你的健身应用根本分不清你有没有真的在锻炼——而这是一个价值数十亿美元的大问题
去年十一月，我看了一场演示，它彻底颠覆了我脑子里的某些认知。
一家企业健康服务供应商正在向满屋子的保险高管推销他们的"AI 驱动的健身平台"。演示做得很漂亮——屏幕上一位用户在做深蹲，应用在数着次数、发放积分，整套游戏化的东西一应俱全。高管们赞许地点头。然后我提了一个让全场安静下来的问题："如果用户只是上下颠动三英寸，而不是真正地做深蹲，会怎么样？"
供应商笑了笑。"呃，我们信任我们的用户会——"
"你信任他们，"我说。"但你却在要求这家保险公司基于那份信任来给风险定价。"
就在那一刻，我确信我们在 Veriprajna 所打造的东西是对的。不是又一个聊天机器人。不是又一个套在 GPT 外面的壳。而是这个行业迫切需要、却始终没能说清楚的东西：一种不生成答案的 AI——它验证物理现实。
健身与数字健康行业有一个不可告人的秘密。价值 600 亿美元的企业健康市场、保险折扣计划、边动边赚（move-to-earn）的加密项目——它们全都建立在一旦你去审计就会瞬间瓦解的数据之上。而没人愿意谈论这一点，因为那些仪表盘看起来光鲜亮丽。
我要来谈谈它。
为什么你的健身应用分辨不出你到底有没有真的锻炼？
市面上几乎每一款健身应用的架构都是这样的：它就是一个视频播放器，上面再加装一个推荐引擎。你按下播放键，一位教练在做俯卧撑，你应该跟着一起做，等视频结束时，应用就把这次锻炼记录为"已完成"。它根据通用的表格估算你消耗的卡路里。它给你颁发一枚徽章。
但应用从头到尾都没有验证过你确实动了。
应用假定"观看"就等于"完成"。它问："你做了吗？"然后不加怀疑地把"做了"当作答案接受下来。
这不是什么小众的抱怨。这是一个价值数十亿美元行业的根基性架构。而它之所以失效，原因是任何一位行为经济学家都本可以预见到的。
有一条原理，叫做坎贝尔定律——社会学家唐纳德·坎贝尔观察到，你越是把某个指标用于决策，人们就越会去扭曲那个指标。把钱和步数挂钩，人们就会把 Fitbit 绑到吊扇上。把保险折扣和"锻炼完成"挂钩，人们就会一边吃晚饭一边让视频自己播。
这并非假设。还记得那个边动边赚的加密项目 STEPN 吗？它的崩盘，部分原因就在于协议检测有效运动的能力，与用户用 GPS 欺骗和机械摇晃器造假的能力之间的军备竞赛。当验证薄弱时，作弊就成了理性选择。诚实的参与者反而受到惩罚。发放激励的一方则走向破产。
我总是不断回到一句话，后来我在每一次路演会议上都会说：你无法把你无法验证的东西游戏化。
我们意识到姿态估计并非智能的那个夜晚
我们并不是一开始就有这个洞见。我们是跌跌撞撞地撞见它的。
早期，我的团队对姿态估计非常兴奋——像 BlazePose 和 MoveNet 这样的库，能从视频中提取骨骼关节坐标。我们想，太好了，我们要用这些来构建一套健身验证系统。我们花了好几周集成 MoveNet，让干净的骨骼数据从手机摄像头源源不断地传出来，然后我们坐下来，真正要去使用这些数据来做验证。
就在那时，争论开始了。
我的一位工程师确信我们快完成了，他调出了一帧骨骼数据——一个人肘部弯曲、上身放低。"看吧？俯卧撑，"他说。
"是吗？"我问。"他们是在往下还是在往上？他们保持那个姿势是三十秒还是三十毫秒？他们是因疲劳而颤抖，还是控制得完美无缺？"
单独一帧什么也说明不了。某一时刻的骨骼坐标在语义上是空洞的。这就像把心电图上一个原始的电压读数递给某人，然后要他给出心脏诊断。传感器提供数据。智能则负责解读信号。
我们造出了一个非常好的传感器。我们造出的智能则为零。
那是难熬的一周。我们一直太专注于计算机视觉那一块——获取干净的关节坐标——以至于把前提条件误当成了解决方案。而这个领域里的每一个竞争对手都在犯同样的错误，把姿态估计包装成"AI 驱动的健身"，可它其实只是一把花哨的尺子。
我在一篇文章里更深入地写过这次范式转变——从视觉到信号处理——那就是我们研究的交互版本。但核心的领悟很简单，而它改变了我们此后构建的一切。
如果人体是一段无线电信号呢？
正是下面这个重新框定，解锁了我们整套方法。
当一个人做深蹲时，他髋关节的垂直位置会随时间描画出一条波形。不是打比方——是字面意义上的。那是一段正弦信号。开合跳会在肩部角速度上产生一段周期性波形。行走则会在下肢各处生成复杂的多谐波信号。
在进行重复性运动时，人体就是一个机械振荡器。
一旦你这样看待它，你就不再去想计算机视觉，而是开始去想信号处理。你突然就拥有了一套完全不同的数学工具箱：
- 振幅告诉你深蹲的深度
- 频率告诉你动作的节奏
- 相位告诉你左右两侧是否协调
- 频谱纯度告诉你动作是受控的还是抖动的
我们不再要求一个 AI 去"猜"正在做的是什么运动。我们是在测量一段波形的物理特性。问题从"这看起来像什么？"转变为"这测量什么？"
我们把人体活动识别重新框定为——不是一个图像分类问题，而是一个数字信号处理问题。仅仅这一个决定，就让验证成为可能。
但原始的信号处理——傅里叶变换之类的——一旦用到真实的人体运动上就会变得脆弱。人们会改变速度。摄像头角度会移动。手臂会遮挡腿部。你需要深度学习来处理这些噪声。问题在于：用哪种架构？
我们为什么弃用了 LSTM
如果你在过去十年里上过任何一门机器学习课程，你会学到：序列数据意味着循环神经网络。LSTM——长短期记忆网络——曾是黄金标准。文本、音频、时间序列——一切都要经过 LSTM。
我们试过。它不管用。至少没能以我们所需要的方式管用。
这些问题是根本性的，靠调超参数是解决不了的。LSTM 按顺序处理数据——要计算第 100 帧发生了什么，你必须先处理第 1 到第 99 帧。在一部实时运行的手机上，这种串行瓶颈会造成延迟，把用户体验彻底毁掉。你不能在某人已经起身两秒之后才告诉他"蹲低一点"。
更糟的是，LSTM 会遗忘。它们的"记忆"在长序列上会退化。一套五分钟的瑜伽动作，或者一次五十个的俯卧撑挑战，会产生成千上万帧，到最后，模型已经丢失了开头的上下文。我们把这看作漂移——模型对自己计数的信心会随时间被侵蚀，就像一个人在脑子里数着数着就数乱了。
有一次团队会议，我们把这些数字摆了出来。延迟无法接受。记忆不可靠。在数千路并发的企业数据流上运行 LSTM，其计算成本高得令人却步。有人说："也许我们需要重新思考整个架构。"
另一个人说："也许我们需要卷积。"
那个人是对的。
时序卷积网络到底是如何工作的？
时序卷积网络——TCN——把曾经彻底革新图像识别的卷积架构，应用到了时间域上。你不再是在一张图像的像素上滑动一个滤波器，而是在一段信号的时间步上滑动它。但有两个设计上的选择，使 TCN 与此前的一切都截然不同。
第一：因果卷积。网络在时刻t只查看来自时刻t及更早时刻的数据。它从不窥探未来。这听上去理所当然，但这是一条数学上的保证，对实时验证极为重要。我们不是在一组动作结束之后再回过头去判定某一次是否有效——我们是在它发生的当下就验证它。
第二，而这是至今仍让我兴奋的部分：扩张卷积。网络不再看相邻的时间步，而是在它所考察的点之间引入间隔。而这个间隔会随着每一层以指数方式增长。第 1 层看相邻的帧。第 2 层跳过一帧。第 3 层跳过三帧。到了第 10 层，单个滤波器就能覆盖一个 512 帧的窗口。
这意味着网络可以同时既关注此刻正在发生的事情——在这一特定帧上，膝盖是否正在向内塌陷？——同时也关注过去三分钟里一直在发生的事情——动作的周期性是否正在以一种暗示疲劳的方式退化？
带有扩张卷积的 TCN 既能看到单帧的瞬时物理特性，也能看到整场锻炼的长期时间上下文。没有任何其他架构能同时给你这两者。
而且由于卷积是并行运算，而非串行运算，整个系统运行得足够快，可以进行实时的移动端推理。训练也更快——没有梯度爆炸，没有梯度消失，只有穿过一个固定深度网络的稳定反向传播。
想看完整的技术拆解——包括与 LSTM 的性能对比数据，以及我们信号分析背后的数学——请参阅我们的研究论文。
在不知道一次动作是什么的情况下数出次数
我们早期的一个设计决策颇具争议，甚至在团队内部也是如此。
大多数尝试做动作计数的健身应用，会为每一种运动训练一个专门的模型。一个"俯卧撑计数器"。一个"深蹲计数器"。一个"二头弯举计数器"。这意味着每一种新运动都需要新的训练数据、新的标注、新的部署。它既脆弱，又无法规模化。
我们走了一条不同的路。我们构建了一套与类别无关的、基于时间自相似性的计数系统。核心思想是：如果一个动作是重复的，那么信号就会在固定的时间间隔上与自身相似。你不需要知道是什么运动。你只需要检测信号正在重复这一点。
TCN 把骨骼姿态序列映射成一种压缩表示，然后我们计算每一对时间步之间的相似度。重复性动作会显现为一种独特的可视化模式——一条条平行的高相似度线。这些线之间的距离就是每次动作的持续时长。线的强度则告诉你各次动作有多一致。
这套方法适用于深蹲、壶铃摆荡、划船、开合跳，或者物理治疗师下周二临时发明出来的任何康复动作。我们检测的是重复本身的物理特性，而不是这项运动的身份。
我承认曾有过一刻的动摇。一位投资人对我说："直接用带视频输入的 GPT-4 就行。它能数俯卧撑。"我请他去试试：让一个人以变化的速度做四分之一幅度的动作，同时一个蹒跚学步的幼儿从画面里走过。他就再也不提这件事了。
当你测量动作质量，而不只是计数时，会发生什么？
计数是必要的，但远远不够。有人可以用一英寸的活动幅度做五十个"俯卧撑"。计数器往上走。而物理特性却表明什么都没发生。
我们构建了三个指标，把一个动作次数转变为一份质量评估。
深度。我们追踪关键关节的运动轨迹——深蹲时的髋部、俯卧撑时的胸部——并对经 TCN 滤波后的信号进行峰值检测。只有当位移超过一个生物力学阈值时，一次动作才算有效。这不是一种主观看法。这是对关节实际移动了多远的一次测量。
控制。在信号处理中，"急动度"（jerk）是位置的三阶导数——即加速度的变化率。高急动度意味着颤抖、不稳定，或者借助惯性来蒙混过关。我们计算一个归一化的版本，称为对数无量纲急动度（Log Dimensionless Jerk）。分数高意味着这个人在吃力挣扎，或者是甩着身体硬做完这次动作。在康复和企业健康领域，这是受伤风险的一个先行指标。
对称性。我们比较左右两侧之间的信号能量和相位。一个不对称指数能揭示某人在深蹲时是否在偏重一条腿——这往往是受伤的前兆，或者是康复尚未完成的迹象。这个指标是不可能靠自我报告得出的。你感觉不到 12% 的不对称。但信号能测量出来。
一次"Veriprajna 已验证动作"不是一个勾选框。它是一个数据包，包含时间戳、骨骼关键点哈希、TCN 置信度分数，以及运动学遥测数据——深度、速度、急动度、对称性。它可审计。它不可篡改。它就是"声称"与"证据"之间的区别。
让企业客户点头答应的隐私架构
我得回应一个人们总是问我的问题："你们在分析人们对着摄像头做运动。这怎么可能不是一场隐私噩梦？"
如果我们真把视频流传到云端，那的确会是。但我们不这么做。
手机在其神经处理单元上运行一个轻量级的姿态估计器。它提取出骨骼坐标——只是一些代表关节位置的数字。几千字节的数据。视频帧会被立即丢弃。没有任何像素数据离开设备。传输到我们云端引擎的（或者在高端手机上直接在设备端处理的），是匿名的运动学数据。是数字。不是人脸。
这是通过架构、而非通过政策来实现的 GDPR 与 HIPAA 合规。生物识别数据——某人面部和身体的视频——从不被存储、从不被传输、从不处于风险之中。这并不是事后才补上的考虑。我们围绕这个约束条件设计了整个系统，因为我们知道，除此之外的任何方案，企业客户都不会碰。
谁会为物理买单？
经过验证的运动，其背后的经济价值一旦你看清楚，就会令人震惊。
保险。保险公司目前为健身房会员资格提供折扣，而那只能验证位置，验证不了努力程度。有了经过验证的功能性运动数据——五个深蹲、五个弓步、一次平衡保持——保险公司就能评估稳定性、活动范围和对称性。这些都与老年人的跌倒风险以及总体代谢健康高度相关。基于经过验证的功能性能力、而非静态精算表来进行动态承保。第一个想明白这一点的保险公司将赢得市场。
企业健康。这是一个价值 600 亿美元的行业，企业为它们无法衡量的结果付费。员工摇晃手机来凑够步数目标，然后申领健康储蓄账户（Health Savings Account）的缴款。有了经过验证的活跃分钟数，作弊的门槛就变成了实实在在的身体付出。要在我们的系统上伪造一个俯卧撑，你基本上得造一个人形机器人——要不然，就干脆把这个俯卧撑做了吧。
远程康复。肌肉骨骼疾病是雇主的头号成本驱动因素之一。居家运动的坚持率出了名地低于 50%，而当患者真去运动时，他们又常常动作不规范，反而拖慢了恢复。一个监测处方规定的关节角度的 TCN，能为临床医生提供一个仪表盘，显示经过验证的依从性和质量趋势。远程治疗监测（Remote Therapeutic Monitoring）如今在美国已是一个可报销的 CPT 代码——这并非空谈。它是一条实实在在的营收来源。
边动边赚，做对了的版本。那些 Web3 健身项目之所以失败，是因为 GPS 极容易被伪造。我们为身体付出提供预言机（oracle）。以 TCN 验证为门槛的代币铸造，创造出一种经济体系，其供给上限取决于用户群体的身体能力，而不是作弊者的创造力。
"但大语言模型最终不会做到这一点吗？"
我经常听到这种说法。那种假设是：既然大语言模型在不断变强，它们最终就会解决一切问题，包括物理验证。
它们不会。而原因在于架构，不在于规模。
大语言模型被设计用来生成最可能的下一个 token。它们是概率性的。它们生成看似合理的输出。在创意和行政领域，这非常有用。但在物理验证中，"看似合理"正是敌人。一个医学诊断、一份康复方案、一次保险费率调整——这些都不能基于很可能正在发生的事情。它们必须立足于实际正在发生的事情。
再多的规模扩展也改变不了那个根本的目标函数。一个拥有万亿参数的大语言模型，优化的仍然是"可能性"，而不是"真相"。我们的 TCN 优化的是一段波形的物理特性——振幅、频率、相位、频谱纯度。这些是测量值，不是预测值。
我收到的另一个问题是："你们就不能在运动视频上微调一个视觉语言模型吗？"可以。它会告诉你"这看起来像个俯卧撑"。但它不会告诉你左肩承受的负荷比右肩多 15%，不会告诉你急动度曲线表明疲劳已提前开始，也不会告诉你动作深度在过去两分钟里已经退化了 8%。它给你的是一个标签。我们给你的是一份信号分析。
AI 行业痴迷于生成。我们痴迷于验证。这两者不是同一门学科，而把它们混为一谈，正是你最终会拿幻觉来给保险费定价的原因。
感觉与物理之间的那条界线
我常常想到这一点：整个数字健康行业都坐在一条界线的一侧，而其中大多数人根本没意识到这条线的存在。
一侧是我所说的感觉经济。自我报告的数据。来自可以被摇晃的设备的步数。来自可以被无视的视频的锻炼完成记录。看起来令人鼓舞的仪表盘。让人感觉正确的数据。它一直管用，直到有人去审计它，然后它就蒸发了。
另一侧是我们正在构建的：物理经济。经过验证的运动。测量出来的位移。量化的控制。可审计的资产。这种数据经得起审视，因为它从一开始就不是建立在信任之上的。
这两种经济之间的转变不是渐进式的。你不会仅仅因为给视频播放器加了个步数计数器，就走完了通往物理的 60% 的路。你要么测量那段波形，要么不测量。你要么验证那次动作，要么就只能听信用户的一面之词。
我们接触的每一家企业——每一家保险公司、每一个企业健康采购方、每一个远程康复平台——最终都会得出同一个领悟。他们一直在为"感觉"付费，却把它称作"数据"。而当他们看到经过验证的运动数据究竟是什么样子的那一刻，就再也无法当作没看见了。
我创办 Veriprajna，是因为我相信这十年里最重要的 AI 难题不是生成更好的文本。而是验证物理现实。每过去一个月，每有一个新的 LLM 套壳产品上线，每有一款健身应用又发布了一个配着徽章系统的视频播放器——我就更加确信这一点。
健康 AI 的未来不是更聪明的聊天机器人。而是诚实的测量。而物理，是不会产生幻觉的。
