あなたのフィットネスアプリは、運動したフリを見抜けない——これは数十億ドル規模の問題だ
去年の11月、私は自分の頭の中で何かを壊すようなデモを目にした。
ある企業向けウェルネスベンダーが、保険業界の幹部でいっぱいの部屋に向けて自社の「AI搭載フィットネスプラットフォーム」を売り込んでいた。デモは洗練されていた——画面上のユーザーがスクワットをし、アプリがレップ数を数え、ポイントを付与する、ゲーミフィケーションのフルパッケージだ。幹部たちは感心してうなずいていた。そこで私が投げかけた質問で、部屋は静まり返った。「もしユーザーが実際にスクワットをせず、ただ7〜8センチほど上下に揺れているだけだったらどうなりますか?」
ベンダーは微笑んだ。「まあ、私たちはユーザーを信頼して——」
「あなたは彼らを信頼している」と私は言った。「しかし、あなたはその信頼に基づいてリスクの価格付けをするよう、この保険会社に求めているのです。」
その瞬間、私たちがVeriprajnaで正しいものを作っているのだと確信した。もう一つのチャットボットではない。GPTのまわりのもう一つのラッパーでもない。業界が切実に必要としていながら、どう言葉にすればいいのか分からずにいたもの——それは、答えを生成するのではなく、物理的な現実を検証するAIだ。
フィットネスとデジタルヘルスの業界には、隠された汚点がある。600億ドル規模の企業向けウェルネス市場、保険の割引プログラム、ムーブ・トゥ・アーンの暗号資産プロジェクト——それらはすべて、監査した瞬間に溶けて消えてしまうデータの上に築かれている。そして誰もそのことを語りたがらない。なぜならダッシュボードは見栄えがいいからだ。
私はそれについて語るつもりだ。
なぜあなたのフィットネスアプリは、実際に運動したかどうかを判別できないのか?
市場に出回るほぼすべてのフィットネスアプリのアーキテクチャはこうだ。それは、上にレコメンデーションエンジンをボルト止めした動画プレーヤーである。再生ボタンを押すと、インストラクターが腕立て伏せをし、あなたはそれに合わせて動くことになっていて、動画が終わるとアプリはそのワークアウトを「完了」と記録する。汎用的な表からあなたの消費カロリーを推定する。そしてバッジを与える。
アプリはどの時点でも、あなたが動いたことを検証していない。
アプリは、視聴が完了と等しいと仮定している。「あなたは運動をしましたか?」と問い、「はい」という答えを無批判に受け入れているのだ。
これはニッチな不満ではない。これは数十億ドル規模の産業の根本的なアーキテクチャなのだ。そしてそれは、どんな行動経済学者でも予測できたはずの理由で破綻する。
こんな原理がある——キャンベルの法則——社会学者のドナルド・キャンベルは、ある指標を意思決定に用いれば用いるほど、人々はその指標を歪めるようになる、と観察した。歩数にお金を結びつければ、人々はFitbitをシーリングファンにくくりつける。「ワークアウトの完了」に保険の割引を結びつければ、人々は夕食を食べながら動画を再生させておくようになる。
これは仮定の話ではない。ムーブ・トゥ・アーンの暗号資産プロジェクト、STEPNを覚えているだろうか? それが崩壊した一因は、有効な動きを検知するプロトコルの能力と、GPSスプーフィングや機械式のシェーカーでそれを偽装するユーザーの能力との間の軍拡競争だった。検証が弱いとき、不正は合理的な選択になる。正直な参加者は罰せられる。インセンティブの提供者は破産する。
私は、やがてすべての売り込みの場で口にするようになった一節に、何度も立ち返っていた。検証できないものを、ゲーミフィケーションすることはできない。
姿勢推定は知能ではないと気づいた夜
私たちはこの洞察から出発したわけではない。偶然そこにたどり着いたのだ。
初期の頃、私のチームは姿勢推定に興奮していた——BlazePoseやMoveNetのような、動画から骨格の関節座標を抽出するライブラリだ。私たちは、これはすばらしい、これを使ってフィットネス検証システムを作ろう、と考えた。数週間かけてMoveNetを統合し、スマホのカメラから流れてくるきれいな骨格データを手に入れ、そしていよいよ検証のためにそのデータを使おうと腰を据えた。
そこで議論が始まった。
私のエンジニアの一人は、もうほとんど完成したと確信して、骨格データの一つのフレームを表示した——肘を曲げ、胴体を下げた人物だ。「ほら? 腕立て伏せだ」と彼は言った。
「本当に?」と私は尋ねた。「その人は下がっているのか、それとも上がっているのか? その姿勢を30秒間保っているのか、それとも30ミリ秒か? 疲労で震えているのか、それとも完璧に制御されているのか?」
一つのフレームからは何も分からない。ある一瞬の骨格座標は、意味論的に空っぽだ。それは、心電図の生の電圧の数値を誰かに手渡して、心臓の診断を求めるようなものだ。センサーはデータを提供する。知能が信号を解釈するのだ。
私たちは非常に優れたセンサーを作っていた。そして知能はゼロだった。
あれはつらい一週間だった。私たちはコンピュータービジョンの部分——きれいな関節座標を得ること——にあまりにも集中していて、前提条件を解決策と取り違えていた。そしてこの分野のあらゆる競合が同じ間違いを犯し、実際にはただの高級な物差しに過ぎない姿勢推定を「AI搭載フィットネス」として売り込んでいた。
私はこのパラダイムシフト——ビジョンから信号処理へ——について、私たちの研究のインタラクティブ版で、より深く書いた。しかし、その核心にある気づきは単純で、それがその後に作ったすべてを変えた。
もし人体がラジオ信号だとしたら?
私たちのアプローチ全体を解き放った、その再定義がこれだ。
人がスクワットをするとき、その股関節の垂直位置は時間とともに波を描く。比喩ではなく、文字どおりにだ。それは正弦波の信号なのである。ジャンピングジャックは、肩の角速度に周期的な波形を生み出す。歩行は、下半身全体にわたる複雑な多倍音の信号を生成する。
反復運動を行う人体は、機械的な発振器だ。
ひとたびそう見えるようになると、コンピュータービジョンについて考えるのをやめ、信号処理について考え始めるようになる。突如として、まったく異なる数学的ツールキットが手に入る。
- 振幅はスクワットの深さを教えてくれる
- 周波数はケイデンスを教えてくれる
- 位相は左右が協調しているかどうかを教えてくれる
- スペクトル純度は動きが制御されているのか、それともぎこちないのかを教えてくれる
私たちはもはや、どんな運動が起きているのかをAIに「推測」させてはいない。波形の物理を測定しているのだ。問いは「これは何に見えるか?」から「これは何を測定しているのか?」へと移り変わる。
私たちは、人間行動認識を画像分類の問題としてではなく、デジタル信号処理の問題として再定義した。そのたった一つの決断が、検証を可能にしたのだ。
しかし、生の信号処理——フーリエ変換やその類——は、現実の人間の動きに適用すると脆い。人は速度を変える。カメラの角度はずれる。腕は脚を隠す。ノイズを処理するには深層学習が必要だ。問題は、どのアーキテクチャを使うかだった。
なぜ私たちはLSTMを捨てたのか
この10年で機械学習の講座を受けたことがあるなら、逐次的なデータには再帰型ニューラルネットワークを使う、と学んだはずだ。LSTM——長・短期記憶ネットワーク——がゴールドスタンダードだった。テキスト、音声、時系列——あらゆるものがLSTMを通っていた。
私たちも試した。うまくいかなかった。私たちが必要とする形では。
問題は根本的なもので、ハイパーパラメータの調整で直せるものではなかった。LSTMはデータを逐次的に処理する——フレーム100で何が起きているかを計算するには、まずフレーム1から99までを処理しなければならない。リアルタイムで動作するモバイル端末では、その直列のボトルネックが、ユーザー体験を台無しにするレイテンシを生む。すでに戻ってしまってから2秒後に「もっと下げて」と言うことはできないのだ。
さらに悪いことに、LSTMは忘れる。その「記憶」は長い系列にわたって劣化する。5分間のヨガのセットや50レップの腕立て伏せチャレンジは何千ものフレームを生成し、終わる頃にはモデルは冒頭の文脈を失っている。私たちはこれをドリフトとして目にした——モデル自身のカウントに対する確信が時間とともに損なわれていく、頭の中で数を数え損なう人のように。
チームの会議で、数字を並べたことがあった。レイテンシは容認できなかった。記憶は当てにならなかった。何千もの同時進行する企業ストリーム上でLSTMを動かす計算コストは、法外だった。誰かが言った。「アーキテクチャ全体を考え直す必要があるのかもしれない。」
別の誰かが言った。「畳み込みが必要なのかもしれない。」
その人物は正しかった。
時間的畳み込みネットワークは実際にどのように機能するのか?
時間的畳み込みネットワーク——TCN——は、画像認識に革命をもたらした畳み込みアーキテクチャを取り上げ、それを時間領域に適用する。画像のピクセルにフィルタを滑らせる代わりに、信号のタイムステップにそれを滑らせるのだ。しかし、二つの設計上の選択が、TCNをそれ以前のあらゆるものとは根本的に異なるものにしている。
第一に、因果畳み込みだ。時刻tにおけるネットワークは、時刻tとそれ以前のデータのみを見る。決して未来を覗き見ることはない。これは当たり前に聞こえるが、リアルタイム検証にとって計り知れないほど重要な数学的保証なのである。私たちは、セットが終わった後に遡ってレップが有効だったかを判断しているのではない——それが起きている最中に検証しているのだ。
第二に、これが今なお私を興奮させる部分だが、拡張畳み込みだ。隣接するタイムステップを見る代わりに、ネットワークは検査する点の間に間隔を導入する。そしてその間隔は、層ごとに指数関数的に大きくなる。層1は隣接するフレームを見る。層2は一つ飛ばす。層3は三つ飛ばす。層10になる頃には、一つのフィルタが512フレームの窓を捉える。
これはつまり、ネットワークが同時に、今この瞬間に起きていること——この特定のフレームで膝が内側に崩れていないか?——と、この3分間にわたって起きてきたこと——疲労を示唆する形で動きの周期性が劣化していないか?——の両方に注意を向けられるということだ。
拡張畳み込みを備えたTCNは、一つのフレームの瞬間的な物理と、ワークアウト全体の長期的な時間的文脈の両方を見る。ほかのどのアーキテクチャも、その両方を一度に与えてはくれない。
そして畳み込みは逐次的な演算ではなく並列的な演算なので、全体がリアルタイムのモバイル推論に十分な速さで動作する。学習もより速い——勾配爆発もなく、勾配消失もなく、固定深度のネットワークを通じた安定した誤差逆伝播があるだけだ。
完全な技術的解説——LSTMとの比較性能データや、私たちの信号解析の数学を含む——については、私たちの研究論文を参照してほしい。
レップとは何かを知らずにレップを数える
私たちの初期の設計上の決断の一つは、チーム内でさえ物議を醸すものだった。
レップカウントを試みるほとんどのフィットネスアプリは、運動ごとに特定のモデルを学習させる。「腕立て伏せカウンター」。「スクワットカウンター」。「アームカールカウンター」。これはつまり、新しい運動のたびに新しい学習データ、新しいラベリング、新しいデプロイが必要になるということだ。それは脆く、スケールしない。
私たちは別の方向に進んだ。私たちは、時間的自己相似性に基づくクラス非依存のカウントシステムを構築した。その発想はこうだ。動きが反復的であれば、信号は一定の間隔で自分自身に似たものになる。運動が何であるかを知る必要はない。ただ信号が繰り返していることを検知すればいいのだ。
TCNは骨格の姿勢系列を圧縮された表現に写像し、それから私たちはあらゆるタイムステップの組の間の類似度を計算する。反復的な動作は、はっきりとした視覚的パターン——高い類似度の平行な線——として現れる。それらの線の間隔がレップの持続時間だ。線の強度が、レップがどれだけ一貫しているかを教えてくれる。
これはスクワット、ケトルベルスイング、ローイング、ジャンピングジャック、あるいは理学療法士が来週の火曜日に考案するどんなリハビリの動きにも通用する。私たちが検知するのは反復そのものの物理であって、運動の正体ではない。
正直に言うと、疑念の瞬間もあった。ある投資家が私にこう言った。「動画入力付きのGPT-4を使えばいいじゃないか。腕立て伏せくらい数えられる。」私は彼に、幼児がフレームの中を歩いていくなかで、誰かが速度を変えながらクォーターレップをするのを試してみてください、と頼んだ。彼はその話を持ち出さなくなった。
ただ数えるのではなく、フォームを測定するとどうなるか?
数えることは必要だが、十分にはほど遠い。誰かが可動域2〜3センチで50回の「腕立て伏せ」をすることもできる。カウンターは上がる。物理は、何も起きていないと告げる。
私たちは、レップの回数を品質評価へと変える三つの指標を作り上げた。
深さ。私たちはキーとなる関節の軌跡——スクワット中の股関節、腕立て伏せ中の胸——を追跡し、TCNでフィルタリングされた信号にピーク検出を適用する。レップは、その変位が生体力学的な閾値を超えたときにのみ有効となる。これは意見ではない。関節が実際にどれだけ動いたかの測定だ。
制御。信号処理において「ジャーク(躍度)」は位置の三階微分——加速度の変化率だ。ジャークが高いということは、震え、不安定さ、あるいは反動を使って動きをごまかしていることを意味する。私たちは対数無次元ジャークと呼ばれる正規化された値を計算する。スコアが高いということは、その人が苦しんでいるか、レップを勢いで振り回していることを意味する。リハビリや企業向けウェルネスにおいて、これは怪我のリスクの先行指標だ。
対称性。私たちは左右の側の間で信号のエネルギーと位相を比較する。非対称性指数は、誰かがスクワット中に片脚をかばっているとき——しばしば怪我の前兆や、リハビリが不完全であるサイン——を明らかにする。この指標は自己申告では不可能だ。12%の非対称性を感じ取ることはできない。しかし信号はそれを測定できる。
「Veriprajna検証済みレップ」はチェックボックスではない。それは、タイムスタンプ、骨格キーポイントのハッシュ、TCNの信頼度スコア、そして運動学的テレメトリ——深さ、速度、ジャーク、対称性——を含むデータパケットだ。監査可能である。改ざん不可能である。それは、主張と証拠の違いなのだ。
企業顧客に「イエス」と言わせたプライバシー・アーキテクチャ
人々がいつも私に尋ねることに答えておく必要がある。「あなたはカメラで運動している人々を分析している。これがプライバシーの悪夢でないわけがないでしょう?」
もし私たちが動画をクラウドにストリーミングしていたら、それは悪夢だっただろう。私たちはそうしない。
スマホは、そのニューラル・プロセッシング・ユニット上で軽量な姿勢推定器を動かす。これが骨格座標——ただ関節の位置を表す数値——を抽出する。数キロバイトのデータだ。動画のフレームは即座に破棄される。ピクセルデータが端末を離れることは決してない。私たちのクラウドエンジンに送信される(あるいはハイエンドのスマホでは端末上で処理される)のは、匿名の運動学的データだ。数値であって、顔ではない。
これはポリシーによってではなく、アーキテクチャによるGDPRおよびHIPAAコンプライアンスだ。バイオメトリックデータ——誰かの顔と身体の動画——は、決して保存されず、決して送信されず、決してリスクにさらされない。これは後付けの発想ではなかった。私たちはシステム全体をこの制約を軸に設計した。企業顧客がそれ以外のものには手を触れないと分かっていたからだ。
誰が物理に対価を払うのか?
検証された動きの経済学は、ひとたびそれが見えると圧倒的だ。
保険。保険会社は現在、ジムの会員資格に対して割引を提供しているが、それは努力ではなく所在地を検証するものだ。検証された機能的な動きのデータ——5回のスクワット、5回のランジ、バランスの保持——があれば、保険会社は安定性、可動域、対称性を評価できる。これらは高齢者の転倒リスクや全般的な代謝の健康と強く相関する。静的な保険数理表ではなく、検証された機能的能力に基づく動的なアンダーライティングだ。これを最初に見出した保険会社が市場を勝ち取る。
企業向けウェルネス。測定できない成果に企業が対価を払う、600億ドル規模の産業だ。従業員は歩数目標のためにスマホを振り、健康貯蓄口座への拠出を請求する。検証されたアクティブな分数があれば、不正への障壁は物理的な努力となる。私たちのシステムで腕立て伏せを偽装するには、本質的にヒューマノイドロボットを作る必要がある——さもなければ、ただ腕立て伏せをするしかない。
遠隔リハビリ。筋骨格系の疾患は雇用主にとって最大級のコスト要因だ。自宅での運動の遵守率は50%を下回ることで悪名高く、患者が運動をするときでさえ、しばしば回復を遅らせる不適切なフォームを使ってしまう。処方された関節角度を監視するTCNは、臨床医に検証された遵守状況と品質の傾向のダッシュボードを提供する。遠隔治療モニタリングは今や米国では償還対象のCPTコードだ——これは推測ではない。それは収益源なのだ。
正しく行うムーブ・トゥ・アーン。Web3のフィットネスプロジェクトが失敗したのは、GPSが簡単にスプーフィングできるからだ。私たちは物理的な努力のためのオラクルを提供する。TCN検証によってゲート化されたトークンの発行は、供給が不正者の創意工夫ではなく、ユーザーベースの物理的な能力によって上限を課される経済を生み出す。
「しかし、いずれLLMがこれをやるのでは?」
私はこれをしょっちゅう耳にする。大規模言語モデルが良くなり続けているのだから、いずれ物理的な検証を含むすべてを解決するだろう、という思い込みだ。
そうはならない。そしてその理由はスケールの問題ではなく、アーキテクチャ的なものだ。
LLMは、最も起こりやすい次のトークンを生成するように設計されている。それらは確率的だ。もっともらしい出力を生成する。創造的な領域や管理的な領域では、それは信じられないほど有用だ。しかし物理的な検証において、もっともらしさは敵である。医学的な診断、リハビリのプロトコル、保険料の調整——これらはおそらく起きていることに基づくことはできない。それらは、実際に起きていることに根ざしていなければならない。
どれだけスケールを上げても、根本的な目的関数は変わらない。1兆個のパラメータを持つLLMも、依然として真実ではなく尤度を最適化している。私たちのTCNは、波形の物理——振幅、周波数、位相、スペクトル純度——を最適化している。これらは予測ではなく、測定だ。
私が受けるもう一つの質問。「運動の動画で視覚言語モデルをファインチューニングすればいいだけでは?」できる。それは「これは腕立て伏せに見える」と教えてくれるだろう。しかしそれは、左肩が右肩より15%多くの負荷を担っていること、ジャークのプロファイルが疲労の早期発現を示していること、あるいはレップの深さが直近の2分間で8%劣化したことは、教えてくれない。それはラベルを与える。私たちは信号解析を与える。
AI業界は生成に取り憑かれている。私たちは検証に取り憑かれている。これらは同じ分野ではなく、両者を混同することこそ、幻覚の上に保険料の価格を付けてしまう羽目になる原因なのだ。
雰囲気と物理を分ける境界線
私はこれについてよく考える。デジタルヘルス業界全体が、ある境界線の片側に座っていて、そのほとんどが境界線の存在に気づいていない。
片側には、私が雰囲気経済(バイブス・エコノミー)と呼ぶものがある。自己申告のデータ。揺すれる端末からの歩数。無視できる動画からのワークアウト完了。励みになりそうに見えるダッシュボード。正しく感じられるデータ。それは誰かが監査するまではうまくいき、そして蒸発する。
もう片側には、私たちが築いているものがある。物理経済(フィジックス・エコノミー)だ。検証された動き。測定された変位。定量化された制御。監査可能な資産。そもそも信頼に基づいていなかったからこそ、精査に耐えるデータだ。
この二つの経済の間の移行は、漸進的なものではない。動画プレーヤーに歩数計を足したところで、物理までの道のりの60%に達することはない。波形を測定するか、しないかのどちらかだ。レップを検証するか、ユーザーの言葉を鵜呑みにするか、どちらかなのだ。
私たちが話をするあらゆる企業——あらゆる保険会社、あらゆる企業向けウェルネスの購買担当者、あらゆる遠隔リハビリのプラットフォーム——は、やがて同じ気づきにたどり着く。彼らは雰囲気に対価を払い、それをデータと呼んできたのだ。検証された動きのデータが実際にどのようなものかを目にした瞬間、彼らはもうそれを見なかったことにはできなくなる。
私がVeriprajnaを始めたのは、この10年で最も重要なAIの課題は、より良いテキストを生成することではないと信じていたからだ。それは、物理的な現実を検証することだ。ひと月が過ぎるごとに、新しいLLMラッパーが立ち上がるごとに、バッジシステム付きのもう一つの動画プレーヤーを出荷するフィットネスアプリが現れるごとに、私はより確信を深めていく。
ヘルスAIの未来は、より賢いチャットボットではない。それは、誠実な測定だ。そして物理は幻覚を見ない。
