Seu Aplicativo de Fitness Não Sabe Se Você Está Mentindo — e Isso É um Problema Bilionário

Em novembro passado, assisti a uma demonstração que quebrou algo no meu cérebro.

Um fornecedor de bem-estar corporativo estava apresentando sua "plataforma de fitness com IA" para uma sala cheia de executivos de seguros. A demonstração era impecável — um usuário na tela fazendo agachamentos, o aplicativo contando as repetições, concedendo pontos, todo o pacote gamificado. Os executivos acenavam em aprovação. Então fiz uma pergunta que deixou a sala em silêncio: "O que acontece se o usuário apenas balançar para cima e para baixo uns oito centímetros em vez de realmente agachar?"

O fornecedor sorriu. "Bem, nós confiamos que nossos usuários—"

"Vocês confiam neles", eu disse. "Mas estão pedindo que essa seguradora precifique o risco com base nessa confiança."

Foi nesse momento que soube que estávamos construindo a coisa certa na Veriprajna. Não mais um chatbot. Não mais um wrapper em torno do GPT. Algo de que o setor precisava desesperadamente, mas ainda não tinha conseguido articular: IA que não gera respostas — ela verifica a realidade física.

O setor de fitness e saúde digital tem um segredo sujo. O mercado de US$ 60 bilhões de bem-estar corporativo, os programas de desconto de seguros, os projetos de cripto move-to-earn — todos são construídos sobre dados que se dissolvem no momento em que você os audita. E ninguém quer falar sobre isso porque os painéis parecem ótimos.

Eu vou falar sobre isso.

Por Que Seu Aplicativo de Fitness Não Consegue Saber Se Você Realmente Se Exercitou?

Eis a arquitetura de quase todo aplicativo de fitness no mercado: é um reprodutor de vídeo com um motor de recomendação parafusado por cima. Você aperta play, um instrutor faz flexões, você deve acompanhar e, quando o vídeo termina, o aplicativo registra o treino como "concluído". Ele estima seu gasto calórico a partir de tabelas genéricas. Ele te dá uma medalha.

Em nenhum momento o aplicativo verificou que você se moveu.

O aplicativo presume que consumo equivale a conclusão. Ele pergunta: "Você fez o trabalho?" e aceita "Sim" como resposta sem questionar.

Isso não é uma reclamação de nicho. Essa é a arquitetura fundamental de um setor de vários bilhões de dólares. E ela falha por uma razão que qualquer economista comportamental poderia ter previsto.

Existe um princípio chamado Lei de Campbell — o sociólogo Donald Campbell observou que quanto mais você usa uma métrica para tomada de decisão, mais as pessoas corromperão essa métrica. Atrele dinheiro à contagem de passos, e as pessoas amarram Fitbits em ventiladores de teto. Atrele descontos de seguro à "conclusão de treino", e as pessoas deixam os vídeos rodando enquanto jantam.

Isso não é hipotético. Lembra do STEPN, o projeto de cripto move-to-earn? Ele desmoronou em parte por causa da corrida armamentista entre a capacidade do protocolo de detectar movimento válido e a capacidade dos usuários de falsificá-lo com falsificação de GPS e agitadores mecânicos. Quando a verificação é fraca, a fraude se torna racional. Participantes honestos são punidos. O provedor do incentivo vai à falência.

Eu continuava voltando a uma frase que acabei começando a dizer em toda reunião de apresentação: Você não pode gamificar o que não pode verificar.

A Noite Em Que Percebemos Que Estimativa de Pose Não É Inteligência

Não começamos com essa percepção. Tropeçamos nela.

No início, minha equipe estava empolgada com a estimativa de pose — bibliotecas como BlazePose e MoveNet que extraem coordenadas das articulações esqueléticas de um vídeo. Pensamos: ótimo, vamos usar isso para construir um sistema de verificação de fitness. Passamos semanas integrando o MoveNet, obtendo dados limpos do esqueleto transmitidos da câmera de um celular, e então nos sentamos para de fato usar os dados para verificação.

Foi aí que as discussões começaram.

Um dos meus engenheiros, convencido de que estávamos quase terminando, exibiu um único quadro de dados do esqueleto — uma pessoa com os cotovelos dobrados e o tronco abaixado. "Viu? Flexão", ele disse.

"Será?", perguntei. "Ela está descendo ou subindo? Está segurando essa posição há trinta segundos ou trinta milissegundos? Está tremendo de fadiga ou perfeitamente controlada?"

Um único quadro não te diz nada. Uma coordenada de esqueleto em um único momento no tempo é semanticamente vazia. É como entregar a alguém uma leitura bruta de voltagem de um ECG e pedir um diagnóstico cardíaco. O sensor fornece dados. A inteligência interpreta o sinal.

Nós havíamos construído um sensor muito bom. Havíamos construído zero inteligência.

Foi uma semana difícil. Tínhamos ficado tão concentrados na parte de visão computacional — obter coordenadas limpas das articulações — que havíamos confundido o pré-requisito com a solução. E todo concorrente do setor estava cometendo o mesmo erro, comercializando a estimativa de pose como "fitness com IA" quando ela era, na verdade, apenas uma régua sofisticada.

Escrevi sobre essa mudança de paradigma — de visão para processamento de sinais — com mais profundidade em a versão interativa da nossa pesquisa. Mas a percepção central era simples e mudou tudo o que construímos depois.

E Se o Corpo Humano For um Sinal de Rádio?

Eis o reenquadramento que destravou toda a nossa abordagem.

Quando uma pessoa faz agachamentos, a posição vertical da articulação do quadril traça uma onda ao longo do tempo. Não metaforicamente — literalmente. É um sinal senoidal. Polichinelos produzem uma forma de onda periódica na velocidade angular do ombro. Caminhar gera sinais complexos multi-harmônicos por todo o corpo inferior.

O corpo humano, executando exercícios repetitivos, é um oscilador mecânico.

Assim que você enxerga dessa forma, deixa de pensar em visão computacional e começa a pensar em processamento de sinais. De repente, você tem acesso a um conjunto de ferramentas matemáticas completamente diferente:

• A amplitude te diz a profundidade do agachamento
• A frequência te diz a cadência
• A fase te diz se os lados esquerdo e direito estão coordenados
• A pureza espectral te diz se o movimento é controlado ou trêmulo

Não estamos mais pedindo a uma IA que "adivinhe" qual exercício está acontecendo. Estamos medindo a física de uma forma de onda. A pergunta muda de "Com o que isto se parece?" para "O que isto mede?"

Reenquadramos o Reconhecimento de Atividade Humana não como um problema de classificação de imagens, mas como um problema de Processamento Digital de Sinais. Essa única decisão tornou a verificação possível.

Mas o processamento de sinais bruto — Transformadas de Fourier e afins — é frágil quando aplicado ao movimento humano real. As pessoas mudam de velocidade. Os ângulos de câmera se alteram. Os braços encobrem as pernas. Você precisa de aprendizado profundo para lidar com o ruído. A pergunta era: qual arquitetura?

Por Que Descartamos as LSTMs

Se você fez qualquer curso de aprendizado de máquina na última década, aprendeu que dados sequenciais significam redes neurais recorrentes. As LSTMs — redes de Memória de Longo e Curto Prazo — eram o padrão-ouro. Texto, áudio, séries temporais — tudo passava por uma LSTM.

Tentamos. Não funcionou. Não da forma como precisávamos.

Os problemas eram fundamentais, não corrigíveis com ajuste de hiperparâmetros. As LSTMs processam os dados sequencialmente — para calcular o que está acontecendo no quadro 100, você precisa primeiro processar os quadros 1 a 99. Em um celular rodando em tempo real, esse gargalo serial cria uma latência que mata a experiência do usuário. Você não pode dizer a alguém "desça mais" dois segundos depois que ela já subiu de volta.

Pior, as LSTMs esquecem. Sua "memória" se degrada ao longo de sequências longas. Uma sessão de ioga de cinco minutos ou um desafio de cinquenta flexões gera milhares de quadros e, ao final, o modelo perdeu o contexto do começo. Vimos isso como deriva — a confiança do modelo em sua própria contagem se erodia ao longo do tempo, como uma pessoa perdendo a conta na cabeça.

Houve uma reunião de equipe em que expusemos os números. A latência era inaceitável. A memória era não confiável. O custo computacional de rodar LSTMs em milhares de fluxos empresariais simultâneos era proibitivo. Alguém disse: "Talvez precisemos repensar toda a arquitetura."

Outra pessoa disse: "Talvez precisemos de convoluções."

Essa pessoa estava certa.

Como Uma Rede Neural Convolucional Temporal Realmente Funciona?

Redes Neurais Convolucionais Temporais — TCNs — pegam a arquitetura convolucional que revolucionou o reconhecimento de imagens e a aplicam ao domínio do tempo. Em vez de deslizar um filtro sobre pixels em uma imagem, você o desliza sobre passos de tempo em um sinal. Mas duas escolhas de projeto tornam as TCNs radicalmente diferentes de tudo o que veio antes.

Primeiro: convoluções causais. A rede, no instante t, só olha para os dados do instante t e anteriores. Ela nunca espia o futuro. Isso parece óbvio, mas é uma garantia matemática que importa enormemente para a verificação em tempo real. Não estamos decidindo retroativamente se uma repetição foi válida depois que a série terminou — estamos verificando-a à medida que acontece.

Segundo, e esta é a parte que ainda me empolga: convoluções dilatadas. Em vez de olhar para passos de tempo adjacentes, a rede introduz espaçamento entre os pontos que examina. E esse espaçamento cresce exponencialmente a cada camada. A camada 1 vê quadros adjacentes. A camada 2 pula um. A camada 3 pula três. Na camada 10, um único filtro captura uma janela de 512 quadros.

Isso significa que a rede pode atender simultaneamente ao que está acontecendo agora mesmo — o joelho está colapsando para dentro neste quadro específico? — e ao que vem acontecendo ao longo dos últimos três minutos — a periodicidade do movimento está se degradando de uma forma que sugere fadiga?

Uma TCN com convoluções dilatadas enxerga tanto a física instantânea de um único quadro quanto o contexto temporal de longo prazo de um treino inteiro. Nenhuma outra arquitetura te dá ambos ao mesmo tempo.

E como as convoluções são operações paralelas, não sequenciais, o conjunto todo roda rápido o suficiente para inferência móvel em tempo real. O treinamento também é mais rápido — sem gradientes explosivos, sem gradientes que desaparecem, apenas retropropagação estável através de uma rede de profundidade fixa.

Para a análise técnica completa — incluindo os dados de desempenho comparativo em relação às LSTMs e a matemática da nossa análise de sinais — veja nosso artigo de pesquisa.

Contando Repetições Sem Saber o Que É uma Repetição

Uma de nossas primeiras decisões de projeto foi controversa, até dentro da equipe.

A maioria dos aplicativos de fitness que tentam contar repetições treina um modelo específico para cada exercício. Um "contador de flexões". Um "contador de agachamentos". Um "contador de rosca direta". Isso significa que cada novo exercício exige novos dados de treinamento, nova rotulagem, nova implantação. É frágil e não escala.

Seguimos por um caminho diferente. Construímos um sistema de contagem agnóstico de classe baseado em auto-similaridade temporal. A ideia: se um movimento é repetitivo, o sinal será semelhante a si mesmo em intervalos regulares. Você não precisa saber qual é o exercício. Você só precisa detectar que o sinal está se repetindo.

A TCN mapeia a sequência de poses esqueléticas em uma representação comprimida e, então, calculamos a similaridade entre cada par de passos de tempo. A ação repetitiva aparece como um padrão visual distinto — linhas paralelas de alta similaridade. A distância entre essas linhas é a duração da repetição. A intensidade das linhas te diz quão consistentes são as repetições.

Isso funciona para agachamentos, balanços de kettlebell, remo, polichinelos ou qualquer movimento de reabilitação que um fisioterapeuta inventar na próxima terça-feira. Detectamos a física da repetição em si, não a identidade do exercício.

Vou admitir que houve um momento de dúvida. Um investidor me disse: "É só usar o GPT-4 com entrada de vídeo. Ele consegue contar flexões." Pedi que ele tentasse com alguém fazendo repetições pela metade em velocidade variável enquanto uma criança pequena atravessava o quadro. Ele parou de trazer o assunto à tona.

O Que Acontece Quando Você Mede a Forma, Não Apenas Conta?

Contar é necessário, mas está longe de ser suficiente. Alguém pode fazer cinquenta "flexões" com dois centímetros e meio de amplitude de movimento. O contador sobe. A física diz que nada aconteceu.

Construímos três métricas que transformam uma contagem de repetições em uma avaliação de qualidade.

Profundidade. Rastreamos a trajetória de articulações-chave — o quadril durante um agachamento, o peito durante uma flexão — e aplicamos detecção de picos ao sinal filtrado pela TCN. Uma repetição só é válida se o deslocamento exceder um limiar biomecânico. Isso não é uma opinião. É uma medição de quão longe a articulação realmente se deslocou.

Controle. No processamento de sinais, o "jerk" é a terceira derivada da posição — a taxa de variação da aceleração. Jerk alto significa tremores, instabilidade ou uso de impulso para trapacear no movimento. Calculamos uma versão normalizada chamada Jerk Logarítmico Adimensional. Uma pontuação alta significa que a pessoa está tendo dificuldade ou se lançando pela repetição. Em reabilitação e bem-estar corporativo, esse é um indicador antecedente de risco de lesão.

Simetria. Comparamos a energia e a fase do sinal entre os lados esquerdo e direito. Um índice de assimetria revela quando alguém está favorecendo uma perna durante um agachamento — muitas vezes um precursor de lesão ou um sinal de reabilitação incompleta. Essa métrica é impossível de autorrelatar. Você não consegue sentir uma assimetria de 12%. Mas o sinal consegue medi-la.

Uma "Repetição Verificada da Veriprajna" não é uma caixinha de seleção. É um pacote de dados contendo carimbo de data e hora, hash de pontos-chave esqueléticos, pontuação de confiança da TCN e telemetria cinemática — profundidade, velocidade, jerk, simetria. É auditável. É imutável. É a diferença entre uma alegação e uma evidência.

A Arquitetura de Privacidade Que Fez Clientes Corporativos Dizerem Sim

Preciso abordar algo que as pessoas sempre me perguntam: "Vocês estão analisando pessoas fazendo exercícios na câmera. Como isso não é um pesadelo de privacidade?"

Seria, se estivéssemos transmitindo vídeo para a nuvem. Nós não transmitimos.

O celular executa um estimador de pose leve em sua Unidade de Processamento Neural. Isso extrai coordenadas esqueléticas — apenas números representando posições das articulações. Alguns kilobytes de dados. Os quadros de vídeo são descartados imediatamente. Nenhum dado de pixel jamais sai do dispositivo. O que é transmitido para o nosso motor na nuvem (ou processado no próprio dispositivo em celulares de ponta) são dados cinemáticos anônimos. Números. Não rostos.

Isto é conformidade com a GDPR e a HIPAA por arquitetura, não por política. Os dados biométricos — o vídeo do rosto e do corpo de alguém — nunca são armazenados, nunca transmitidos, nunca colocados em risco. Isso não foi uma reflexão tardia. Projetamos todo o sistema em torno dessa restrição porque sabíamos que clientes corporativos não tocariam em nada diferente disso.

Quem Paga Pela Física?

A economia do movimento verificado é impressionante assim que você a enxerga.

Seguros. As seguradoras atualmente oferecem descontos por matrículas em academia, que verificam localização, não esforço. Com dados de movimento funcional verificado — cinco agachamentos, cinco afundos, uma sustentação de equilíbrio — uma seguradora pode avaliar estabilidade, amplitude de movimento e simetria. Esses fatores têm forte correlação com risco de queda em idosos e saúde metabólica geral. Subscrição dinâmica baseada em capacidade funcional verificada, não em tabelas atuariais estáticas. A seguradora que descobrir isso primeiro conquista o mercado.

Bem-estar corporativo. Um setor de US$ 60 bilhões em que as empresas pagam por resultados que não conseguem medir. Os funcionários chacoalham celulares para atingir metas de passos e reivindicam contribuições para a Conta Poupança Saúde. Com minutos ativos verificados, a barreira à fraude passa a ser o esforço físico. Para falsificar uma flexão em nosso sistema, você essencialmente precisaria construir um robô humanoide — ou simplesmente fazer a flexão.

Telerreabilitação. Distúrbios musculoesqueléticos são um dos principais geradores de custo para os empregadores. A adesão ao exercício em casa é notoriamente inferior a 50% e, quando os pacientes se exercitam, muitas vezes usam uma forma ruim que atrasa a recuperação. Uma TCN monitorando ângulos articulares prescritos dá aos médicos um painel de tendências de conformidade e qualidade verificadas. O Monitoramento Terapêutico Remoto agora é um código CPT reembolsável nos EUA — isto não é especulativo. É uma fonte de receita.

Move-to-earn, feito do jeito certo. Os projetos de fitness Web3 fracassaram porque o GPS é trivialmente falsificável. Nós fornecemos o oráculo para o esforço físico. A cunhagem de tokens condicionada à verificação por TCN cria uma economia em que a oferta é limitada pela capacidade física da base de usuários, não pela criatividade dos trapaceiros.

"Mas os LLMs Não Vão Acabar Fazendo Isso?"

Ouço isso constantemente. A suposição de que, como os grandes modelos de linguagem continuam melhorando, eles acabarão resolvendo tudo, inclusive a verificação física.

Não vão. E a razão é arquitetural, não uma questão de escala.

Os LLMs são projetados para produzir o próximo token mais provável. Eles são probabilísticos. Geram saídas plausíveis. Em domínios criativos e administrativos, isso é incrivelmente útil. Mas na verificação física, a plausibilidade é o inimigo. Um diagnóstico médico, um protocolo de reabilitação, um ajuste de prêmio de seguro — estes não podem se basear no que provavelmente está acontecendo. Eles precisam estar fundamentados no que está de fato acontecendo.

Nenhum grau de escalonamento muda a função objetivo fundamental. Um LLM com um trilhão de parâmetros ainda está otimizando para a verossimilhança, não para a verdade. Nossa TCN está otimizando para a física de uma forma de onda — amplitude, frequência, fase, pureza espectral. Estas são medições, não previsões.

A outra pergunta que recebo: "Não dá para simplesmente fazer o ajuste fino de um modelo de visão-linguagem com vídeos de exercícios?" Dá. Ele vai te dizer "isto parece uma flexão". Ele não vai te dizer que o ombro esquerdo está carregando 15% mais carga que o direito, que o perfil de jerk indica início precoce de fadiga, ou que a profundidade da repetição se degradou 8% nos últimos dois minutos. Ele vai te dar um rótulo. Nós te damos uma análise de sinais.

O setor de IA é obcecado por geração. Nós somos obcecados por verificação. Estas não são a mesma disciplina, e confundi-las é como você acaba precificando prêmios de seguro com base em alucinações.

A Linha Entre Vibes e Física

Penso muito nisto: todo o setor de saúde digital está de um lado de uma linha, e a maior parte dele não percebe que a linha existe.

De um lado está o que eu chamo de Economia das Vibes. Dados autorrelatados. Contagens de passos de dispositivos que podem ser chacoalhados. Conclusões de treino de vídeos que podem ser ignorados. Painéis que parecem animadores. Dados que parecem corretos. Funciona até que alguém os audite, e então evaporam.

Do outro lado está o que estamos construindo: a Economia da Física. Movimento verificado. Deslocamento medido. Controle quantificado. Ativos auditáveis. Dados que sobrevivem ao escrutínio porque nunca se basearam em confiança para começar.

A transição entre essas duas economias não é incremental. Você não chega a 60% do caminho até a física adicionando um contador de passos ao seu reprodutor de vídeo. Ou você mede a forma de onda ou não mede. Ou você verifica a repetição ou aceita a palavra do usuário.

Toda empresa com quem conversamos — cada seguradora, cada comprador de bem-estar corporativo, cada plataforma de telerreabilitação — acaba chegando à mesma constatação. Elas vêm pagando por vibes e chamando isso de dados. No momento em que veem como os dados de movimento verificado realmente são, não conseguem mais desver.

Fundei a Veriprajna porque acreditava que o problema de IA mais importante desta década não é gerar textos melhores. É verificar a realidade física. A cada mês que passa, a cada novo wrapper de LLM que é lançado, a cada aplicativo de fitness que entrega mais um reprodutor de vídeo com um sistema de medalhas — fico mais convicto.

O futuro da IA em saúde não são chatbots mais inteligentes. É medição honesta. E a física não alucina.