당신의 피트니스 앱은 당신이 거짓말하는지 알지 못한다 — 그리고 그건 수십억 달러짜리 문제다

지난 11월, 나는 내 머릿속에서 뭔가를 무너뜨린 데모 하나를 지켜봤다.

한 기업 웰니스 업체가 보험사 임원들로 가득 찬 방에서 자사의 'AI 기반 피트니스 플랫폼'을 홍보하고 있었다. 데모는 매끄러웠다 — 화면 속 사용자가 스쿼트를 하고, 앱이 횟수를 세고, 포인트를 부여하는 게임화된 패키지 전부가 담겨 있었다. 임원들은 흡족한 듯 고개를 끄덕였다. 그때 나는 방을 조용하게 만든 질문 하나를 던졌다: '만약 사용자가 실제로 스쿼트를 하지 않고 그냥 3인치만 위아래로 까딱거린다면 어떻게 되나요?'

업체 담당자는 미소 지었다. '음, 저희는 사용자를 신뢰하기 때문에—'

'신뢰하신다는 거죠.' 내가 말했다. '하지만 당신은 그 신뢰를 근거로 이 보험사에게 리스크의 가격을 매기라고 요구하고 있는 겁니다.'

바로 그 순간 나는 우리가 Veriprajna에서 옳은 것을 만들고 있다는 걸 깨달았다. 또 하나의 챗봇이 아니다. GPT를 감싼 또 하나의 래퍼가 아니다. 업계가 절실히 필요로 했지만 어떻게 표현해야 할지 알아내지 못했던 무언가: 답을 생성하지 않고 물리적 현실을 검증하는 AI.

피트니스와 디지털 헬스 업계에는 지저분한 비밀이 하나 있다. 600억 달러 규모의 기업 웰니스 시장, 보험 할인 프로그램, 무브투언 암호화폐 프로젝트 — 이들은 모두 감사(audit)를 하는 순간 녹아버리는 데이터 위에 세워져 있다. 그리고 대시보드가 근사해 보이기 때문에 아무도 그 얘기를 하고 싶어 하지 않는다.

나는 그 얘기를 하려 한다.

당신의 피트니스 앱은 왜 당신이 실제로 운동했는지 알지 못하는가?

시장에 나온 거의 모든 피트니스 앱의 아키텍처는 이렇다: 추천 엔진을 얹은 동영상 플레이어다. 재생 버튼을 누르면 강사가 팔굽혀펴기를 하고, 당신은 따라 하도록 되어 있으며, 영상이 끝나면 앱은 그 운동을 '완료'로 기록한다. 앱은 일반적인 표를 바탕으로 당신의 칼로리 소모량을 추정한다. 그리고 배지를 준다.

그 어느 순간에도 앱은 당신이 움직였는지 검증하지 않았다.

앱은 소비가 곧 완료라고 가정한다. '작업을 했나요?'라고 묻고는 '네'라는 대답을 아무런 비판 없이 받아들인다.

이것은 사소한 불평이 아니다. 이것은 수십억 달러 규모 산업의 근본 아키텍처다. 그리고 이것은 어떤 행동경제학자라도 예측할 수 있었을 이유로 실패한다.

이런 원칙이 있다. 바로 캠벨의 법칙이다 — 사회학자 도널드 캠벨은 어떤 지표를 의사결정에 많이 쓸수록 사람들이 그 지표를 더 많이 왜곡하게 된다는 점을 관찰했다. 걸음 수에 돈을 걸면 사람들은 핏비트를 천장 선풍기에 묶어둔다. '운동 완료'에 보험 할인을 걸면 사람들은 저녁을 먹는 동안 영상을 틀어둔다.

이건 가정이 아니다. 무브투언 암호화폐 프로젝트 STEPN을 기억하는가? 그것이 무너진 데에는, 유효한 움직임을 감지하는 프로토콜의 능력과 GPS 스푸핑 및 기계식 진동기로 그것을 속이는 사용자의 능력 사이의 군비 경쟁이 한몫했다. 검증이 취약하면 부정행위가 합리적인 선택이 된다. 정직한 참여자는 벌을 받는다. 인센티브 제공자는 파산한다.

나는 결국 모든 홍보 미팅에서 말하게 된 한 문장으로 계속 돌아왔다: 검증할 수 없는 것은 게임화할 수 없다.

우리가 포즈 추정은 지능이 아님을 깨달은 밤

우리는 이 통찰에서 출발하지 않았다. 우리는 우연히 그것에 걸려 넘어졌다.

초창기에 우리 팀은 포즈 추정에 열광했다 — 영상에서 골격 관절 좌표를 추출하는 BlazePose나 MoveNet 같은 라이브러리 말이다. 우리는 '좋아, 이걸로 피트니스 검증 시스템을 만들자'고 생각했다. 몇 주 동안 MoveNet을 통합하고 휴대폰 카메라에서 깨끗한 골격 데이터가 스트리밍되도록 만든 뒤, 마침내 자리에 앉아 그 데이터를 실제로 사용해 검증에 활용하기 시작했다.

바로 그때부터 논쟁이 시작됐다.

우리 엔지니어 중 한 명이 거의 다 끝났다고 확신하며 골격 데이터 한 프레임을 띄웠다 — 팔꿈치를 굽히고 상체를 낮춘 사람. '봐요, 팔굽혀펴기잖아요.' 그가 말했다.

'그런가?' 내가 물었다. '내려가는 중인가, 올라오는 중인가? 그 자세를 30초 동안 유지한 건가, 30밀리초 동안 유지한 건가? 피로로 떨고 있는 건가, 완벽하게 통제된 건가?'

한 프레임은 아무것도 말해주지 않는다. 한 시점의 골격 좌표는 의미적으로 공허하다. 그것은 마치 누군가에게 ECG의 원시 전압 수치를 건네주고 심장 진단을 요구하는 것과 같다. 센서는 데이터를 제공한다. 지능이 신호를 해석한다.

우리는 아주 좋은 센서를 만들었다. 그리고 지능은 전혀 만들지 못했다.

그 주는 힘든 한 주였다. 우리는 컴퓨터 비전 부분 — 깨끗한 관절 좌표를 얻는 것 — 에 너무 몰두한 나머지, 전제 조건을 해결책과 혼동했던 것이다. 그리고 이 분야의 모든 경쟁사가 똑같은 실수를 저지르고 있었다. 실제로는 그저 화려한 자(尺)에 불과한 포즈 추정을 'AI 기반 피트니스'로 마케팅하면서 말이다.

나는 이 패러다임 전환 — 비전에서 신호 처리로의 전환 — 을 더 깊이 있게 다룬 글이 있다. 바로 우리 연구의 인터랙티브 버전이다. 하지만 핵심 깨달음은 단순했고, 그것이 이후 우리가 만든 모든 것을 바꿔놓았다.

인체가 하나의 라디오 신호라면?

우리의 접근 방식 전체를 열어준 재구성은 이렇다.

사람이 스쿼트를 할 때, 엉덩관절(고관절)의 수직 위치는 시간에 따라 파동을 그린다. 비유가 아니라 — 문자 그대로다. 그것은 정현파(사인파) 신호다. 팔벌려뛰기는 어깨 각속도에서 주기적인 파형을 만들어낸다. 걷기는 하체 전반에 걸쳐 복잡한 다중 고조파 신호를 생성한다.

반복 운동을 수행하는 인체는 하나의 기계적 진동자다.

일단 그렇게 바라보고 나면, 당신은 컴퓨터 비전을 생각하기를 멈추고 신호 처리를 생각하기 시작한다. 갑자기 완전히 다른 수학적 도구 상자에 접근하게 된다:

• 진폭은 스쿼트의 깊이를 알려준다
• 주파수는 케이던스(반복 속도)를 알려준다
• 위상은 좌우 양쪽이 협응하는지를 알려준다
• 스펙트럼 순도는 움직임이 통제되어 있는지 흔들리는지를 알려준다

우리는 더 이상 AI에게 어떤 운동이 일어나고 있는지 '추측'하라고 요구하지 않는다. 우리는 파형의 물리를 측정한다. 질문은 '이것은 무엇처럼 보이는가?'에서 '이것은 무엇을 측정하는가?'로 바뀐다.

우리는 인간 행동 인식(Human Activity Recognition)을 이미지 분류 문제가 아니라 디지털 신호 처리(Digital Signal Processing) 문제로 재구성했다. 그 하나의 결정이 검증을 가능하게 만들었다.

하지만 원시 신호 처리 — 푸리에 변환 같은 것 — 는 실제 인간의 움직임에 적용하면 취약하다. 사람은 속도를 바꾼다. 카메라 각도가 달라진다. 팔이 다리를 가린다. 노이즈를 처리하려면 딥러닝이 필요하다. 문제는 이것이었다: 어떤 아키텍처인가?

우리가 LSTM을 버린 이유

지난 10년 사이에 머신러닝 강의를 하나라도 들었다면, 순차 데이터는 곧 순환 신경망을 의미한다고 배웠을 것이다. LSTM — 장단기 메모리(Long Short-Term Memory) 네트워크 — 은 표준이었다. 텍스트, 오디오, 시계열 — 모든 것이 LSTM을 거쳤다.

우리도 시도했다. 하지만 효과가 없었다. 적어도 우리에게 필요한 방식으로는 아니었다.

그 문제들은 근본적이었고, 하이퍼파라미터 튜닝으로 고칠 수 있는 것이 아니었다. LSTM은 데이터를 순차적으로 처리한다 — 100번째 프레임에서 무슨 일이 일어나는지 계산하려면 먼저 1번부터 99번까지의 프레임을 처리해야 한다. 실시간으로 구동되는 휴대폰에서 그 직렬 병목은 사용자 경험을 망치는 지연을 만든다. 누군가 이미 다시 올라온 뒤 2초가 지나서야 '더 내려가세요'라고 말할 수는 없다.

더 나쁜 건, LSTM은 잊어버린다는 점이다. 그 '기억'은 긴 시퀀스에서 저하된다. 5분짜리 요가 세트나 50회 팔굽혀펴기 챌린지는 수천 개의 프레임을 생성하는데, 끝날 무렵이면 모델은 처음의 맥락을 잃어버린다. 우리는 이것을 드리프트로 보았다 — 모델이 자기 카운팅에 대해 갖는 확신이 시간이 지나면서 침식되는 것이, 마치 머릿속으로 숫자를 세다가 잊어버리는 사람처럼 말이다.

우리가 수치를 펼쳐놓은 팀 회의가 있었다. 지연은 용납할 수 없었다. 메모리는 신뢰할 수 없었다. 수천 개의 동시 기업용 스트림에서 LSTM을 구동하는 계산 비용은 감당하기 어려웠다. 누군가 말했다. '어쩌면 아키텍처 전체를 다시 생각해야 할지도 몰라요.'

다른 누군가가 말했다. '어쩌면 우리에겐 합성곱이 필요할지도.'

그 사람이 옳았다.

시간적 합성곱 신경망은 실제로 어떻게 작동하는가?

시간적 합성곱 신경망 — TCN — 은 이미지 인식에 혁명을 일으킨 합성곱 아키텍처를 가져와 시간 영역에 적용한다. 이미지의 픽셀들을 가로질러 필터를 미끄러뜨리는 대신, 신호의 시간 단계들을 가로질러 필터를 미끄러뜨린다. 그런데 두 가지 설계 선택이 TCN을 이전의 그 어떤 것과도 근본적으로 다르게 만든다.

첫째, 인과적 합성곱이다. 시간 t의 네트워크는 시간 t 그리고 그 이전의 데이터만 본다. 절대 미래를 엿보지 않는다. 이건 당연하게 들리지만, 실시간 검증에서는 엄청나게 중요한 수학적 보장이다. 우리는 세트가 끝난 뒤에 어떤 반복이 유효했는지 소급해서 판단하는 것이 아니다 — 우리는 그것이 일어나는 그 순간에 검증한다.

둘째, 그리고 이 부분이 여전히 나를 설레게 하는데, 바로 확장 합성곱이다. 인접한 시간 단계를 보는 대신, 네트워크는 살펴보는 지점들 사이에 간격을 도입한다. 그리고 그 간격은 계층을 거칠 때마다 지수적으로 커진다. 1계층은 인접한 프레임을 본다. 2계층은 하나를 건너뛴다. 3계층은 셋을 건너뛴다. 10계층쯤 되면 필터 하나가 512개 프레임의 창(窓)을 포착한다.

이는 네트워크가 지금 당장 일어나고 있는 일 — 이 특정 프레임에서 무릎이 안쪽으로 무너지고 있는가? — 과, 지난 3분 동안 일어난 일 — 움직임의 주기성이 피로를 시사하는 방식으로 저하되고 있는가? — 에 동시에 주목할 수 있음을 의미한다.

확장 합성곱을 갖춘 TCN은 단일 프레임의 순간적 물리학과 운동 전체의 장기적 시간 맥락을 모두 본다. 다른 어떤 아키텍처도 이 둘을 한 번에 제공하지 못한다.

그리고 합성곱은 순차 연산이 아니라 병렬 연산이기 때문에, 전체 시스템은 실시간 모바일 추론에 충분할 만큼 빠르게 돌아간다. 학습도 더 빠르다 — 폭발하는 그래디언트도, 소실되는 그래디언트도 없이, 고정 깊이 네트워크를 통한 안정적인 역전파만 있을 뿐이다.

LSTM과의 비교 성능 데이터와 우리 신호 분석의 수학을 포함한 전체 기술적 분석을 보려면, 우리 연구 논문을 참고하라.

반복이 무엇인지 알지 못한 채 반복 횟수를 세다

우리의 초기 설계 결정 중 하나는 팀 내부에서조차 논란이 있었다.

반복 횟수 세기를 시도하는 대부분의 피트니스 앱은 운동마다 특정 모델을 학습시킨다. '팔굽혀펴기 카운터.' '스쿼트 카운터.' '이두근 컬 카운터.' 이는 새로운 운동마다 새로운 학습 데이터, 새로운 라벨링, 새로운 배포가 필요하다는 뜻이다. 취약하고 확장성이 없다.

우리는 다른 방향으로 갔다. 우리는 시간적 자기 유사성에 기반한 클래스에 무관한 카운팅 시스템을 구축했다. 핵심 아이디어는 이렇다: 어떤 움직임이 반복적이라면, 그 신호는 일정한 간격으로 자기 자신과 유사할 것이다. 당신은 그 운동이 무엇인지 알 필요가 없다. 그저 신호가 반복되고 있다는 것만 감지하면 된다.

TCN은 골격 포즈 시퀀스를 압축된 표현으로 매핑한 다음, 우리는 모든 시간 단계 쌍 사이의 유사도를 계산한다. 반복 동작은 뚜렷한 시각적 패턴으로 나타난다 — 높은 유사도를 나타내는 평행선들 말이다. 그 선들 사이의 거리가 반복 주기다. 선들의 강도는 반복이 얼마나 일관적인지를 알려준다.

이 방식은 스쿼트, 케틀벨 스윙, 로잉, 팔벌려뛰기, 혹은 어느 물리치료사가 다음 주 화요일에 고안해낼 그 어떤 재활 동작에도 통한다. 우리는 운동의 정체성이 아니라 반복 그 자체의 물리학을 감지한다.

솔직히 의심의 순간이 있었음을 인정한다. 한 투자자가 내게 말했다. '그냥 영상 입력이 되는 GPT-4를 쓰세요. 그게 팔굽혀펴기를 셀 수 있어요.' 나는 그에게 아이가 프레임 안을 걸어 지나가는 동안 누군가가 가변 속도로 4분의 1 반복을 하는 걸 GPT-4로 시도해보라고 했다. 그는 더 이상 그 얘기를 꺼내지 않았다.

단순히 횟수를 세는 게 아니라 폼을 측정하면 무슨 일이 벌어지는가?

횟수 세기는 필요하지만 충분함과는 거리가 멀다. 누군가는 1인치 가동 범위로 '팔굽혀펴기' 50회를 할 수 있다. 카운터는 올라간다. 물리학은 아무 일도 일어나지 않았다고 말한다.

우리는 반복 횟수를 품질 평가로 바꿔주는 세 가지 지표를 만들었다.

깊이. 우리는 핵심 관절의 궤적 — 스쿼트 중의 엉덩관절, 팔굽혀펴기 중의 가슴 — 을 추적하고, TCN으로 필터링된 신호에 피크 검출을 적용한다. 반복은 변위가 생체역학적 임계값을 넘어설 때만 유효하다. 이건 의견이 아니다. 관절이 실제로 얼마나 멀리 이동했는지에 대한 측정이다.

제어. 신호 처리에서 '저크(jerk)'는 위치의 3차 도함수 — 가속도의 변화율 — 이다. 높은 저크는 떨림, 불안정성, 혹은 움직임을 속이기 위해 반동을 사용하는 것을 의미한다. 우리는 로그 무차원 저크(Log Dimensionless Jerk)라 불리는 정규화된 버전을 계산한다. 높은 점수는 그 사람이 힘겨워하거나 반복 동작을 마구잡이로 내던지고 있다는 뜻이다. 재활과 기업 웰니스에서 이것은 부상 위험의 선행 지표다.

대칭. 우리는 좌우 양쪽 사이의 신호 에너지와 위상을 비교한다. 비대칭 지수는 누군가가 스쿼트 중에 한쪽 다리에 의존하고 있을 때 — 종종 부상의 전조이거나 불완전한 재활의 신호 — 를 드러낸다. 이 지표는 스스로 보고하는 것이 불가능하다. 당신은 12%의 비대칭을 느낄 수 없다. 하지만 신호는 그것을 측정할 수 있다.

'Veriprajna 검증된 반복'은 체크박스가 아니다. 그것은 타임스탬프, 골격 키포인트 해시, TCN 신뢰도 점수, 그리고 운동학적 텔레메트리 — 깊이, 속도, 저크, 대칭 — 를 담은 데이터 패킷이다. 감사 가능하다. 불변이다. 그것은 주장과 증거의 차이다.

기업 고객이 '예스'라고 말하게 만든 프라이버시 아키텍처

사람들이 늘 내게 묻는 것을 짚고 넘어가야겠다: '당신들은 사람들이 카메라 앞에서 운동하는 걸 분석하잖아요. 이게 어떻게 프라이버시 악몽이 아닐 수 있죠?'

만약 우리가 영상을 클라우드로 스트리밍한다면 그럴 것이다. 우리는 그렇게 하지 않는다.

휴대폰은 자체 신경망 처리 장치(NPU)에서 가벼운 포즈 추정기를 구동한다. 이것은 골격 좌표 — 관절 위치를 나타내는 그저 숫자들 — 를 추출한다. 몇 킬로바이트의 데이터다. 영상 프레임은 즉시 폐기된다. 어떤 픽셀 데이터도 기기를 떠나지 않는다. 우리 클라우드 엔진으로 전송되는 것(또는 고사양 폰의 경우 기기 내에서 처리되는 것)은 익명의 운동학적 데이터다. 숫자다. 얼굴이 아니다.

이것은 정책이 아니라 아키텍처에 의한 GDPR 및 HIPAA 준수다. 생체 데이터 — 누군가의 얼굴과 신체 영상 — 는 결코 저장되지도, 전송되지도, 위험에 노출되지도 않는다. 이것은 나중에 덧붙인 생각이 아니었다. 우리는 기업 고객이 다른 어떤 것에도 손대지 않으리란 걸 알았기에, 이 제약을 중심으로 시스템 전체를 설계했다.

누가 물리학에 돈을 지불하는가?

검증된 움직임의 경제학은 일단 눈에 들어오면 놀라울 정도다.

보험. 보험사들은 현재 헬스장 회원권에 할인을 제공하는데, 이는 노력이 아니라 위치를 검증할 뿐이다. 검증된 기능적 움직임 데이터 — 스쿼트 5회, 런지 5회, 균형 유지 — 가 있으면, 보험사는 안정성, 가동 범위, 대칭성을 평가할 수 있다. 이것들은 노인의 낙상 위험 및 전반적인 대사 건강과 강한 상관관계가 있다. 정적인 보험계리표가 아니라 검증된 기능적 능력에 기반한 동적 언더라이팅이다. 이것을 가장 먼저 알아내는 보험사가 시장을 차지한다.

기업 웰니스. 기업들이 측정할 수 없는 성과에 돈을 지불하는 600억 달러 규모의 산업이다. 직원들은 걸음 수 목표를 위해 휴대폰을 흔들고 건강저축계좌(HSA) 기여금을 청구한다. 검증된 활동 시간이 있으면, 부정행위의 장벽은 물리적 노력이 된다. 우리 시스템에서 팔굽혀펴기를 속이려면 사실상 휴머노이드 로봇을 만들어야 한다 — 아니면 그냥 팔굽혀펴기를 하든가.

원격 재활. 근골격계 질환은 고용주에게 최상위 비용 유발 요인이다. 가정 운동 순응도는 악명 높게도 50% 미만이며, 환자가 운동을 하더라도 회복을 지연시키는 잘못된 폼을 쓰는 경우가 많다. 처방된 관절 각도를 모니터링하는 TCN은 임상의에게 검증된 순응도와 품질 추세의 대시보드를 제공한다. 원격 치료 모니터링(Remote Therapeutic Monitoring)은 이제 미국에서 보험 청구가 가능한 CPT 코드다 — 이것은 추측이 아니다. 하나의 수익원이다.

제대로 된 무브투언. Web3 피트니스 프로젝트들은 GPS가 손쉽게 위조되기 때문에 실패했다. 우리는 물리적 노력에 대한 오라클을 제공한다. TCN 검증으로 게이팅된 토큰 발행은, 공급량이 부정행위자의 창의성이 아니라 사용자 기반의 물리적 능력에 의해 상한선이 정해지는 경제를 만든다.

'하지만 결국 LLM이 이걸 하지 않을까요?'

나는 이 말을 끊임없이 듣는다. 대규모 언어 모델이 계속 좋아지고 있으니, 결국 물리적 검증을 포함해 모든 것을 해결하리라는 가정 말이다.

그러지 못할 것이다. 그리고 그 이유는 규모의 문제가 아니라 아키텍처의 문제다.

LLM은 가장 가능성 높은 다음 토큰을 생성하도록 설계되었다. 그것들은 확률적이다. 그럴듯한 출력을 만들어낸다. 창의적·행정적 영역에서는 그것이 엄청나게 유용하다. 하지만 물리적 검증에서는 그럴듯함이 적이다. 의료 진단, 재활 프로토콜, 보험료 조정 — 이런 것들은 무엇이 아마도 일어나고 있는지에 기반해서는 안 된다. 그것들은 무엇이 실제로 일어나고 있는지에 근거해야 한다.

아무리 규모를 키워도 근본적인 목적 함수는 바뀌지 않는다. 1조 개의 파라미터를 가진 LLM도 여전히 진실이 아니라 가능성을 최적화하고 있다. 우리의 TCN은 파형의 물리학 — 진폭, 주파수, 위상, 스펙트럼 순도 — 을 최적화한다. 이것들은 예측이 아니라 측정이다.

내가 받는 또 다른 질문: '그냥 운동 영상으로 비전-언어 모델을 파인튜닝하면 되지 않나요?' 그럴 수 있다. 그것은 당신에게 '이건 팔굽혀펴기처럼 보인다'고 말해줄 것이다. 하지만 왼쪽 어깨가 오른쪽보다 15% 더 많은 부하를 견디고 있다거나, 저크 프로파일이 초기 피로 발생을 시사한다거나, 반복 깊이가 지난 2분에 걸쳐 8% 저하되었다고는 말해주지 않을 것이다. 그것은 당신에게 라벨을 줄 것이다. 우리는 당신에게 신호 분석을 준다.

AI 업계는 생성에 집착한다. 우리는 검증에 집착한다. 이 둘은 같은 분야가 아니며, 둘을 혼동하는 것이야말로 결국 환각 위에 보험료를 매기게 되는 길이다.

바이브와 물리학 사이의 경계선

나는 이것을 많이 생각한다: 디지털 헬스 산업 전체가 어떤 경계선의 한쪽에 앉아 있으면서, 그 대부분은 그 선이 존재한다는 사실조차 깨닫지 못하고 있다는 것을.

한쪽에는 내가 이른바 바이브 경제라고 부르는 것이 있다. 자가 보고 데이터. 흔들 수 있는 기기에서 나온 걸음 수. 무시할 수 있는 영상에서 나온 운동 완료 기록. 고무적으로 보이는 대시보드. 옳게 느껴지는 데이터. 누군가 감사하기 전까지는 통하다가, 그다음엔 증발해버린다.

다른 쪽에는 우리가 구축하고 있는 것이 있다. 바로 물리학 경제다. 검증된 움직임. 측정된 변위. 정량화된 제어. 감사 가능한 자산. 애초에 신뢰에 기반하지 않았기에 정밀 검토에도 살아남는 데이터.

이 두 경제 사이의 전환은 점진적이지 않다. 동영상 플레이어에 걸음 수 카운터를 추가한다고 해서 물리학까지 60% 도달하는 게 아니다. 당신은 파형을 측정하거나 측정하지 않거나 둘 중 하나다. 당신은 반복을 검증하거나, 아니면 사용자의 말을 곧이곧대로 믿거나 둘 중 하나다.

우리가 이야기를 나누는 모든 기업 — 모든 보험사, 모든 기업 웰니스 구매자, 모든 원격 재활 플랫폼 — 은 결국 같은 깨달음에 도달한다. 그들은 바이브에 돈을 지불하면서 그것을 데이터라고 불러왔다. 검증된 움직임 데이터가 실제로 어떤 모습인지 보는 순간, 그들은 그것을 못 본 척할 수 없게 된다.

나는 이번 10년의 가장 중요한 AI 문제가 더 나은 텍스트를 생성하는 것이 아니라고 믿었기에 Veriprajna를 시작했다. 그것은 물리적 현실을 검증하는 것이다. 한 달이 지날 때마다, 새로운 LLM 래퍼가 출시될 때마다, 또 하나의 피트니스 앱이 배지 시스템을 얹은 동영상 플레이어를 또 내놓을 때마다, 나는 더욱 확신하게 된다.

헬스 AI의 미래는 더 똑똑한 챗봇이 아니다. 그것은 정직한 측정이다. 그리고 물리학은 환각하지 않는다.