あなたのAIジムコーチは、脊椎を守るには3秒遅すぎる
アプリが間違ったタイミングで間違ったことを伝えたせいで、ある男性が危うく腰を痛めそうになるのを私は目撃した。
彼はバンガロールの一般的なジムにいて、スマホをダンベルに立てかけ、「リアルタイムでフォームをチェックする」とうたうAIコーチングアプリのひとつを動かしていた。彼はスクワットをしていた――重量はそれほどでもなく、たぶん80キロくらい――そして4レップ目あたりで、腰椎が丸まり始めた。典型的なバットウィンクだ。L4-L5椎骨にかかるせん断力が高まり、椎間板の圧迫が安全域から危険域へと移っていった。
アプリが振動して、こう言った。「胸を張って。」
だがアプリがそれを言ったのは、彼の5番目のレップだった。フォームが実際にはちゃんとできていた、あのレップだ。その修正は4レップ目に対するもの――3秒前、生体力学の世界では永遠に等しい時間だ――で、いまや彼は修正の必要のないレップを過剰に修正しようと混乱させられていた。彼はリフトの途中で調整し、体幹の締めを失い、私は彼の背中が以前よりひどく丸まるのを目撃した。
その瞬間、私がVeriPrajnaで数か月にわたって疑っていたあることが明確になった。ほとんどのフィットネスAI企業が築いているアーキテクチャ全体は、単に遅いだけではなく――生体力学的に危険なのだ。 クラウドベースのAIが問題を「見る」瞬間と、そのフィードバックがユーザーに届く瞬間との間のレイテンシのギャップは、ささいなUX上の不便ではない。それは責任問題（ライアビリティ）だ。そして負荷のかかった脊椎の動きという文脈では、それは修正と負傷を分ける違いなのだ。
誰も語らない200ミリ秒の予算
すべてのフィットネステックの創業者の額に刻み込むべき数字がある。200ミリ秒。
これは、人間が視覚刺激を知覚して運動的な修正を開始するまでにかけられるおおよその総時間だ。エリートアスリートなら150ミリ秒に近い。平均的なジム利用者なら、たぶん250ミリ秒。聴覚や触覚の合図はもっと速い――25から100ミリ秒だ。
これは私の意見ではない。生理学だ。そしてそれは、人間の動きをリアルタイムでコーチしようとするあらゆるシステムにとって、私が「レイテンシ予算」と呼ぶものを生み出す。システムの総レイテンシが――カメラがフレームを捉えてから、ユーザーが触覚の振動を感じるまで――200ミリ秒を超えると、フィードバックは遅すぎて、現在の動作フェーズに影響を与えられない。それは装飾になる。あるいはもっと悪いことに、妨害になる。
では、バックスクワットの運動学を考えてみよう。下降には1.5から2秒かかる。最下点での切り返し――脊椎が最も脆弱になる「バウンス」――はしばしば200ミリ秒未満だ。もし下降の中間点で腰椎が屈曲し始めれば、せん断力は即座に急上昇する。コーチングの合図は、最大深度と負荷に達する前に届かなければならない。
脊椎が丸まってから3秒後に届く警告は、コーチングではない。それは事後検証だ。
AIフィットネス製品を作っているほとんどの人は、このことを考えていない。彼らはモデルのことを考える。プロンプトのことを考える。UIのことを考える。フィードバックのタイミングの物理や、連続したレップのセットのなかで修正を誤差から非同期化したときに何が起きるかは考えていない。
なぜクラウドAIはリアルタイムのフィットネスで失敗するのか？
ここでは具体的に述べる必要がある。「クラウドは遅い」というのは漠然とした不満だからだ。フィットネスアプリがフォーム分析のために動画のフレームをGPT-4o VisionやAWS Rekognitionに送るとき、実際に何が起きるのかを順を追って説明しよう。
フレームのキャプチャとエンコード： 50から100ミリ秒。スマホは1080pのフレームを取り込み、JPEGに圧縮し、API送信のためにしばしばBase64エンコードする。足首の内反のような微妙なキーポイントを検出するには解像度が必要なので、積極的にダウンサンプリングすることはできない。
ネットワーク送信（アップリンク）： 100から1,000ミリ秒。ここで事態は厄介になる。ジムはRF（無線周波数）の悪夢だ――地下室、ファラデーケージのように働く金属フレームの建物、混雑した公共Wi-Fi。変動するLTE接続で2MBの画像をアップロードすると、200ミリ秒から1秒超まで、どれだけかかるか分からない。
サーバーのキューと推論： 500から4,000ミリ秒。リクエストはOpenAIやGoogleのサーバーに到達し、キューに入る。GPT-4oの音声レイテンシはおよそ320ミリ秒というベンチマークだが、ビジョン分析は著しく遅く――サーバーの負荷次第で、しばしば2から4秒かかる。
応答の送信とレンダリング： トークン生成、ダウンリンク、JSONのパース、音声合成に、さらに250から600ミリ秒。
すべて足し合わせてみよう。光ファイバーのWi-Fiでの最良ケースで、約1.5秒。典型的なジムのシナリオでは、3から5秒だ。
チームと私が腰を据えて、これをエンドツーエンドで実際に測定した夜のことを覚えている。私たちはマーケティング資料が「リアルタイム」と言っていたので、クラウド経路は「十分に速い」と思い込んでいた。私たちはテスト装置を用意した――三脚に載せたスマホ、制御されたスクワットをするチームメンバー、パイプラインの各段階でのタイムスタンプ。返ってきた数字を見たとき、長い沈黙が流れた。誰かが言った。「じゃあ僕らが作っているのは、要はドライブレコーダーであって、スポッターじゃないな。」それが、6週間分の作業を破棄してやり直した瞬間だった。
負の転移という問題
レイテンシのギャップは、フィードバックを単に遅くするだけではない。フィードバックを有害にする。
運動学習の研究には、負の転移と呼ばれるよく研究された現象がある。それは、フィードバックがそれの指し示す動作から非同期な状態で届いたときに起こる。連続したエクササイズのセットでは、3秒の遅延は、1レップ目に対する修正が、あなたが2レップ目を行っている間に届くことを意味する。
あなたの脳は、そのフィードバックが古いものだとは知らない。脳は、その合図を、あなたがいままさに行っている何かと結びつける。もしAIが、すでに胸が張られているレップの最中に「胸を張って」と言えば、あなたは無意識のうちにその修正を、いまの（正しい）動作と結びつけてしまう。あなたは3レップ目で過剰に修正する。フォームが崩れる。AIは、まだ見ているとすれば、いまや新たなエラーを見る――自らが引き起こしたエラーを。
私はこのフィードバックループの問題について、私たちの研究のインタラクティブ版で詳しく書いた。運動学習の文献は明快だ。完璧にタイミングが合っていない同時的フィードバックは、単に役に立たないだけでなく――脳が本来もつ誤差検出メカニズムを積極的に妨害する。
そして認知的負荷という側面もある。重い挙上の最中、アスリートはバランス、腹腔内圧、てこ、呼吸を管理している。遅れたフィードバックは、神経認知的な妨害要因として働く。「11+」傷害予防プログラムに関する研究は、感覚処理を遅らせるものは何であれ、運動協調の修正に使える時間を減らすことを示している。AIは事実上、アスリートの脳から処理能力を奪っており、傷害リスクを減らすどころか増やしている。
遅延するAIスポッターは、ユーザーを守らない。それは最悪のタイミングで、ユーザーと注意を奪い合う。
知能をスマホに移すと何が起きるのか？
ここから話が変わる。
現代のスマートフォンは、専用のニューラル処理ユニット――Apple Neural Engine、QualcommのHexagon DSP――を搭載して出荷される。これらのチップは、ニューラルネットワークを支える行列乗算演算のために特別に設計されている。それらはいまこの瞬間、あなたのポケットのなかでほとんど遊休状態のまま、バッテリーにほとんど触れることなく、毎秒30フレーム以上で高度なコンピュータービジョンモデルを動かせる能力を持っている。
私たちは3つのオープンソースの姿勢推定モデルを評価した。BlazePose（GoogleのMediaPipe）、MoveNet（TensorFlow Lite）、そしてYOLOv11-Poseだ。それぞれにトレードオフがあるが、複数人の追跡よりも精度が重視される専用のパーソナルトレーナーアプリにとっては、BlazePoseが圧倒的に勝った。
なぜか？理由は2つ。第一に、それは33個のキーポイントを検出する――標準的な17点のトポロジーよりも大幅に多い。これには手足の詳細なランドマークが含まれ、ベンチプレスでのグリップ幅やスクワットでの足の安定性を分析するうえで非常に重要になる。第二に、それは3D座標を推定する。そのZ軸の推定は、2Dモデルなら完全に見逃してしまう回転運動――ランジ中に膝が内側へ入るようなもの――を検出できることを意味する。
オンデバイスでのレイテンシの計算は、クラウドとはまったく似ていない。
カメラのキャプチャ：30ミリ秒。NPUでの推論：15ミリ秒。角度計算のロジック：1ミリ秒未満。フィードバックのトリガー：1ミリ秒未満。
合計：およそ46ミリ秒。 人間の反応時間である200ミリ秒のしきい値を大きく下回る。AIは、ユーザー自身の神経系がエラーを認識するよりも速く、フォームの崩れを検出して応答できる。
ある瞬間があった――たしか火曜の夜で、オフィスはほとんど空っぽだった――オンデバイスのパイプラインを初めてエンドツーエンドで動かせたときのことだ。エンジニアの一人がノートパソコンのカメラの前で自重スクワットをしていて、スケルトンのオーバーレイが不気味なほどの精度で彼を追跡していた。ラグなし。ジッターなし。彼の膝が内側へずれ始めた、まさにその瞬間に、触覚の振動が彼のスマホに届いた。彼は動きを止め、私を見て、こう言った。「まるで、その動きの内側にいるみたいだ。」それが、私たちが何かをつかんだと確信した瞬間だった。
スケルトンが震えるのをどう止めるのか？
ニューラルネットワークの生の出力はノイズが多い。キーポイントは、ピクセルの量子化とモデルの信頼度の変動のせいで、フレームごとにジッターする。生データから膝の角度を計算すると、ユーザーがじっと立っているときでさえ、数値は跳ね回る――90°、85°、92°――。これは体験を壊れているように感じさせる。
明白な解決策は平滑化だ。直近10フレームを平均すれば、ジッターは消える。だがあなたは、30FPSで333ミリ秒のラグを持ち込んだところだ。何か月もかけて取り除いたレイテンシを、あなたは再び導入してしまったのだ。
私たちは1€フィルターを使っている――適応的なカットオフ周波数を持つ一次のローパスフィルターだ。これはリアルタイムのヒューマン・コンピュータ・インタラクションの業界標準で、VRゲームや高精度のカーソル追跡に使われている。その巧みさは適応性にある。ユーザーがプランク（低速）を保持しているとき、フィルターは積極的に平滑化し、スケルトンを微動だにしないように見せる。ユーザーがスクワット（高速）へと沈み込むとき、フィルターは控えめになり、滑らかさよりも応答性を優先する。
なぜカルマンフィルターを使わないのか、と人から尋ねられることがある。カルマンフィルターは、弾道軌道――ミサイルや衛星――を予測するには見事だ。だが人間の動きは不規則で非線形だ。数千もの体型や動作パターンにまたがる一般的なフィットネス向けにカルマンフィルターを調整するのは悪夢だ。1€フィルターは軽量で、たった2つのパラメータで調整でき、人間の動きの予測不可能性を優雅に扱う。私たちの信号処理アプローチの完全な技術的解説については、私たちの研究論文を参照してほしい。
1時間36ドルのジム仲間
物理を超えて、ほとんどの創業者が手遅れになってから気づく、クラウドベースのフィットネスAIに反対する容赦のない経済的議論がある。
GPT-4o Visionの入力コストは、画像1枚あたりおよそ$0.001だ。安全基準のフォーム分析には、最低でも毎秒10フレームが必要だ。それは毎分600フレームになる。毎分$0.60。1時間で$36。
自動化されたジム仲間に1時間36ドルを払う消費者はいない。だから開発者は、できる唯一のことをする。フレームレートを5秒か10秒に1回まで絞るのだ。つまりその製品は、いまやスクワット1セットの間にフォームを2回チェックしているだけになる。それはスポッターではない。それは意見箱だ。
投資家との会議があった――ごく初期のことだ――そこで誰かが私たちのエッジファーストのアーキテクチャを見て、こう言った。「GPT-4oを使えばいいのでは？いまや動画も見られるのに。」私はナプキンにコスト計算を書き出した。月間アクティブユーザー5万人、各人が月に10セッション、連続分析。APIの料金だけで月25万ドル超。 部屋は静まり返った。
エッジAIなら、100万回のスクワットを分析するコストは、1回を分析するコストと同じだ。すなわちゼロ。ユーザーのスマホがサーバーなのだ。
エッジモデルは経済性を完全にひっくり返す。いったんアプリがダウンロードされれば、計算はユーザーの1,000ドルのiPhone上で行われる。APIコールなし、帯域コストなし、サーバーのスケーリングなし。もしアプリが一夜にしてバズって10万人のユーザーを獲得しても、インフラの請求額は変わらない。スケールさせるものが何もないので、このアーキテクチャは無限にスケーラブルだ。
バッテリーの消耗はどうなのか？
これはどのエンジニアも最初に持ち出す反論であり、もっともなものだ。ニューラルネットワークを毎秒30回動かすと聞けば、20分でバッテリーが切れ、卵を焼けるほど熱くなるスマホになる処方箋のように思える。
だがデータは直感に反する話を語る。スマートフォンのエネルギー消耗は、2つのもの――画面とセルラー無線――が支配している。クラウドへの継続的な動画ストリーミングは、無線を高電力状態に保ち、これがバッテリーを大量に食う。対照的に、ローカルのNPU推論は低電力動作のために特別に設計されている――演算あたりの効率は、汎用CPUよりも桁違いに高い。
私たちはその上に3つの緩和策を重ねている。適応的フレームレート（休憩中は1FPSまで絞る）、int8量子化（モデルの重みを32ビットから8ビットへと縮小し、無視できる程度の精度低下でサイズを4分の1に削減する）、そしてヒステリシス冷却（デバイスの熱状態を監視し、OSが強制的なハードスロットリングをかける前に、先回りしてより軽いモデルへ切り替える）だ。私たちのテストでは、1時間に及ぶセッションも、過熱や大きなバッテリーへの影響なく快適に動作する。
誰も十分に大声で語っていないプライバシーの議論
これには、性能やコストを超えた側面があり、それこそが私を夜も眠らせないものだ。
クラウドベースのフィットネスAIは、あなたの身体の動画をリモートサーバーへストリーミングすることを意味する。生体認証データ――身体の幾何形状、歩行パターン、動きの署名――は、イリノイ州のBIPA、欧州のGDPR、カリフォルニア州のCCPAのもとで厳しく規制されている。厳密な同意と保持ポリシーなしにこのデータを収集する企業が負う法的リスクは甚大だ。BIPAだけでも、巨額の集団訴訟の和解を生み出してきた。
エッジ処理なら、動画のフレームはデバイスのRAM上に存在し、即座に破棄される。ディスクに書き込まれることは決してない。送信されることも決してない。ユーザーは常に自分のデータの所有権を保持する。
機内モードで動作するアプリは、いかなる利用規約のページも太刀打ちできないプライバシーへの約束をしているのだ。
ユーザーに「あなたの動画は決してスマホの外へ出ません」と伝えると、信頼の変化がはっきりと感じられることに私は気づいた。彼らにとって、それは法的な議論ではない。直感的な感覚だ。彼らはリラックスする。実際に、寝室やガレージ――クラウドサーバーにつながったカメラを決して向けないような場所――でアプリを使う。
では、クラウドはどこに属するのか？
私はクラウド反対派ではない。私は「間違った仕事にクラウドを使うこと」に反対しているのだ。
私たちは、2つのループを持つハイブリッドアーキテクチャと私が考えるものを構築している。ホットループはオンデバイスで動く。NPU上のBlazePose、50ミリ秒未満のレイテンシで、安全、スポッティング、レップのカウントを担う。それは高頻度の動画を処理し、使用後に破棄する。フィードバックは即座だ――触覚の振動、「膝を外に」のような短い音声の合図。
一方、コールドループはクラウドで動くが、動画には決して触れない。それは軽量なJSONメタデータを受け取る――「セット1：平均深度90°、脊椎角度170°、4レップ目でフォーム崩れ。」LLMがこれを数分から数時間かけて処理し、個別化された洞察を生成する。「あなたのフォームはセット4で一貫して崩れます。来週はボリュームを減らして、持久力を養いましょう。」
これにより、エッジスポッターの速度を犠牲にすることなく、GPTのような会話的な知能――「私のワークアウトはどうだった？」――が手に入る。クラウドへ送られるデータは、ギガバイト単位の動画ではなく、数キロバイトの数値だ。プライバシーの露出面積は、ほとんど無に等しいところまで縮小する。
このハイブリッドなアプローチは、モデルが速くなったら完全なクラウドへ移行するという避けられない流れを、私たちが単に先延ばししているだけではないか、と人から尋ねられる。私はそうは思わない。ネットワーク送信の物理は変わらない。光ファイバーを通る光には速度の限界がある。携帯電話の基地局には輻輳がある。ジムは常にRFに敵対的な環境であり続ける。そして根本的な洞察――ユーザーのスマホがすでにこの仕事をこなす計算能力を持っているということ――は、ますます真実味を増していくばかりだ――ハードウェアの世代が変わるごとに。来年のスマホのNPUは、今年のものの2倍速くなるだろう。そのギャップは、私たちに有利な方向へ広がっていく。
アーキテクチャこそが製品である
私はこの1年、AIフィットネスの領域の一部の人々が居心地悪く感じる主張を論じてきた。あなたのアーキテクチャの選択は、技術的な実装の細部ではない。それこそが製品なのだ。
もしあなたのアーキテクチャが3秒の遅延を持ち込むなら、あなたが作ったのはスポッターではない。あなたが作ったのは解説者だ。もしあなたのアーキテクチャがサーバーへの動画ストリーミングを必要とするなら、あなたが作ったのはプライバシーを尊重する製品ではない。あなたが作ったのは、フィットネスの皮をかぶった監視ツールだ。もしあなたのアーキテクチャがユーザー1人あたり1時間36ドルかかるなら、あなたが作ったのはビジネスではない。あなたが作ったのはデモだ。
業界は大規模なマルチモーダルモデルの能力に魅了された――そしてそれらの能力は、適切なユースケースにとっては本当に見事だ。長尺の動画分析、会話的なコーチング、個別化されたプログラミング。だが、3秒の推論パイプラインにとっての適切なユースケースは、決して負荷のかかった脊椎の動きの最中のリアルタイムの傷害予防ではない。
800ミリ秒は、生体力学の世界では永遠だ。もしあなたのAIが人間の神経系よりも速く応答できないなら、それはコーチではない――それは観客だ。
あなたのポケットのなかのスマホには、思考の速度でニューラルネットワークを動かすために設計されたチップが入っている。カメラはすでにユーザーに向けられている。触覚モーターもすでにそこにある。アスリートを本当に見る――遅れて届く彼らの動画を眺めるだけのものではなく――システムを構築するために必要なものはすべて、ユーザーの手のなかにある。
すべてのフィットネステック企業が正直に答える必要のある問い。あなたのアプリは動画を眺めているのか、それともユーザーをスポットしているのか？なぜなら、アスリートの脊椎は、あなたのマーケティングコピーなど気にかけないからだ。それが気にかけるのは、ミリ秒だけだ。
