Il tuo coach di fitness AI è tre secondi troppo lento per salvarti la schiena

Ho visto un tizio quasi rovinarsi la zona lombare perché un'app gli ha detto la cosa sbagliata al momento sbagliato.

Era in una palestra commerciale a Bangalore, il telefono appoggiato a un manubrio, mentre usava una di quelle app di coaching basate sull'AI che promettono di "osservare la tua tecnica in tempo reale". Stava facendo squat — non pesanti, forse 80 chili — e da qualche parte intorno alla quarta ripetizione, la sua colonna lombare ha iniziato a incurvarsi. Il classico butt wink. Le forze di taglio aumentavano sulle sue vertebre L4-L5, la compressione discale passava da sicura a pericolosa.

L'app ha vibrato e ha detto: "Tieni il petto alto".

Ma l'ha detto alla sua quinta ripetizione. Quella in cui la sua tecnica era in realtà corretta. La correzione era per la quarta ripetizione — tre secondi prima, un'eternità in biomeccanica — e ora lo confondeva, portandolo a sovracorreggere una ripetizione che non aveva bisogno di correzioni. Si è aggiustato a metà del sollevamento, ha perso la sua stabilizzazione e ho visto la sua schiena incurvarsi peggio di prima.

Quel momento ha cristallizzato qualcosa che sospettavo da mesi in Veriprajna: l'intera architettura su cui la maggior parte delle aziende di fitness AI sta costruendo non è solo lenta — è biomeccanicamente pericolosa. Il divario di latenza tra quando un'AI basata sul cloud "vede" un problema e quando il suo feedback raggiunge l'utente non è un piccolo inconveniente di UX. È una responsabilità. E nel contesto di un movimento spinale sotto carico, è la differenza tra una correzione e un infortunio.

Il budget di 200 millisecondi di cui nessuno parla

Ecco un numero che dovrebbe essere tatuato sulla fronte di ogni fondatore di aziende di fitness tech: 200 millisecondi.

È all'incirca il tempo totale che un essere umano ha per percepire uno stimolo visivo e avviare una correzione motoria. Per gli atleti di élite, si avvicina ai 150 ms. Per il frequentatore medio di palestra, forse 250 ms. Gli stimoli uditivi e aptici sono più rapidi — da 25 a 100 millisecondi.

Non è la mia opinione. È fisiologia. E crea quello che io chiamo un "budget di latenza" per qualsiasi sistema che voglia guidare il movimento umano in tempo reale. Se la latenza totale del sistema — dalla cattura di un fotogramma da parte della fotocamera al momento in cui l'utente sente una vibrazione aptica — supera i 200 ms, il feedback arriva troppo tardi per influenzare la fase attuale del movimento. Diventa decorazione. O peggio, interferenza.

Ora considera la cinematica di un back squat. La discesa richiede da 1,5 a 2 secondi. La transizione in basso — il "rimbalzo", dove la tua colonna è più vulnerabile — dura spesso meno di 200 millisecondi. Se la tua colonna lombare inizia a flettersi a metà della discesa, le forze di taglio aumentano bruscamente immediatamente. Un segnale di coaching deve arrivare prima che tu raggiunga la massima profondità e il massimo carico.

Un avviso che arriva tre secondi dopo che la tua colonna si è incurvata non è coaching. È un'autopsia.

La maggior parte delle persone che costruiscono prodotti di fitness AI non ci pensa. Pensano al modello. Pensano al prompt. Pensano alla UI. Non pensano alla fisica del tempismo del feedback e a cosa succede quando desincronizzi la correzione dall'errore in una serie continua di ripetizioni.

Perché l'AI nel cloud fallisce nel fitness in tempo reale?

Devo essere preciso qui, perché "il cloud è lento" è una lamentela vaga. Lascia che ti illustri cosa succede realmente quando un'app di fitness invia un fotogramma video a GPT-4o Vision o ad AWS Rekognition per l'analisi della tecnica.

Cattura e codifica del fotogramma: da 50 a 100 millisecondi. Il tuo telefono cattura un fotogramma a 1080p, lo comprime in JPEG, spesso lo codifica in Base64 per la trasmissione via API. Non puoi ridurre aggressivamente la risoluzione perché ti serve risoluzione per rilevare punti chiave sottili come l'inversione della caviglia.

Trasmissione di rete (uplink): da 100 a 1.000 millisecondi. È qui che le cose si fanno brutte. Le palestre sono incubi in termini di radiofrequenze — seminterrati, edifici con struttura metallica che agiscono come gabbie di Faraday, Wi-Fi pubblico congestionato. Caricare un'immagine da 2MB su una connessione LTE instabile può richiedere da 200 ms a oltre un secondo.

Coda del server e inferenza: da 500 a 4.000 millisecondi. La richiesta raggiunge i server di OpenAI o Google, entra in una coda. La latenza audio di GPT-4o si attesta intorno ai 320 ms nei benchmark, ma l'analisi visiva è significativamente più lenta — spesso da 2 a 4 secondi a seconda del carico del server.

Trasmissione e rendering della risposta: Altri da 250 a 600 millisecondi per la generazione dei token, il downlink, il parsing del JSON, la sintesi vocale.

Somma tutto. Nel migliore dei casi con Wi-Fi in fibra: circa 1,5 secondi. Scenario tipico di una palestra: da 3 a 5 secondi.

Ricordo la sera in cui io e il mio team ci siamo seduti e abbiamo effettivamente misurato tutto questo end-to-end. Avevamo dato per scontato che il percorso via cloud fosse "abbastanza veloce" perché i materiali di marketing dicevano "tempo reale". Abbiamo allestito un banco di prova — telefono su un treppiede, un membro del team che eseguiva squat controllati, timestamp a ogni fase della pipeline. Quando abbiamo visto i numeri che tornavano, c'è stato un lungo silenzio. Qualcuno ha detto: "Quindi in pratica stiamo costruendo una dashcam, non uno spotter". Quello è stato il momento in cui abbiamo buttato via sei settimane di lavoro e ricominciato da capo.

Il problema del transfer negativo

Il divario di latenza non rende il feedback soltanto in ritardo. Rende il feedback dannoso.

Nella ricerca sull'apprendimento motorio, c'è un fenomeno ben studiato chiamato transfer negativo. Si verifica quando il feedback arriva desincronizzato rispetto all'azione a cui si riferisce. In una serie continua di esercizi, un ritardo di 3 secondi significa che la correzione per la Ripetizione 1 arriva mentre stai eseguendo la Ripetizione 2.

Il tuo cervello non sa che il feedback è vecchio. Associa il segnale a qualunque cosa tu stia facendo in questo momento. Se l'AI dice "Tieni il petto alto" durante una ripetizione in cui il tuo petto è già alto, colleghi inconsciamente la correzione al tuo comportamento attuale (corretto). Sovracorreggi alla Ripetizione 3. La tua tecnica peggiora. L'AI, se sta ancora osservando, ora vede un nuovo errore — uno che ha causato lei stessa.

Ho scritto in modo approfondito di questo problema del ciclo di feedback in la versione interattiva della nostra ricerca. La letteratura sull'apprendimento motorio è chiara: un feedback concomitante che non è perfettamente sincronizzato non solo non aiuta — interferisce attivamente con i meccanismi intrinseci di rilevamento degli errori del cervello.

E c'è anche una dimensione di carico cognitivo. Durante un sollevamento pesante, un atleta gestisce l'equilibrio, la pressione intra-addominale, le leve, la respirazione. Un feedback in ritardo agisce come un distrattore neurocognitivo. La ricerca sul programma di prevenzione degli infortuni "11+" mostra che tutto ciò che ritarda l'elaborazione sensoriale riduce il tempo disponibile per le correzioni della coordinazione motoria. L'AI di fatto sta rubando potenza di elaborazione al cervello dell'atleta, aumentando il rischio di infortunio anziché ridurlo.

Uno spotter AI che è in ritardo non protegge l'utente. Compete con lui per l'attenzione nel peggior momento possibile.

Cosa succede quando sposti l'intelligenza sul telefono?

È qui che la storia cambia.

Gli smartphone moderni sono dotati di Neural Processing Unit dedicate — l'Apple Neural Engine, l'Hexagon DSP di Qualcomm. Questi chip sono progettati specificamente per le operazioni di moltiplicazione di matrici che alimentano le reti neurali. Sono nella tua tasca proprio ora, per lo più inattivi, capaci di eseguire sofisticati modelli di computer vision a più di 30 fotogrammi al secondo intaccando a malapena la batteria.

Abbiamo valutato tre modelli open-source di stima della posa: BlazePose (MediaPipe di Google), MoveNet (TensorFlow Lite) e YOLOv11-Pose. Ciascuno ha i suoi compromessi, ma per un'app dedicata da personal trainer in cui la precisione conta più del tracciamento di più persone, BlazePose ha vinto in modo netto.

Perché? Due motivi. Primo, rileva 33 punti chiave — significativamente più della topologia standard a 17 punti. Ciò include punti di riferimento dettagliati di mani e piedi, che contano enormemente per analizzare l'ampiezza della presa in una panca piana o la stabilità del piede in uno squat. Secondo, deduce le coordinate 3D. Quella stima dell'asse Z significa che può rilevare movimenti rotazionali — come un ginocchio che cede verso l'interno durante un affondo — che un modello 2D mancherebbe del tutto.

I calcoli della latenza on-device non assomigliano per niente a quelli del cloud:

Cattura della fotocamera: 30 ms. Inferenza sull'NPU: 15 ms. Logica di calcolo dell'angolo: meno di 1 ms. Attivazione del feedback: meno di 1 ms.

Totale: circa 46 millisecondi. Ben al di sotto della soglia di 200 ms per il tempo di reazione umano. L'AI può rilevare e rispondere a un cedimento della tecnica più velocemente di quanto il sistema nervoso stesso dell'utente possa registrare l'errore.

C'è stato un momento — credo fosse un martedì sera, l'ufficio era quasi vuoto — in cui abbiamo fatto girare per la prima volta la pipeline on-device end-to-end. Uno dei miei ingegneri stava facendo squat a corpo libero davanti alla fotocamera del suo laptop, e la sovrapposizione dello scheletro lo tracciava con una precisione inquietante. Nessun ritardo. Nessun tremolio. La vibrazione aptica ha raggiunto il suo telefono nell'istante esatto in cui il suo ginocchio ha iniziato a spostarsi verso l'interno. Si è fermato, mi ha guardato e ha detto: "È come se fosse dentro il movimento". È lì che ho capito che avevamo qualcosa.

Come si impedisce allo scheletro di vibrare?

L'output grezzo di una rete neurale è rumoroso. I punti chiave tremolano da un fotogramma all'altro a causa della quantizzazione dei pixel e della confidenza fluttuante del modello. Se calcoli l'angolo del ginocchio dai dati grezzi, il numero oscilla — 90°, 85°, 92° — anche quando l'utente è fermo. Questo fa sembrare l'esperienza difettosa.

La soluzione ovvia è lo smoothing. Fai la media degli ultimi 10 fotogrammi e il tremolio scompare. Ma hai appena introdotto 333 millisecondi di ritardo a 30 FPS. Hai reintrodotto la latenza che hai passato mesi a eliminare.

Noi usiamo il 1€ Filter — un filtro passa-basso del primo ordine con una frequenza di taglio adattiva. È lo standard del settore per l'interazione uomo-computer in tempo reale, usato nel gaming VR e nel tracciamento di precisione del cursore. L'eleganza sta nella sua adattività: quando l'utente tiene un plank (bassa velocità), il filtro smussa in modo aggressivo, facendo apparire lo scheletro solidissimo. Quando l'utente scende in uno squat (alta velocità), il filtro si ritrae, dando priorità alla reattività rispetto alla fluidità.

A volte mi chiedono perché non usiamo i filtri di Kalman. I filtri di Kalman sono meravigliosi per prevedere traiettorie balistiche — missili, satelliti. Ma il movimento umano è irregolare e non lineare. Tarare un filtro di Kalman per il fitness generale su migliaia di tipi di corporatura e schemi di movimento è un incubo. Il 1€ Filter è leggero, facile da tarare con appena due parametri e gestisce con eleganza l'imprevedibilità del movimento umano. Per la ripartizione tecnica completa del nostro approccio all'elaborazione del segnale, consulta il nostro documento di ricerca.

Il compagno di palestra da 36 dollari all'ora

Oltre alla fisica, c'è un brutale argomento economico contro il fitness AI basato sul cloud che la maggior parte dei fondatori scopre troppo tardi.

L'input di GPT-4o Vision costa all'incirca $0,001 per immagine. Per un'analisi della tecnica di livello sicurezza, servono almeno 10 fotogrammi al secondo. Sono 600 fotogrammi al minuto. $0,60 al minuto. $36 all'ora.

Nessun consumatore pagherà $36 all'ora per un compagno di palestra automatizzato. Così gli sviluppatori fanno l'unica cosa che possono: riducono la frequenza dei fotogrammi a una volta ogni 5 o 10 secondi. Il che significa che ora il prodotto controlla la tua tecnica due volte durante una serie di squat. Quello non è uno spotter. È una cassetta dei suggerimenti.

Abbiamo avuto un incontro con degli investitori — era agli inizi — in cui qualcuno ha guardato la nostra architettura edge-first e ha detto: "Perché non usare semplicemente GPT-4o? Ora può vedere i video". Ho tirato fuori i conti dei costi su un tovagliolo. 50.000 utenti attivi mensili, ognuno con 10 sessioni al mese, analisi continua. Oltre $250.000 al mese solo di costi API. La stanza è calata nel silenzio.

Con l'edge AI, il costo per analizzare un milione di squat è lo stesso del costo per analizzarne uno: zero. Il telefono dell'utente è il server.

Il modello edge ribalta completamente l'economia. Una volta scaricata l'app, il calcolo avviene sull'iPhone da 1.000 dollari dell'utente. Nessuna chiamata API, nessun costo di banda, nessuno scaling di server. Se l'app diventa virale da un giorno all'altro e guadagna 100.000 utenti, la bolletta dell'infrastruttura non cambia. L'architettura è infinitamente scalabile perché non c'è nulla da scalare.

E il consumo della batteria?

Questa è la prima obiezione che solleva ogni ingegnere, ed è legittima. Far girare una rete neurale 30 volte al secondo sembra la ricetta per un telefono che si scarica in 20 minuti e diventa abbastanza caldo da friggere un uovo.

Ma i dati raccontano una storia controintuitiva. Il consumo energetico di uno smartphone è dominato da due cose: lo schermo e la radio cellulare. Lo streaming video continuo verso il cloud mantiene la radio in uno stato ad alta potenza, un enorme divoratore di batteria. L'inferenza locale sull'NPU, al contrario, è progettata specificamente per il funzionamento a basso consumo — di ordini di grandezza più efficiente per operazione rispetto alla CPU generica.

Sopra a questo aggiungiamo tre strategie di mitigazione: frequenza dei fotogrammi adattiva (riducendola a 1 FPS durante i periodi di riposo), quantizzazione int8 (riducendo i pesi del modello da 32 bit a 8 bit, tagliando le dimensioni di 4 volte con una perdita di precisione trascurabile), e raffreddamento a isteresi (monitorando lo stato termico del dispositivo e passando in modo proattivo a un modello più leggero prima che il sistema operativo imponga una limitazione forzata). Nei nostri test, le sessioni di un'ora funzionano tranquillamente senza surriscaldamento o un impatto significativo sulla batteria.

L'argomento sulla privacy che nessuno sostiene con abbastanza forza

C'è una dimensione in tutto questo che va oltre le prestazioni e i costi, ed è quella che mi tiene sveglio la notte.

Il fitness AI basato sul cloud significa trasmettere in streaming il video del tuo corpo a un server remoto. I dati biometrici — geometria del corpo, schemi dell'andatura, firme del movimento — sono pesantemente regolamentati dal BIPA in Illinois, dal GDPR in Europa, dal CCPA in California. L'esposizione legale per le aziende che raccolgono questi dati senza politiche di consenso e conservazione a prova di bomba è enorme. Il solo BIPA ha generato enormi risarcimenti in class action.

Con l'elaborazione edge, i fotogrammi video risiedono nella RAM del dispositivo e vengono scartati immediatamente. Non vengono mai scritti su disco. Mai trasmessi. L'utente conserva il possesso dei propri dati in ogni momento.

Un'app che funziona in modalità aereo fa una promessa sulla privacy che nessuna pagina di termini di servizio può eguagliare.

Ho scoperto che quando diciamo agli utenti "il tuo video non lascia mai il tuo telefono", il cambiamento nella fiducia è palpabile. Per loro non è un argomento legale. È una sensazione di pancia. Si rilassano. Usano davvero l'app nella loro camera da letto o nel loro garage — luoghi dove non punterebbero mai una fotocamera collegata a un server cloud.

Quindi, dove ha senso il cloud?

Non sono contro il cloud. Sono contro il cloud-usato-per-il-lavoro-sbagliato.

Costruiamo quella che io considero un'architettura ibrida con due cicli. L'hot loop gira on-device: BlazePose sull'NPU, latenza sotto i 50 ms, gestendo la sicurezza, lo spotting, il conteggio delle ripetizioni. Elabora video ad alta frequenza e lo scarta dopo l'uso. Il feedback è immediato — una vibrazione aptica, un breve segnale audio come "Ginocchia in fuori".

Il cold loop gira nel cloud, ma non tocca mai il video. Riceve metadati JSON leggeri — "Serie 1: profondità media 90°, angolo della colonna 170°, cedimento della tecnica alla ripetizione 4". Un LLM li elabora nell'arco di minuti o ore, generando spunti personalizzati: "La tua tecnica peggiora costantemente nella serie 4. Riduciamo il volume la prossima settimana e sviluppiamo la resistenza".

Questo ti dà l'intelligenza conversazionale di un GPT — "Com'è andato il mio allenamento?" — senza sacrificare la velocità dello spotter edge. I dati che viaggiano verso il cloud sono pochi kilobyte di numeri, non gigabyte di video. La superficie di esposizione della privacy si riduce a quasi nulla.

Mi chiedono se questo approccio ibrido significhi che stiamo solo rimandando l'inevitabile passaggio al cloud completo una volta che i modelli diventeranno più veloci. Non credo. La fisica della trasmissione di rete non cambia. La luce nella fibra ha un limite di velocità. Le torri cellulari hanno congestione. Le palestre saranno sempre ambienti ostili alle radiofrequenze. E l'intuizione fondamentale — che il telefono dell'utente ha già la potenza di calcolo per svolgere questo lavoro — diventa solo più vera a ogni generazione hardware. Gli NPU nei telefoni dell'anno prossimo saranno due volte più veloci di quelli di quest'anno. Il divario si allarga a nostro favore.

L'architettura è il prodotto

Ho passato l'ultimo anno a sostenere una posizione che alcune persone nel settore del fitness AI trovano scomoda: la tua scelta dell'architettura non è un dettaglio tecnico di implementazione. È il prodotto.

Se la tua architettura introduce un ritardo di 3 secondi, non hai costruito uno spotter. Hai costruito un commentatore. Se la tua architettura richiede lo streaming del video a un server, non hai costruito un prodotto che rispetta la privacy. Hai costruito uno strumento di sorveglianza con una veste da fitness. Se la tua architettura costa $36 all'ora per utente, non hai costruito un business. Hai costruito una demo.

Il settore si è fatto sedurre dalle capacità dei grandi modelli multimodali — e quelle capacità sono davvero impressionanti per i giusti casi d'uso. Analisi di video di lunga durata, coaching conversazionale, programmazione personalizzata. Ma il giusto caso d'uso per una pipeline di inferenza da 3 secondi non è mai la prevenzione degli infortuni in tempo reale durante il movimento spinale sotto carico.

800 millisecondi sono un'eternità in biomeccanica. Se la tua AI non riesce a rispondere più velocemente del sistema nervoso umano, non è un coach — è un pubblico.

Il telefono nella tua tasca ha un chip progettato per far girare reti neurali alla velocità del pensiero. La fotocamera è già puntata sull'utente. Il motore aptico è già lì. Tutto ciò che serve per costruire un sistema che davvero vede un atleta — non uno che guarda un video ritardato di lui — si trova nella mano dell'utente.

La domanda a cui ogni azienda di fitness tech deve rispondere onestamente: la tua app sta guardando un video, o sta assistendo l'utente come spotter? Perché alla colonna dell'atleta non importa nulla dei tuoi testi di marketing. Le importa solo dei millisecondi.