Ihre Fitness-App merkt nicht, ob Sie schummeln – und das ist ein Milliarden-Problem

Letzten November sah ich eine Demo, die etwas in meinem Kopf zum Einsturz brachte.

Ein Anbieter für betriebliche Gesundheitsförderung präsentierte seine „KI-gestützte Fitnessplattform" einem Raum voller Versicherungsmanager. Die Demo war glatt – ein Nutzer auf dem Bildschirm machte Kniebeugen, die App zählte die Wiederholungen, vergab Punkte, das ganze gamifizierte Paket. Die Führungskräfte nickten anerkennend. Dann stellte ich eine Frage, die den Raum verstummen ließ: „Was passiert, wenn der Nutzer einfach nur acht Zentimeter auf und ab wippt, statt tatsächlich in die Kniebeuge zu gehen?"

Der Anbieter lächelte. „Nun, wir vertrauen darauf, dass unsere Nutzer—"

„Sie vertrauen ihnen", sagte ich. „Aber Sie bitten diesen Versicherer, Risiken auf Basis dieses Vertrauens zu bepreisen."

Das war der Moment, in dem ich wusste, dass wir bei Veriprajna das Richtige aufbauten. Keinen weiteren Chatbot. Keinen weiteren Wrapper um GPT. Etwas, das die Branche dringend brauchte, aber noch nicht in Worte zu fassen wusste: KI, die keine Antworten generiert – sie verifiziert die physische Realität.

Die Fitness- und Digital-Health-Branche hat ein schmutziges Geheimnis. Der 60-Milliarden-Dollar-Markt für betriebliche Gesundheitsförderung, die Rabattprogramme der Versicherer, die Move-to-earn-Krypto-Projekte – sie alle bauen auf Daten, die sich in dem Moment auflösen, in dem man sie prüft. Und niemand will darüber reden, weil die Dashboards großartig aussehen.

Ich werde darüber reden.

Warum kann Ihre Fitness-App nicht erkennen, ob Sie wirklich trainiert haben?

So sieht die Architektur fast jeder Fitness-App auf dem Markt aus: Es ist ein Videoplayer mit einer aufgesetzten Empfehlungsmaschine. Man drückt auf Play, ein Trainer macht Liegestütze, man soll mitmachen, und wenn das Video endet, protokolliert die App das Workout als „abgeschlossen". Sie schätzt den Kalorienverbrauch anhand generischer Tabellen. Sie verleiht einem ein Abzeichen.

Zu keinem Zeitpunkt hat die App verifiziert, dass Sie sich bewegt haben.

Die App geht davon aus, dass Konsum gleich Erledigung ist. Sie fragt: „Hast du die Arbeit gemacht?" und akzeptiert unkritisch „Ja" als Antwort.

Das ist keine Nischenbeschwerde. Das ist die grundlegende Architektur einer Multi-Milliarden-Dollar-Branche. Und sie scheitert aus einem Grund, den jeder Verhaltensökonom hätte vorhersagen können.

Es gibt ein Prinzip namens Campbells Gesetz – der Soziologe Donald Campbell stellte fest, dass Menschen eine Kennzahl umso stärker manipulieren, je mehr man sie für Entscheidungen heranzieht. Knüpft man Geld an Schrittzahlen, schnallen Menschen Fitbits an Deckenventilatoren. Knüpft man Versicherungsrabatte an den „Abschluss eines Workouts", lassen Menschen Videos laufen, während sie zu Abend essen.

Das ist nicht hypothetisch. Erinnern Sie sich an STEPN, das Move-to-earn-Krypto-Projekt? Es brach teilweise wegen des Wettrüstens zusammen zwischen der Fähigkeit des Protokolls, gültige Bewegung zu erkennen, und der Fähigkeit der Nutzer, sie mit GPS-Spoofing und mechanischen Rüttlern zu fälschen. Wenn die Verifizierung schwach ist, wird Betrug rational. Ehrliche Teilnehmer werden bestraft. Der Anreizgeber geht pleite.

Ich kam immer wieder auf einen Satz zurück, den ich schließlich in jedem Pitch-Meeting sagte: Man kann nicht gamifizieren, was man nicht verifizieren kann.

Die Nacht, in der uns klar wurde, dass Posenschätzung keine Intelligenz ist

Wir sind nicht mit dieser Erkenntnis gestartet. Wir sind zufällig darauf gestoßen.

Anfangs war mein Team begeistert von der Posenschätzung – Bibliotheken wie BlazePose und MoveNet, die skelettale Gelenkkoordinaten aus Videos extrahieren. Wir dachten: großartig, damit bauen wir ein Fitness-Verifizierungssystem. Wir verbrachten Wochen damit, MoveNet zu integrieren und saubere Skelettdaten von einer Handykamera zu streamen, und dann setzten wir uns hin, um die Daten tatsächlich zu verwenden – für die Verifizierung.

Da begannen die Diskussionen.

Einer meiner Ingenieure, überzeugt, dass wir fast fertig seien, rief ein einzelnes Bild mit Skelettdaten auf – eine Person mit gebeugten Ellenbogen und abgesenktem Oberkörper. „Siehst du? Liegestütz", sagte er.

„Ist es das?", fragte ich. „Geht die Person nach unten oder kommt sie hoch? Hält sie diese Position seit dreißig Sekunden oder dreißig Millisekunden? Zittert sie vor Erschöpfung oder ist sie perfekt kontrolliert?"

Ein einzelnes Bild sagt einem nichts. Eine Skelettkoordinate zu einem einzigen Zeitpunkt ist semantisch leer. Es ist, als reichte man jemandem einen rohen Spannungswert aus einem EKG und bäte um eine Herzdiagnose. Der Sensor liefert Daten. Intelligenz interpretiert das Signal.

Wir hatten einen sehr guten Sensor gebaut. Wir hatten keinerlei Intelligenz gebaut.

Das war eine harte Woche. Wir hatten uns so sehr auf den Computer-Vision-Teil konzentriert – saubere Gelenkkoordinaten zu gewinnen –, dass wir die Voraussetzung mit der Lösung verwechselt hatten. Und jeder Wettbewerber in diesem Bereich machte denselben Fehler und vermarktete Posenschätzung als „KI-gestützte Fitness", obwohl sie in Wirklichkeit nur ein schickes Lineal war.

Über diesen Paradigmenwechsel – vom Sehen zur Signalverarbeitung – habe ich ausführlicher in der interaktiven Version unserer Forschung geschrieben. Aber die Kernerkenntnis war einfach, und sie veränderte alles, was wir danach gebaut haben.

Was, wenn der menschliche Körper ein Funksignal ist?

Hier ist die Neubetrachtung, die unseren gesamten Ansatz erschloss.

Wenn eine Person Kniebeugen macht, zeichnet die vertikale Position ihres Hüftgelenks über die Zeit eine Welle. Nicht metaphorisch – buchstäblich. Es ist ein sinusförmiges Signal. Hampelmänner erzeugen eine periodische Wellenform in der Winkelgeschwindigkeit der Schultern. Gehen erzeugt komplexe multiharmonische Signale im gesamten Unterkörper.

Der menschliche Körper ist bei repetitiver Übung ein mechanischer Oszillator.

Sobald man es so sieht, hört man auf, an Computer Vision zu denken, und beginnt, an Signalverarbeitung zu denken. Plötzlich hat man Zugang zu einem völlig anderen mathematischen Werkzeugkasten:

• Amplitude verrät die Tiefe der Kniebeuge
• Frequenz verrät die Kadenz
• Phase verrät, ob die linke und die rechte Seite koordiniert sind
• Spektrale Reinheit verrät, ob die Bewegung kontrolliert oder zittrig ist

Wir bitten eine KI nicht mehr, zu „erraten", welche Übung gerade stattfindet. Wir messen die Physik einer Wellenform. Die Frage verschiebt sich von „Wie sieht das aus?" zu „Was misst das?"

Wir haben Human Activity Recognition nicht als Bildklassifizierungsproblem, sondern als Problem der digitalen Signalverarbeitung neu aufgefasst. Diese eine Entscheidung machte Verifizierung möglich.

Aber rohe Signalverarbeitung – Fourier-Transformationen und dergleichen – ist fragil, wenn man sie auf echte menschliche Bewegung anwendet. Menschen ändern das Tempo. Kamerawinkel verschieben sich. Arme verdecken Beine. Man braucht Deep Learning, um das Rauschen zu bewältigen. Die Frage war: welche Architektur?

Warum wir LSTMs verworfen haben

Wenn Sie in den letzten zehn Jahren einen Kurs über maschinelles Lernen belegt haben, haben Sie gelernt, dass sequenzielle Daten rekurrente neuronale Netze bedeuten. LSTMs – Long-Short-Term-Memory-Netze – waren der Goldstandard. Text, Audio, Zeitreihen – alles lief durch ein LSTM.

Wir haben es versucht. Es funktionierte nicht. Nicht so, wie wir es brauchten.

Die Probleme waren grundlegend und nicht durch Hyperparameter-Tuning zu beheben. LSTMs verarbeiten Daten sequenziell – um zu berechnen, was bei Frame 100 passiert, muss man zuerst die Frames 1 bis 99 verarbeiten. Auf einem Smartphone, das in Echtzeit läuft, erzeugt dieser serielle Flaschenhals eine Latenz, die das Nutzererlebnis zerstört. Man kann jemandem nicht „geh tiefer" sagen, zwei Sekunden nachdem er bereits wieder hochgekommen ist.

Schlimmer noch: LSTMs vergessen. Ihr „Gedächtnis" verschlechtert sich über lange Sequenzen. Eine fünfminütige Yoga-Einheit oder eine Liegestütz-Challenge mit fünfzig Wiederholungen erzeugt Tausende von Frames, und am Ende hat das Modell den Kontext vom Anfang verloren. Wir sahen das als Drift – das Vertrauen des Modells in seine eigene Zählung erodierte mit der Zeit, wie ein Mensch, der im Kopf den Überblick verliert.

Es gab ein Teammeeting, in dem wir die Zahlen darlegten. Die Latenz war inakzeptabel. Das Gedächtnis war unzuverlässig. Die Rechenkosten für den Betrieb von LSTMs auf Tausenden gleichzeitiger Enterprise-Streams waren untragbar. Jemand sagte: „Vielleicht müssen wir die gesamte Architektur überdenken."

Jemand anderes sagte: „Vielleicht brauchen wir Faltungen."

Diese Person hatte recht.

Wie funktioniert ein Temporal Convolutional Network eigentlich?

Temporal Convolutional Networks – TCNs – übernehmen die Faltungsarchitektur, die die Bilderkennung revolutioniert hat, und wenden sie auf den Zeitbereich an. Statt einen Filter über Pixel in einem Bild zu schieben, schiebt man ihn über Zeitschritte in einem Signal. Aber zwei Designentscheidungen machen TCNs radikal anders als alles zuvor.

Erstens: kausale Faltungen. Das Netzwerk zum Zeitpunkt t betrachtet nur Daten aus dem Zeitpunkt t und früher. Es blickt nie in die Zukunft. Das klingt offensichtlich, aber es ist eine mathematische Garantie, die für die Echtzeit-Verifizierung enorm wichtig ist. Wir entscheiden nicht rückwirkend, ob eine Wiederholung gültig war, nachdem der Satz vorbei ist – wir verifizieren sie, während sie geschieht.

Zweitens, und das ist der Teil, der mich noch immer begeistert: dilatierte Faltungen. Statt benachbarte Zeitschritte zu betrachten, führt das Netzwerk Abstände zwischen den untersuchten Punkten ein. Und dieser Abstand wächst mit jeder Schicht exponentiell. Schicht 1 sieht benachbarte Frames. Schicht 2 überspringt einen. Schicht 3 überspringt drei. Bei Schicht 10 erfasst ein einzelner Filter ein Fenster von 512 Frames.

Das bedeutet, das Netzwerk kann gleichzeitig darauf achten, was gerade jetzt geschieht – knickt das Knie in diesem konkreten Frame nach innen ein? – und was in den letzten drei Minuten geschehen ist – verschlechtert sich die Periodizität der Bewegung auf eine Weise, die auf Ermüdung hindeutet?

Ein TCN mit dilatierten Faltungen sieht sowohl die momentane Physik eines einzelnen Frames als auch den langfristigen zeitlichen Kontext eines gesamten Workouts. Keine andere Architektur liefert beides auf einmal.

Und weil Faltungen parallele Operationen sind, keine sequenziellen, läuft das Ganze schnell genug für Echtzeit-Inferenz auf Mobilgeräten. Auch das Training ist schneller – keine explodierenden Gradienten, keine verschwindenden Gradienten, nur stabile Backpropagation durch ein Netzwerk mit fester Tiefe.

Für die vollständige technische Aufschlüsselung – einschließlich der vergleichenden Leistungsdaten gegenüber LSTMs und der Mathematik unserer Signalanalyse – siehe unser Forschungspapier.

Wiederholungen zählen, ohne zu wissen, was eine Wiederholung ist

Eine unserer frühen Designentscheidungen war umstritten, sogar innerhalb des Teams.

Die meisten Fitness-Apps, die Wiederholungen zählen wollen, trainieren für jede Übung ein spezifisches Modell. Einen „Liegestütz-Zähler". Einen „Kniebeugen-Zähler". Einen „Bizepscurl-Zähler". Das bedeutet, dass jede neue Übung neue Trainingsdaten, neue Beschriftung, neue Bereitstellung erfordert. Das ist fragil und skaliert nicht.

Wir schlugen eine andere Richtung ein. Wir bauten ein klassenagnostisches Zählsystem, das auf zeitlicher Selbstähnlichkeit basiert. Die Idee: Wenn eine Bewegung repetitiv ist, ähnelt das Signal sich selbst in regelmäßigen Abständen. Man muss nicht wissen, was die Übung ist. Man muss nur erkennen, dass sich das Signal wiederholt.

Das TCN bildet die Skelett-Posensequenz auf eine komprimierte Repräsentation ab, dann berechnen wir die Ähnlichkeit zwischen jedem Paar von Zeitschritten. Repetitive Bewegung zeigt sich als ein deutliches visuelles Muster – parallele Linien hoher Ähnlichkeit. Der Abstand zwischen diesen Linien ist die Dauer einer Wiederholung. Die Intensität der Linien verrät, wie konsistent die Wiederholungen sind.

Das funktioniert für Kniebeugen, Kettlebell-Swings, Rudern, Hampelmänner oder jede Reha-Bewegung, die ein Physiotherapeut nächsten Dienstag erfindet. Wir erkennen die Physik der Wiederholung selbst, nicht die Identität der Übung.

Ich gebe zu, es gab einen Moment des Zweifels. Ein Investor sagte mir: „Nimm einfach GPT-4 mit Videoeingabe. Es kann Liegestütze zählen." Ich bat ihn, es mit jemandem zu versuchen, der bei wechselndem Tempo Viertel-Wiederholungen macht, während ein Kleinkind durchs Bild läuft. Er brachte es nicht mehr zur Sprache.

Was passiert, wenn man die Ausführung misst, nicht nur zählt?

Zählen ist notwendig, aber bei Weitem nicht ausreichend. Jemand kann fünfzig „Liegestütze" mit zweieinhalb Zentimetern Bewegungsumfang machen. Der Zähler steigt. Die Physik sagt, dass nichts passiert ist.

Wir haben drei Metriken entwickelt, die aus einer Wiederholungszählung eine Qualitätsbewertung machen.

Tiefe. Wir verfolgen die Trajektorie zentraler Gelenke – die Hüfte bei einer Kniebeuge, die Brust bei einem Liegestütz – und wenden Peak-Detection auf das TCN-gefilterte Signal an. Eine Wiederholung ist nur gültig, wenn die Auslenkung einen biomechanischen Schwellenwert überschreitet. Das ist keine Meinung. Es ist eine Messung, wie weit sich das Gelenk tatsächlich bewegt hat.

Kontrolle. In der Signalverarbeitung ist der „Ruck" die dritte Ableitung der Position – die Änderungsrate der Beschleunigung. Hoher Ruck bedeutet Zittern, Instabilität oder das Ausnutzen von Schwung, um die Bewegung zu mogeln. Wir berechnen eine normalisierte Version namens Log Dimensionless Jerk. Ein hoher Wert bedeutet, dass die Person kämpft oder sich durch die Wiederholung schleudert. In der Reha und der betrieblichen Gesundheitsförderung ist dies ein Frühindikator für Verletzungsrisiko.

Symmetrie. Wir vergleichen die Signalenergie und Phase zwischen der linken und rechten Seite. Ein Asymmetrie-Index zeigt, wenn jemand bei einer Kniebeuge ein Bein bevorzugt – oft ein Vorbote einer Verletzung oder ein Zeichen unvollständiger Rehabilitation. Diese Metrik lässt sich unmöglich selbst berichten. Man kann eine Asymmetrie von 12 % nicht spüren. Aber das Signal kann sie messen.

Eine „von Veriprajna verifizierte Wiederholung" ist kein Häkchen. Sie ist ein Datenpaket, das Zeitstempel, Hash der Skelett-Schlüsselpunkte, TCN-Konfidenzwert und kinematische Telemetrie enthält – Tiefe, Geschwindigkeit, Ruck, Symmetrie. Sie ist prüfbar. Sie ist unveränderlich. Sie ist der Unterschied zwischen einer Behauptung und einem Beweis.

Die Datenschutzarchitektur, die Enterprise-Kunden Ja sagen ließ

Ich muss etwas ansprechen, das mich die Leute immer fragen: „Sie analysieren Menschen, die vor der Kamera Übungen machen. Wie ist das kein Datenschutz-Albtraum?"

Das wäre es, wenn wir Video in die Cloud streamen würden. Tun wir aber nicht.

Das Handy führt einen leichtgewichtigen Posenschätzer auf seiner Neural Processing Unit aus. Dieser extrahiert skelettale Koordinaten – nur Zahlen, die Gelenkpositionen repräsentieren. Ein paar Kilobyte an Daten. Die Videoframes werden sofort verworfen. Keine Pixeldaten verlassen jemals das Gerät. Was an unsere Cloud-Engine übertragen (oder bei High-End-Handys direkt auf dem Gerät verarbeitet) wird, sind anonyme kinematische Daten. Zahlen. Keine Gesichter.

Das ist DSGVO- und HIPAA-Konformität durch Architektur, nicht durch Richtlinien. Die biometrischen Daten – das Video von Gesicht und Körper einer Person – werden nie gespeichert, nie übertragen, nie gefährdet. Das war kein nachträglicher Einfall. Wir haben das gesamte System um diese Einschränkung herum entworfen, weil wir wussten, dass Enterprise-Kunden nichts anderes anfassen würden.

Wer bezahlt für Physik?

Die Ökonomie verifizierter Bewegung ist überwältigend, sobald man sie erkennt.

Versicherung. Versicherer bieten derzeit Rabatte für Fitnessstudio-Mitgliedschaften an, die den Ort verifizieren, nicht die Anstrengung. Mit verifizierten funktionellen Bewegungsdaten – fünf Kniebeugen, fünf Ausfallschritte, ein Gleichgewichtshalten – kann ein Versicherer Stabilität, Bewegungsumfang und Symmetrie beurteilen. Diese korrelieren stark mit dem Sturzrisiko bei Senioren und der allgemeinen Stoffwechselgesundheit. Dynamische Risikoprüfung auf Basis verifizierter funktioneller Kapazität, nicht statischer versicherungsmathematischer Tabellen. Der Versicherer, der das zuerst begreift, gewinnt den Markt.

Betriebliche Gesundheitsförderung. Eine 60-Milliarden-Dollar-Branche, in der Unternehmen für Ergebnisse zahlen, die sie nicht messen können. Mitarbeiter schütteln Handys, um Schrittziele zu erreichen, und beanspruchen Beiträge zum Health Savings Account. Mit verifizierten aktiven Minuten wird die Hürde für Betrug zu körperlicher Anstrengung. Um auf unserem System einen Liegestütz zu fälschen, müsste man im Grunde einen humanoiden Roboter bauen – oder einfach den Liegestütz machen.

Tele-Reha. Muskuloskelettale Erkrankungen sind ein zentraler Kostentreiber für Arbeitgeber. Die Adhärenz bei Heimübungen liegt bekanntermaßen unter 50 %, und wenn Patienten üben, tun sie es oft mit schlechter Ausführung, die die Genesung verzögert. Ein TCN, das vorgeschriebene Gelenkwinkel überwacht, gibt Klinikern ein Dashboard mit verifizierter Compliance und Qualitätstrends. Remote Therapeutic Monitoring ist in den USA inzwischen ein erstattungsfähiger CPT-Code – das ist nicht spekulativ. Es ist eine Einnahmequelle.

Move-to-earn, richtig gemacht. Die Web3-Fitness-Projekte scheiterten, weil GPS trivial fälschbar ist. Wir liefern das Orakel für körperliche Anstrengung. Token-Minting, das durch TCN-Verifizierung reguliert wird, schafft eine Ökonomie, in der das Angebot durch die körperliche Kapazität der Nutzerbasis begrenzt ist, nicht durch die Kreativität der Betrüger.

„Aber werden LLMs das nicht irgendwann können?"

Ich höre das ständig. Die Annahme, dass große Sprachmodelle, weil sie immer besser werden, irgendwann alles lösen werden, einschließlich der physischen Verifizierung.

Werden sie nicht. Und der Grund ist architektonisch, keine Frage des Maßstabs.

LLMs sind darauf ausgelegt, das wahrscheinlichste nächste Token zu erzeugen. Sie sind probabilistisch. Sie generieren plausible Ausgaben. In kreativen und administrativen Bereichen ist das ungemein nützlich. Aber bei der physischen Verifizierung ist Plausibilität der Feind. Eine medizinische Diagnose, ein Rehabilitationsprotokoll, eine Anpassung der Versicherungsprämie – diese können nicht auf dem beruhen, was wahrscheinlich geschieht. Sie müssen in dem verankert sein, was tatsächlich geschieht.

Keine noch so große Skalierung ändert die grundlegende Zielfunktion. Ein LLM mit einer Billion Parametern optimiert immer noch auf Wahrscheinlichkeit, nicht auf Wahrheit. Unser TCN optimiert auf die Physik einer Wellenform – Amplitude, Frequenz, Phase, spektrale Reinheit. Das sind Messungen, keine Vorhersagen.

Die andere Frage, die mir gestellt wird: „Kann man nicht einfach ein Vision-Language-Modell auf Trainingsvideos feinabstimmen?" Kann man. Es wird einem sagen: „Das sieht aus wie ein Liegestütz." Es wird einem nicht sagen, dass die linke Schulter 15 % mehr Last trägt als die rechte, dass das Ruckprofil auf einen frühen Ermüdungsbeginn hindeutet oder dass die Wiederholungstiefe in den letzten zwei Minuten um 8 % abgenommen hat. Es gibt einem ein Etikett. Wir geben Ihnen eine Signalanalyse.

Die KI-Branche ist besessen von Generierung. Wir sind besessen von Verifizierung. Das sind nicht dieselbe Disziplin, und wenn man sie verwechselt, landet man dabei, Versicherungsprämien auf Halluzinationen zu bepreisen.

Die Grenze zwischen Vibes und Physik

Ich denke viel darüber nach: Die gesamte Digital-Health-Branche sitzt auf einer Seite einer Grenze, und die meisten merken nicht, dass die Grenze existiert.

Auf der einen Seite steht das, was ich als Vibes-Ökonomie bezeichne. Selbst gemeldete Daten. Schrittzahlen von Geräten, die man schütteln kann. Workout-Abschlüsse von Videos, die man ignorieren kann. Dashboards, die ermutigend aussehen. Daten, die sich korrekt anfühlen. Es funktioniert, bis jemand sie prüft, und dann verdampft es.

Auf der anderen Seite steht das, was wir aufbauen: die Physik-Ökonomie. Verifizierte Bewegung. Gemessene Auslenkung. Quantifizierte Kontrolle. Prüfbare Vermögenswerte. Daten, die einer Prüfung standhalten, weil sie von vornherein nie auf Vertrauen beruhten.

Der Übergang zwischen diesen beiden Ökonomien ist nicht inkrementell. Man kommt der Physik nicht zu 60 % näher, indem man seinem Videoplayer einen Schrittzähler hinzufügt. Entweder man misst die Wellenform oder nicht. Entweder man verifiziert die Wiederholung oder man glaubt dem Nutzer aufs Wort.

Jedes Unternehmen, mit dem wir sprechen – jeder Versicherer, jeder Einkäufer für betriebliche Gesundheitsförderung, jede Tele-Reha-Plattform – kommt irgendwann zur selben Erkenntnis. Sie haben für Vibes bezahlt und es Daten genannt. In dem Moment, in dem sie sehen, wie verifizierte Bewegungsdaten tatsächlich aussehen, können sie es nicht mehr ungesehen machen.

Ich habe Veriprajna gegründet, weil ich glaubte, dass das wichtigste KI-Problem dieses Jahrzehnts nicht darin besteht, besseren Text zu generieren. Es besteht darin, physische Realität zu verifizieren. Mit jedem Monat, der vergeht, jedem neuen LLM-Wrapper, der startet, jeder Fitness-App, die einen weiteren Videoplayer mit Abzeichensystem ausliefert – werde ich sicherer.

Die Zukunft der Gesundheits-KI sind nicht klügere Chatbots. Es ist ehrliche Messung. Und Physik halluziniert nicht.