课题的蓝图已然绘就，雄心勃勃的标题下，是亟待填充的、坚硬而琐碎的现实。分工明确后，三人小组便迅速投入了各自的前期准备。然而，隔行如隔山，即便是目标一致的团队，当真正开始将想法落地时，迥异的思维惯性、知识壁垒和沟通成本，便如同暗礁般悄然浮现。
韩澈的“数据准备”工作，远比他想象中复杂。他先从教练组那里拷贝了近两个赛季、超过一百场的高清比赛录像，以及与之对应的、厚厚几大本战术记录手册。看着硬盘里数个T的影像资料和手册上密密麻麻、夹杂着各种专属符号和简写的记录，他感到了第一重压力。这还只是“原材料”。
接着是游戏数据的获取。王睿兴奋地展示了他用脚本从NBA 2K游戏中批量导出数据的能力：每一帧画面中十名球员的精确三维坐标、速度向量、持球状态、面对方向……数据字段详尽得令人发指，且天然带有“挡拆”战术执行的标签（因为是在游戏里预设战术执行的）。然而，当王睿将第一批导出的、未经处理的原始数据用Python读入，在屏幕上显示为天书般的多维数组和密密麻麻的浮点数时，韩澈感到了第二重压力。他需要理解这些数据的结构，并将教练手册上那些“高位挡拆”、“西班牙挡拆”、“假挡拆后外弹”等战术描述，翻译成这些冰冷数字背后可量化的规则和模式。这需要他对战术本身有极其清晰的定义，并将其拆解为一系列关于球员位置、距离、移动方向、时序关系的逻辑判断。他花了好几个晚上，反复观看录像，对照战术手册，试图用文字和草图，将每一种“挡拆”变种，归纳成“if-then”般的条件语句，却发现篮球场上的实际情况千变万化，简单的规则极易被复杂的临场应对和球员个人习惯所打破。
与此同时，苏晚发在群里的几篇关于“时空图神经网络（ST-GNN）用于群体行为识别”的顶会论文，则让韩澈感到了第三重，也是最沉重的一重压力。那些论文如同天书，满篇都是他熟悉又陌生的数学符号：拉普拉斯矩阵、谱图卷积、注意力系数、门控循环单元（GRU）……公式推导严谨而繁复，网络结构图复杂得如同精密仪器的电路板。他硬着头皮去读，常常是看了后面忘了前面，对核心思想一知半解，更遑论理解其中精妙的改进和实验设计。他感觉自己像个闯入巨人国度的孩童，周围的一切都庞大、精密、充满未知的力量，而自己手中只有一把简陋的木勺。
王睿那边进展相对顺利，他已经搭建好了游戏数据的预处理管道，并开始尝试实现论文里基
…。。