מאמן הכושר ה-AI שלכם איטי בשלוש שניות מכדי להציל את עמוד השדרה שלכם
צפיתי בבחור כמעט הורס את הגב התחתון שלו כי אפליקציה אמרה לו את הדבר הלא נכון בזמן הלא נכון.
הוא היה בחדר כושר מסחרי בבנגלור, הטלפון נשען על משקולת יד, מריץ אחת מאותן אפליקציות אימון מבוססות-AI שמבטיחות "לעקוב אחר הטכניקה שלך בזמן אמת". הוא ביצע סקוואט — לא כבד, אולי 80 קילו — ואי שם סביב החזרה הרביעית, עמוד השדרה המותני שלו התחיל להתעגל. ה"באט וינק" הקלאסי. כוחות הגזירה מטפסים על חוליות ה-L4-L5 שלו, דחיסת הדיסק עוברת מבטוחה למסוכנת.
האפליקציה זמזמה ואמרה: "תשמור על החזה למעלה".
אבל היא אמרה זאת בחזרה החמישית. זו שבה הטכניקה שלו הייתה בעצם בסדר גמור. התיקון היה מיועד לחזרה הרביעית — לפני שלוש שניות, נצח במונחי ביומכניקה — ועכשיו הוא בלבל אותו לכדי תיקון-יתר של חזרה שלא נזקקה לתיקון. הוא התאים את עצמו באמצע ההרמה, איבד את הייצוב שלו, וצפיתי בגב שלו מתעגל גרוע מקודם.
אותו רגע גיבש משהו שחשדתי בו במשך חודשים ב-Veriprajna: כל הארכיטקטורה שעליה רוב חברות ה-AI לכושר בונות אינה רק איטית — היא מסוכנת מבחינה ביומכנית. פער ההשהיה בין הרגע שבו AI מבוסס-ענן "רואה" בעיה לבין הרגע שבו המשוב שלו מגיע למשתמש אינו אי-נוחות UX זניחה. זו חבות. ובהקשר של תנועה עמוד-שדרתית עמוסה, זהו ההבדל בין תיקון לבין פציעה.
תקציב 200 המילישניות שאיש אינו מדבר עליו
הנה מספר שצריך להיות מקועקע על מצחו של כל מייסד סטארט-אפ בתחום טכנולוגיית הכושר: 200 מילישניות.
זהו בערך הזמן הכולל שיש לאדם כדי לתפוס גירוי חזותי וליזום תיקון מוטורי. אצל ספורטאי עילית, זה קרוב יותר ל-150 מילישניות. אצל מתאמן חדר-כושר ממוצע, אולי 250 מילישניות. רמזים שמיעתיים והפטיים מהירים יותר — 25 עד 100 מילישניות.
זו אינה דעתי. זו פיזיולוגיה. והיא יוצרת את מה שאני מכנה "תקציב השהיה" לכל מערכת שרוצה לאמן תנועה אנושית בזמן אמת. אם ההשהיה הכוללת של המערכת — מרגע לכידת הפריים במצלמה ועד שהמשתמש חש את הזמזום ההפטי — עולה על 200 מילישניות, המשוב מגיע מאוחר מדי מכדי להשפיע על השלב הנוכחי של התנועה. הוא הופך לקישוט. או גרוע מכך, להפרעה.
עכשיו הביטו בקינמטיקה של סקוואט אחורי. הירידה נמשכת 1.5 עד 2 שניות. המעבר בתחתית — ה"קפיצה", שבה עמוד השדרה שלכם פגיע ביותר — הוא לרוב פחות מ-200 מילישניות. אם עמוד השדרה המותני שלכם מתחיל להתכופף בנקודת האמצע של הירידה, כוחות הגזירה מזנקים מיד. רמז אימון צריך להגיע לפני שאתם מגיעים לעומק ולעומס המרביים.
אזהרה שמגיעה שלוש שניות לאחר שעמוד השדרה שלכם התעגל אינה אימון. זו נתיחה שלאחר המוות.
רוב האנשים שבונים מוצרי כושר מבוססי-AI אינם חושבים על כך. הם חושבים על המודל. הם חושבים על הפרומפט. הם חושבים על הממשק. הם אינם חושבים על הפיזיקה של תזמון המשוב ומה קורה כשמנתקים את הסנכרון בין התיקון לשגיאה ברצף רציף של חזרות.
מדוע AI מבוסס-ענן נכשל בכושר בזמן אמת?
אני צריך להיות ספציפי כאן, כי "הענן איטי" היא תלונה מעורפלת. הרשו לי להוליך אתכם דרך מה שקורה בפועל כשאפליקציית כושר שולחת פריים וידאו ל-GPT-4o Vision או ל-AWS Rekognition לצורך ניתוח טכניקה.
לכידת פריים וקידוד: 50 עד 100 מילישניות. הטלפון שלכם תופס פריים ב-1080p, דוחס אותו ל-JPEG, ולעיתים קרובות מקודד אותו ב-Base64 לצורך שידור ל-API. אינכם יכולים לדגום-מטה באגרסיביות כי אתם זקוקים לרזולוציה כדי לזהות נקודות מפתח עדינות כמו היפוך קרסול.
שידור רשת (העלאה): 100 עד 1,000 מילישניות. כאן הדברים מכוערים. חדרי כושר הם סיוט RF — מרתפים, מבנים עם שלד מתכת שמתנהגים כמו כלובי פאראדיי, רשתות Wi-Fi ציבוריות עמוסות. העלאת תמונה בגודל 2MB בחיבור LTE משתנה יכולה להימשך בכל מקום בין 200 מילישניות ליותר משנייה.
תור שרת והסקה: 500 עד 4,000 מילישניות. הבקשה מגיעה לשרתי OpenAI או Google, נכנסת לתור. השהיית האודיו של GPT-4o נמדדת סביב 320 מילישניות, אבל ראייה — ניתוחה איטי משמעותית — לרוב 2 עד 4 שניות בהתאם לעומס השרת.
שידור התגובה ורינדור: עוד 250 עד 600 מילישניות ליצירת טוקנים, הורדה, ניתוח JSON, והמרת טקסט-לדיבור.
חברו הכול. במקרה הטוב ביותר עם Wi-Fi סיבים אופטיים: כ-1.5 שניות. תרחיש חדר כושר טיפוסי: 3 עד 5 שניות.
אני זוכר את הלילה שבו הצוות שלי ואני התיישבנו ומדדנו את זה בפועל מקצה לקצה. הנחנו שנתיב הענן "מהיר מספיק" כי חומרי השיווק אמרו "זמן אמת". הקמנו מתקן בדיקה — טלפון על חצובה, חבר צוות מבצע סקוואטים מבוקרים, חותמות זמן בכל שלב של הצינור. כשראינו את המספרים חוזרים, השתררה דממה ארוכה. מישהו אמר: "אז אנחנו בעצם בונים מצלמת דרך, לא ספוטר". זה היה הרגע שבו זרקנו שישה שבועות של עבודה והתחלנו מחדש.
בעיית ההעברה השלילית
פער ההשהיה לא רק הופך את המשוב למאוחר. הוא הופך את המשוב למזיק.
במחקר הלמידה המוטורית, קיימת תופעה חקורה היטב הנקראת העברה שלילית. היא מתרחשת כשמשוב מגיע ללא סנכרון עם הפעולה שאליה הוא מתייחס. ברצף רציף של תרגילים, עיכוב של 3 שניות משמעו שהתיקון לחזרה 1 מגיע בזמן שאתם מבצעים את חזרה 2.
המוח שלכם אינו יודע שהמשוב מיושן. הוא משייך את הרמז לכל מה שאתם עושים ברגע זה. אם ה-AI אומר "תשמור על החזה למעלה" במהלך חזרה שבה החזה שלכם כבר למעלה, אתם מקשרים באופן תת-מודע את התיקון להתנהגות הנוכחית (הנכונה) שלכם. אתם מבצעים תיקון-יתר בחזרה 3. הטכניקה שלכם מתדרדרת. ה-AI, אם הוא עדיין צופה, רואה עכשיו שגיאה חדשה — כזו שהוא עצמו גרם לה.
כתבתי על בעיית לולאת המשוב הזו לעומק בגרסה האינטראקטיבית של המחקר שלנו. ספרות הלמידה המוטורית ברורה: משוב בו-זמני שאינו מתוזמן בצורה מושלמת לא רק שאינו מסייע — הוא מפריע באופן פעיל למנגנוני זיהוי השגיאות הפנימיים של המוח.
ויש גם ממד של עומס קוגניטיבי. במהלך הרמה כבדה, ספורטאי מנהל שיווי משקל, לחץ תוך-בטני, מינוף, נשימה. משוב מאוחר פועל כמסיח דעת נוירו-קוגניטיבי. מחקר על תוכנית מניעת הפציעות "11+" מראה שכל דבר שמעכב עיבוד חושי מצמצם את הזמן הזמין לתיקוני קואורדינציה מוטורית. ה-AI למעשה גוזל כוח עיבוד ממוח הספורטאי, ומגדיל את סיכון הפציעה במקום להפחית אותו.
ספוטר AI שמפגר אינו מגן על המשתמש. הוא מתחרה בו על תשומת הלב ברגע הגרוע ביותר האפשרי.
מה קורה כשמעבירים את האינטליגנציה לטלפון?
כאן הסיפור משתנה.
סמארטפונים מודרניים מגיעים עם יחידות עיבוד עצביות ייעודיות — ה-Apple Neural Engine, ה-Hexagon DSP של Qualcomm. שבבים אלה תוכננו במיוחד עבור פעולות כפל המטריצות שמניעות רשתות עצביות. הם יושבים בכיס שלכם ממש עכשיו, בעיקר בטלים, מסוגלים להריץ מודלים מתוחכמים של ראייה ממוחשבת ב-30+ פריימים לשנייה תוך שהם בקושי נוגעים בסוללה.
הערכנו שלושה מודלים בקוד פתוח להערכת תנוחה: BlazePose (ה-MediaPipe של Google), MoveNet (TensorFlow Lite), ו-YOLOv11-Pose. לכל אחד יש פשרות, אבל עבור אפליקציית מאמן אישי ייעודית שבה הדיוק חשוב יותר ממעקב אחר מספר אנשים, BlazePose ניצח באופן חד-משמעי.
מדוע? שתי סיבות. ראשית, הוא מזהה 33 נקודות מפתח — משמעותית יותר מהטופולוגיה הסטנדרטית בת 17 הנקודות. זה כולל ציוני דרך מפורטים של כף היד וכף הרגל, שחשובים עד מאוד לניתוח רוחב האחיזה בלחיצת חזה או יציבות כף הרגל בסקוואט. שנית, הוא מסיק קואורדינטות תלת-ממדיות. הערכת ציר ה-Z הזו משמעה שהוא יכול לזהות תנועה סיבובית — כמו ברך שקורסת פנימה במהלך לאנג' — שמודל דו-ממדי היה מפספס לחלוטין.
חשבון ההשהיה במכשיר עצמו נראה שונה לחלוטין מהענן:
לכידת מצלמה: 30 מילישניות. הסקה ב-NPU: 15 מילישניות. לוגיקת חישוב זווית: פחות ממילישנייה. הפעלת משוב: פחות ממילישנייה.
סך הכול: בערך 46 מילישניות. הרבה מתחת לסף 200 המילישניות של זמן התגובה האנושי. ה-AI יכול לזהות ולהגיב להתפרקות טכניקה מהר יותר ממה שמערכת העצבים של המשתמש עצמו מסוגלת לקלוט את השגיאה.
היה רגע — אני חושב שזה היה ערב יום שלישי, המשרד היה כמעט ריק — כשלראשונה הרצנו את הצינור שבמכשיר מקצה לקצה. אחד המהנדסים שלי ביצע סקוואטים במשקל גוף מול מצלמת הלפטופ שלו, ושכבת השלד עקבה אחריו בדיוק מצמרר שכזה. ללא השהיה. ללא רעד. הזמזום ההפטי פגע בטלפון שלו בדיוק ברגע שברכו התחילה לסטות פנימה. הוא עצר, הביט בי, ואמר: "זה מרגיש כאילו זה בתוך התנועה". אז ידעתי שיש לנו משהו.
כיצד עוצרים את השלד מרעידה?
פלט גולמי של רשת עצבית הוא רועש. נקודות המפתח רועדות מפריים לפריים בגלל קוונטיזציית פיקסלים וביטחון מודל משתנה. אם מחשבים את זווית הברך מנתונים גולמיים, המספר מקפץ סביב — 90°, 85°, 92° — גם כשהמשתמש עומד ללא תנועה. זה גורם לחוויה להרגיש שבורה.
התיקון המובן מאליו הוא החלקה. ממצעים את 10 הפריימים האחרונים, והרעד נעלם. אבל בדיוק הכנסתם 333 מילישניות של השהיה ב-30 FPS. החזרתם את ההשהיה שהשקעתם חודשים בסילוקה.
אנחנו משתמשים ב-1€ Filter — מסנן מעביר-נמוכים מסדר ראשון עם תדר חיתוך אדפטיבי. זהו תקן התעשייה לאינטראקציה אנושית-מחשב בזמן אמת, בשימוש במשחקי VR ובמעקב סמן מדויק. האלגנטיות טמונה באדפטיביות שלו: כשהמשתמש מחזיק פלאנק (מהירות נמוכה), המסנן מחליק באגרסיביות, וגורם לשלד להיראות יציב כסלע. כשהמשתמש צונח לסקוואט (מהירות גבוהה), המסנן נסוג, ומעדיף תגובתיות על פני החלקה.
אנשים שואלים אותי לפעמים מדוע איננו משתמשים במסנני קלמן. מסנני קלמן יפים לחיזוי מסלולים בליסטיים — טילים, לוויינים. אבל תנועה אנושית היא כאוטית ולא-לינארית. כיוונון מסנן קלמן לכושר כללי על פני אלפי סוגי גוף ודפוסי תנועה הוא סיוט. ה-1€ Filter קליל, קל לכיוונון עם שני פרמטרים בלבד, ומטפל בחוסר הצפיות של התנועה האנושית בחן. לפירוט הטכני המלא של גישת עיבוד האותות שלנו, ראו מאמר המחקר שלנו.
חבר חדר הכושר של 36 דולר לשעה
מעבר לפיזיקה, קיים טיעון כלכלי אכזרי נגד AI כושר מבוסס-ענן שרוב המייסדים מגלים מאוחר מדי.
קלט GPT-4o Vision עולה בערך 0.001$ לתמונה. לניתוח טכניקה ברמת בטיחות, אתם זקוקים למינימום של 10 פריימים לשנייה. זה 600 פריימים לדקה. 0.60$ לדקה. 36$ לשעה.
אף צרכן לא ישלם 36$ לשעה עבור חבר חדר כושר אוטומטי. אז המפתחים עושים את הדבר היחיד שהם יכולים: הם מדללים את קצב הפריימים לפעם אחת בכל 5 או 10 שניות. מה שאומר שהמוצר עכשיו בודק את הטכניקה שלכם פעמיים במהלך סט של סקוואטים. זה לא ספוטר. זו תיבת הצעות.
היתה לנו פגישת משקיעים — זה היה בשלב מוקדם — שבה מישהו הביט בארכיטקטורת ה-edge-first שלנו ואמר: "למה לא פשוט להשתמש ב-GPT-4o? הוא יכול לראות וידאו עכשיו". שלפתי את חשבון העלויות על מפית. 50,000 משתמשים פעילים חודשיים, כל אחד מבצע 10 מפגשים בחודש, ניתוח רציף. מעל 250,000$ לחודש בדמי API בלבד. החדר השתתק.
עם edge AI, העלות לנתח מיליון סקוואטים זהה לעלות לנתח אחד: אפס. הטלפון של המשתמש הוא השרת.
מודל ה-edge הופך את הכלכלה לחלוטין. ברגע שהאפליקציה מורדת, החישוב מתרחש על ה-iPhone של המשתמש בשווי 1,000$. ללא קריאות API, ללא עלויות רוחב פס, ללא הרחבת שרתים. אם האפליקציה הופכת לוויראלית בן לילה וצוברת 100,000 משתמשים, חשבון התשתית אינו משתנה. הארכיטקטורה ניתנת להרחבה אינסופית כי אין מה להרחיב.
מה לגבי התרוקנות הסוללה?
זו ההתנגדות הראשונה שכל מהנדס מעלה, והיא לגיטימית. הרצת רשת עצבית 30 פעמים בשנייה נשמעת כמו מתכון לטלפון שמת תוך 20 דקות וחם מספיק כדי לטגן ביצה.
אבל הנתונים מספרים סיפור נוגד-אינטואיציה. התרוקנות האנרגיה של סמארטפון נשלטת על ידי שני דברים: המסך והרדיו הסלולרי. הזרמת וידאו רציפה לענן משאירה את הרדיו במצב הספק גבוה, שהוא קטלן סוללות אדיר. הסקה מקומית ב-NPU, לעומת זאת, תוכננה במיוחד לפעולה בהספק נמוך — יעילה בסדרי גודל יותר לכל פעולה מאשר המעבד לשימוש כללי.
אנחנו מוסיפים שלוש אסטרטגיות הפחתה מעל: קצב פריימים אדפטיבי (דילול ל-1 FPS במהלך תקופות מנוחה), קוונטיזציית int8 (כיווץ משקלי המודל מ-32-ביט ל-8-ביט, קיצוץ הגודל פי 4 עם אובדן דיוק זניח), וקירור היסטרזיס (ניטור המצב התרמי של המכשיר ומעבר יזום למודל קל יותר לפני שמערכת ההפעלה כופה דילול חמור). בבדיקות שלנו, מפגשים בני שעה מתנהלים בנוחות ללא התחממות יתר או השפעה משמעותית על הסוללה.
טיעון הפרטיות שאיש אינו משמיע בקול רם מספיק
יש לכך ממד שחורג מעבר לביצועים ולעלות, והוא זה שמדיר שינה מעיניי.
AI כושר מבוסס-ענן משמעו הזרמת וידאו של הגוף שלכם לשרת מרוחק. נתונים ביומטריים — גיאומטריית הגוף, דפוסי הליכה, חתימות תנועה — מוסדרים באופן הדוק תחת BIPA באילינוי, GDPR באירופה, CCPA בקליפורניה. החשיפה המשפטית לחברות שאוספות נתונים אלה ללא הסכמה אטומה ומדיניות שמירה היא עצומה. BIPA לבדו הוליד הסדרי תובענות ייצוגיות אדירים.
עם עיבוד edge, פריימי הווידאו חיים ב-RAM של המכשיר ונמחקים מיד. הם לעולם אינם נכתבים לדיסק. לעולם אינם משודרים. המשתמש שומר על החזקה בנתונים שלו בכל עת.
אפליקציה שפועלת במצב טיסה מבטיחה הבטחה לגבי פרטיות ששום עמוד תנאי-שירות אינו יכול להשתוות אליה.
גיליתי שכשאנחנו אומרים למשתמשים "הווידאו שלכם לעולם לא עוזב את הטלפון שלכם", שינוי האמון מוחשי. עבורם זה אינו טיעון משפטי. זו תחושת בטן. הם נרגעים. הם באמת משתמשים באפליקציה בחדר השינה או במוסך שלהם — מקומות שבהם לעולם לא היו מכוונים מצלמה המחוברת לשרת ענן.
אז היכן מקומו של הענן?
אני לא אנטי-ענן. אני אנטי-ענן-לעבודה-הלא-נכונה.
אנחנו בונים את מה שאני חושב עליו כארכיטקטורה היברידית עם שתי לולאות. הלולאה החמה רצה במכשיר: BlazePose על ה-NPU, השהיה של פחות מ-50 מילישניות, מטפלת בבטיחות, בספוטינג, בספירת חזרות. היא מעבדת וידאו בתדר גבוה ומוחקת אותו לאחר השימוש. המשוב מיידי — זמזום הפטי, רמז אודיו קצר כמו "ברכיים החוצה".
הלולאה הקרה רצה בענן, אבל היא לעולם אינה נוגעת בווידאו. היא מקבלת מטא-נתוני JSON קלילים — "סט 1: עומק ממוצע 90°, זווית עמוד שדרה 170°, התפרקות טכניקה בחזרה 4". LLM מעבד זאת לאורך דקות או שעות, ומייצר תובנות מותאמות אישית: "הטכניקה שלך מתדרדרת באופן עקבי בסט 4. בוא נפחית את הנפח בשבוע הבא ונבנה סיבולת".
זה מעניק לכם את האינטליגנציה השיחתית של GPT — "איך היה האימון שלי?" — מבלי להקריב את מהירות הספוטר שבקצה. הנתונים שנוסעים לענן הם כמה קילובייטים של מספרים, לא גיגהבייטים של וידאו. שטח הפנים של הפרטיות מצטמצם כמעט לאפס.
אנשים שואלים אותי האם גישה היברידית זו משמעה שאנחנו רק דוחים את המעבר הבלתי-נמנע לענן מלא ברגע שהמודלים ייעשו מהירים יותר. אני לא חושב כך. הפיזיקה של שידור רשת אינה משתנה. לאור דרך סיבים אופטיים יש מגבלת מהירות. למגדלי סלולר יש עומס. חדרי כושר תמיד יהיו סביבות עוינות ל-RF. והתובנה היסודית — שלטלפון של המשתמש כבר יש את כוח החישוב לבצע את העבודה הזו — רק נעשית יותר נכונה עם כל דור חומרה. יחידות ה-NPU בטלפונים של השנה הבאה יהיו מהירות פי שניים מאלה של השנה. הפער מתרחב לטובתנו.
הארכיטקטורה היא המוצר
ביליתי את השנה האחרונה בטיעון עמדה שחלק מהאנשים בתחום ה-AI לכושר מוצאים לא נוחה: בחירת הארכיטקטורה שלכם אינה פרט יישום טכני. היא המוצר.
אם הארכיטקטורה שלכם מכניסה עיכוב של 3 שניות, לא בניתם ספוטר. בניתם פרשן. אם הארכיטקטורה שלכם דורשת הזרמת וידאו לשרת, לא בניתם מוצר מכבד-פרטיות. בניתם כלי מעקב עם ציפוי כושר. אם הארכיטקטורה שלכם עולה 36$ לשעה למשתמש, לא בניתם עסק. בניתם דמו.
התעשייה התפתתה על ידי היכולות של מודלים מולטי-מודליים גדולים — ואותן יכולות באמת מרשימות עבור מקרי השימוש הנכונים. ניתוח וידאו ארוך, אימון שיחתי, תכנות מותאם אישית. אבל מקרה השימוש הנכון לצינור הסקה של 3 שניות הוא לעולם לא מניעת פציעות בזמן אמת במהלך תנועה עמוד-שדרתית עמוסה.
800 מילישניות הן נצח בביומכניקה. אם ה-AI שלכם אינו יכול להגיב מהר יותר ממערכת העצבים האנושית, הוא אינו מאמן — הוא קהל.
לטלפון שבכיס שלכם יש שבב שתוכנן להריץ רשתות עצביות במהירות המחשבה. המצלמה כבר מכוונת אל המשתמש. המנוע ההפטי כבר שם. כל מה שאתם צריכים כדי לבנות מערכת שבאמת רואה ספורטאי — לא כזו שצופה בווידאו מושהה שלו — יושב בכף ידו של המשתמש.
השאלה שכל חברת טכנולוגיית כושר צריכה לענות עליה בכנות: האם האפליקציה שלכם צופה בווידאו, או שהיא מבצעת ספוטינג עבור המשתמש? כי לעמוד השדרה של הספורטאי לא אכפת מטקסט השיווק שלכם. אכפת לו רק ממילישניות.
