时允许关键分的判断在初期更多地参考这名选手一贯的技术风格作为弱先验，再用有限的几次关键分样本去逐步修正它，而不是等到攒够几十个样本才敢有任何反应。这也是玩家诱导AI的常见突破口——因为关键分样本少，故意做出的几次假动作很容易在短期内扭曲AI的判断，所以每一次关键分调整都应该保守而渐进。

关键分策略，考验的是分层观察的能力

说到底，区分关键分和普通分不是为了让AI在压力下显得更"聪明"，而是承认真人选手在不同情境下确实会做出不同选择。bob体育球拍竞技研究组认为，能不能在样本有限的情况下依然做出合理的分层判断，才是网球AI是否真正理解比赛节奏的分水岭。