NBA 球員的職涯曲線，不只一種形狀。

有人問過一個 NBA 球探：一個二十歲的新秀跟一個三十五歲的老將，哪個更難評估？

球探想了想說，老將。

這個答案有點反直覺。新秀的不確定性更高，樣本更少，不是更難嗎？

球探的邏輯是這樣的：新秀你至少知道他還在成長，所有指標都往上走，你看的是趨勢。老將不一樣，有人三十二歲還是巔峰，有人二十九歲就開始走下坡，你不知道那條曲線在哪裡轉折。

這個問題背後有個更根本的困難：運動員的表現跟年齡之間的關係，很少是一條直線。

最近刊登在 Frontiers in Sports and Active Living 的一篇研究，用一種叫做 Kolmogorov-Arnold Networks（KAN）的機器學習模型，試圖把這條曲線的形狀說清楚。

研究者從 2019 年到 2024 年的 NBA 常規賽，收集了 2,786 筆球員賽季資料，把球員分成三個年齡組：19 到 23 歲的新生代（Youth）、24 到 30 歲的黃金期（Prime）、31 到 40 歲的老將（Veteran）。

表現指標採用 NBA 官方的 Fantasy Points 系統，計算方式為：得分加上籃板（乘以 1.2）、助攻（乘以 1.5）、抄截和火鍋（各乘以 3），再扣除失誤。這個加權公式把不同類型的技術貢獻整合成一個數字，讓跨位置、跨類型的比較成為可能。

他們發現，不同階段不只是表現數字高低不同，驅動表現的因素本身也完全不一樣。

新生代球員的表現，靠的是多個技術指標同時發揮作用。助攻、得分、投籃出手次數的互動效應強烈，KAN 模型的回應函數在這個年齡層呈現明顯的非線性，意思是某個指標稍微提升，整體表現會出現不成比例的跳升。模型對這個年齡層的預測精度最高，R² 達到 0.986，幾乎可以從技術統計直接推算出賽季表現。這種高預測精度反映的是成長軌跡的結構性，像一台正在調校的機器，每個旋鈕都還在動。

到了黃金期，這台機器安靜下來。

24 到 30 歲的球員，KAN 模型發現主導因素收斂到得分（PTS）、助攻（AST）、籃板（REB）這幾個核心變數，其他指標的邊際影響力明顯縮小。回應函數的曲線趨向線性，斜率也更平緩。研究者把這個現象稱為「技術穩定高原」：球員在這個階段不再是多方向爆發式成長，而是靠著幾個已經固化的核心技術穩定輸出。

增一分助攻的效果不如新生代那麼大，但比老將穩得多。

老將（31 到 40 歲）則是另一種收斂。這個階段的 KAN 網路結構在剪枝之後變得極度簡化，主要靠得分和投籃命中率撐著整體表現。更關鍵的是，模型觀察到明顯的「天花板效應」：在某個水準之上，再怎麼提升得分或助攻，對整體表現的邊際貢獻幾乎歸零。

這解釋了一個常見的觀察：有些老將打法變了，不再強行突破，轉而依賴位置感和防守選位，卻反而能維持更長的職涯貢獻。因為天花板效應的存在，在臨界點之前精準輸出，比試圖突破上限更有效率。

KAN 跟傳統機器學習模型（包括多層感知機、XGBoost、隨機森林、支持向量機和線性迴歸）相比的最大差異，在它可以輸出每個輸入變數的單變量回應函數。你可以直接看到，對一個黃金期球員來說，助攻從每場 4 次提升到 6 次，會讓綜合分數移動多少，以及這條曲線在哪裡開始變平。傳統統計模型給你一個斜率，KAN 給你一張地圖。

這張地圖的實際用途，研究者也提出了具體的解讀框架：找出每個球員的前幾個主要特徵，看回應函數在當前水準的形狀。斜率上升就繼續投資這個能力。接近轉折點就做短期針對性訓練，幫助越過臨界值。進入平台區就轉向效率維持和負荷管理。

這套邏輯的前提假設，是研究採用的 Fantasy Points 指標能代表球員的全面貢獻，但研究者也承認這個指標對不同位置並非中性，防守端的貢獻和無球跑動也沒有被完整捕捉。這是統計模型的共同限制：資料能測量什麼，模型就只能看見什麼。

但三個年齡段在驅動機制上的結構性差異，本身就是一個清晰的發現。球員的老化不只是數字在下降，是整個讓數字產生的系統，在不同時間點運作方式完全不同。