我們打造了一個能數出完美深蹲的 AI，卻沒發現一位 62 歲患者的膝蓋全程都在向內塌陷

有一個畫面我總是反覆想起，它被凍結在我們程式庫某處的一台筆電上：一個 33 點的骨架疊加在一名男子身上，他正在自家客廳做徒手深蹲。這是大約 90 幀中的第 58 幀。那是我們軟體畫出來的——他髖部、膝蓋、腳踝上的圓點，還有連接它們的綠色線條。手機相機以每秒 30 幀捕捉到這一刻，而我們的系統早已為這一下動作評了分。

它把這一下評為「良好」。

這名男子 62 歲，前十字韌帶（ACL）重建手術後八週，做的正是物理治療師為他開立的運動。而在那一幀裡，他的左膝正在向內塌陷——朝著身體中線偏移了大約四公分，偏離了髖部與腳踝本應維持的那條直線。在一名健康的 30 歲年輕人身上，這只是一下馬虎的動作。但在一個 ACL 術後的膝蓋上，這種向內塌陷正是會重新撕裂你剛花錢請外科醫師植入的移植韌帶的特定力學模式之一。

我們的 AI 卻把它算成了一次成功。正是那個早晨，讓我能夠帶著幾分把握告訴你，健身 AI 真正困難的問題究竟是什麼——以及為什麼幾乎沒有人在解決那個真正重要的部分。

姿態估計是感測器，而不是大腦。

有件事我真希望在我們寫下第一行程式碼之前就有人告訴我：大家以為困難的那部分其實是免費的。

透過相機追蹤人體——找出關節、畫出骨架、逐幀追蹤 33 個關鍵點——是一個已經解決的問題。Google 的 BlazePose 和 MoveNet、MediaPipe 框架，全都是開源的，而且能在你口袋裡的手機上運行。地球上每一家健身 AI 公司都在使用同樣那幾個姿態估計函式庫。那裡沒有護城河。我是用昂貴的方式學到這一點的——起初我相信的正好相反。

姿態估計告訴你膝蓋在哪裡，卻不會告訴你膝蓋是否有麻煩。

真正困難的問題位於上一層。那是詮釋：得知四公分的向內偏移意味著膝外翻，而膝外翻是一種再次受傷的風險——對這位有著特定病史的特定患者而言，而且它應該觸發臨床醫師警示，而不是一段「做得好」的動畫。感測器已經商品化，大腦卻沒有。那道鴻溝——介於感測一個動作與理解它之間——才是整場比賽的全部，也正是我們最終為之打造了運動驗證引擎。

直到我們自己的產品一頭栽進那道鴻溝，我才真正理解了它。

那個說謊的「良好動作」計數器

剛開始時，我們做了看起來顯而易見又快速的事。我們拿姿態模型輸出的關鍵點，寫了一些幾何運算來測量關節角度，設定一個閾值——膝蓋彎曲超過這個角度，就計算一下——然後推出了一個乾淨俐落的小引擎，會計算重複次數並閃現姿勢提示。它示範起來很漂亮。次數不斷往上跳。綠色的勾勾。在會議室裡，它看起來就像一個完成的產品。

那段深蹲影片打破了這個幻覺。我們手邊就有一份 CSV，裡面是逐幀的資料——我能看到在下蹲過程中，患者左膝的水平位置從第 45 到第 72 幀向內側滑移。我能看到他的膝蓋在規定目標是 90 度時，屈曲只達到 78 度。我能看到下蹲花了大約一秒，而站起來卻花了超過兩倍的時間——這個 2 比 1 的比例大聲宣告著：他是靠慣性往下墜入深蹲，然後再艱難地磨著站起來。

三個各自獨立的警訊。深度不足、向內塌陷，以及代償性的節奏。任何物理治療師只要瞥一眼那段影片，都會叫停這次訓練。而我們的軟體，看著一模一樣的數字，回傳的卻是：動作完成，姿勢良好。

那正是我本人力主的失敗。當初就是我說「我們先弄個能計算次數的東西，再慢慢迭代」——那個精實的做法、那個能出貨的做法。而這個精實的做法其實是主動地危險，因為它給了一位正在康復的患者充滿信心的正面回饋，而他卻正在強化他的外科醫師拚命想要消除的那個確切動作。

一個無法分辨安全深蹲與不安全深蹲的次數計數器，並不是這個產品的縮小版。它是穿著正確產品外衣的錯誤產品。

那一幀底下的教訓是：原始的姿態資料是必要的，卻遠遠不夠。78 度在抽象意義上並不「糟糕」——對一位 ACL 術後第八週、兩週前還只有 60 度的患者來說，這可能恰恰是剛剛好的進步幅度。同一個數字究竟是成功還是警訊，完全取決於是誰在動、以及他們處於康復的哪個階段。固定的閾值撐不起這一點，智慧必須撐起它。

為什麼準確度落差讓這件事更難，而非更容易

我要補充那些示範永遠不會給你看的部分，因為我們也花了好一陣子才真正尊重它。單一支手機相機並不是一間動作捕捉實驗室。

當研究人員將單目姿態估計與 Qualisys——那套診所用來進行真正生物力學分析的黃金標準、多相機標記系統——正面對決時，MediaPipe 在下肢的相關性約為 0.80，在上肢約為 0.91。相當不錯。但像膝關節屈曲角度這類的誤差，在 2D 下可以從 9 度到 22 度不等，而 2025 年一篇刊登於Nature Scientific Reports的論文則坦率地指出，單相機系統「無法提供準確的深度估計」。鏡子、昏暗的客廳燈光、有花紋的緊身褲、遮住半個身體的沙發——這其中每一項都讓訊號進一步劣化。

所以你是在一個充滿雜訊的感測器之上建構臨床判斷。這聽起來像是個放棄的理由。但它其實正是詮釋層必須聰明而非死板的原因。如果你的系統把原始的 78 度讀數奉為聖旨，光是相機雜訊就會讓它在一下又一下之間，在「通過」與「不通過」之間反覆搖擺。智慧層的工作之一，就是權衡該相信哪些讀數——跨幀平滑處理，把那些能在雜訊中存活下來的模式（持續的向內側偏移）看得比撐不住的（單幀的抖動）更重，並且誠實面對信心程度。我們在這方面倚重時序模型；一種名為時序卷積網路的網路，能在一支中階手機上、遠低於兩毫秒的時間內，達到 98.7% 的動作辨識準確率，小到足以完全在裝置上運行。但架構本身的重要性，還比不上這個原則：你不是靠假裝感測器完美無缺來建立確定性，而是靠針對「它並不完美」這個事實來設計，才建立起確定性。

Hinge Health 難道還沒解決這個問題嗎？

大約在這個時候，我開始不斷聽到「這不是早就解決了嗎？」這個問題，通常來自投資人，偶爾來自凌晨兩點的我自己。肌肉骨骼（MSK）照護領域的巨頭是真實存在的，而且規模龐大。所以，讓我精確地說明他們做了什麼，以及那扇門仍然開在哪裡。

Hinge Health 預估 2026 年營收將達 7.32 億美元。他們打造了用於關節分析的 TrueMotion 電腦視覺技術，以及一個名為 Robin 的分診助理，而且有臨床結果為其背書——在他們的患者當中，脊椎融合術與膝關節置換術的比例遠遠低於傳統照護。Sword Health 於 2026 年 1 月以 2.85 億美元收購了 Kaia Health，將 Kaia 的「Motion Coach」電腦視覺併入 Sword 的穿戴式感測器平台，據報導還在募集另外五億美元。這些都是難以匹敵的公司。

它們同時也是封閉的黑盒子。它們的驗證技術被焊死在自家的照護模式上，賣給企業雇主，以「終點站」的方式定價與包裝——而不是你可以放進自己正在打造的物理治療平台或健康 App 裡的東西。如果你經營一家物理治療軟體公司，並且希望在你自己的產品內部擁有經過驗證的運動資料，Hinge 和 Sword 並不會把那個賣給你。他們賣給你的，是與你競爭的那個東西。

這個領域的其餘玩家則涇渭分明。Peloton IQ 於 2025 年 10 月推出了姿勢追蹤相機——但那是消費者健身，被鎖死在 Peloton 硬體上，沒有臨床能力。Kemtai 提供一個以瀏覽器為基礎、追蹤 44 個標記點的 B2B 視覺平台，這確實很有用，但它屬於一般健身，而且它的姿勢規則是一體適用的，無法針對每位患者、每項運動個別設定。在計費這一端，Limber Health 和 MedBridge 把遠端監測的工作流程處理得很好——Limber 的患者完成的居家運動次數超過三倍——但它們管理的是監測的文書作業；它們並不會獨立驗證這項運動是否被正確地完成。

市場上有些公司能驗證動作，卻不讓你在它們之上建構；也有些公司能處理計費，卻無法驗證動作。這道空缺，需要的是一個能完成驗證、又能住在你自己產品內部的引擎。

那道空缺並不是一個研究問題。它是一個整合工程問題，而正是這個區別，讓一支專注的團隊得以在這裡勝出。

為什麼一個次數計數會通不過 RTM 稽核？

對於與我們合作的那些物理治療平台來說，當給付的算式一改變，這件事就不再只是紙上談兵了。

只有大約 35% 的患者能完全堅持完成他們的居家運動計畫——其餘大多數人在第一個月內就放棄了——而且眾所周知，你一問患者，他們就會誇大回報。臨床醫師都知道，這些自我回報的資料是虛構的。他們真正想要的是遠端治療監測（Remote Therapeutic Monitoring）：一組 CMS 計費代碼（98975 至 98981），用來為兩次就診之間監測患者肌肉骨骼康復狀況付費。這是真正持續性的收入。

問題在於 RTM 文件所要求的東西。要為它計費並通過稽核，你需要由裝置蒐集的資料——附帶時間戳記，並綁定一個真正改變了治療計畫的臨床決定。一個次數計數過不了這道關。「患者做了 30 下深蹲」和「患者的動作品質下降，於此日期觸發了一次療程方案調整」並不是同一回事。這正是我們的次數計數器會讓一家診所陷入風險的地方。我記得有一位物理治療師客氣地告訴我們，她沒辦法用我們的資料來計費，因為它只告訴她他確實運動了，而不是如何運動——而「如何」才是整個臨床與法律上的重點所在。

接著，門檻降低了，而賭注同時也升高了。CMS 2026 年最終規則新增了兩個代碼——98979 和 98985——並把監測門檻從 16 天一路降到最少只要 2 天，管理時間的最低要求也從 20 分鐘降到 10 分鐘。突然之間，可計費的患者多出了許多。但文件標準並沒有放寬：它仍然要求綁定治療決定的裝置資料。更多診所湧入 RTM，意味著更多診所產出的，正是那種撐不住場面的、單薄的、只有計數的資料。給付的機會與文件的風險，是在同一口氣之間一起長大的。

與此並行的，還有一道會形塑你如何建構產品的法規邊界。FDA 於 2026 年 1 月的指引，讓一個純粹定位為「健康養生」的工具得以繞開醫療器材的分類——對一個計步器來說沒問題。但只要你做出臨床聲明——而 RTM 驗證本質上就是在做這件事——你就有可能踏入「軟體即醫療器材」（SaMD）的領域，連帶而來的是相應的驗證與監管。所以，同一套引擎必須被設計成能依據客戶所主張的內容，在那條界線的任一側生存，而這不是你會想太晚才發現的決定。

所以，對這些平台而言，一個經過驗證的運動引擎並不是一項「有了很好」的功能。它是「能通過稽核的 RTM 收入」與「淪為被追討回去的 RTM 收入」之間的區別。

現場的另一位買家：不帶監控的健康養生

我差一點就怠慢了這第二位買家，我很慶幸我們沒有——這裡的人性素材同樣鋒利。

企業健康養生主管們，正盯著同一個問題的另一個版本。肌肉骨骼問題在直接支出上，每年每名員工要花掉雇主大約 486 美元，再加上估計 3,105 美元的生產力損失——每人合計 3,591 美元。多達 36% 的 MSK 手術是不必要的，形成對勞動力大約 900 億美元的拖累。市場的反應極為龐大：企業健康養生的支出在 2026 年將達到 1,000 億美元，而在 2025 年有 83% 的大型雇主提供了虛擬 MSK 照護，到了 2027 年，幾乎他們全部——96%——都打算這麼做。

然而，實際使用公司所提供計畫的員工，卻只有大約四分之一。超過一半的人表示，他們根本不情願把健康資料分享給雇主。在經歷了多年「甩動 Fitbit、造假步數」的鑽漏洞醜聞之後，員工們已經學到，「健康養生驗證」往往意味著「我的老闆正在盯著我」。在我們早期一個試點專案中，一位人力資源長（CHRO）用那種半開玩笑、又不完全是玩笑的口吻問我，我們所打造的東西「是不是感覺像監控」。那是所有人問過我們最有用的一個問題，因為誠實的第一個答案是：它有可能是。

那個異議重新改寫了我們的架構。讓運動驗證得以成真的那些骨架關鍵點，在法律上其實是一片雷區——身體動作的模式能像指紋一樣重新辨識出一個人的身份，這使得姿態資料正好落入了諸如伊利諾州 BIPA 與歐洲 GDPR 這類生物特徵隱私法的討論範圍之內。光是 2025 年，伊利諾州就有 107 起新的 BIPA 集體訴訟被提起。目前還沒有人因為姿態估計而控告過某個健身 App，但這套法律論證已經完全組裝就緒，正在等待。

對於「這感覺像不像監控」這個問題，解方原來並不是一份隱私政策，而是一項設計上的約束：原始影片與骨架永遠不會離開手機。

我們在裝置端處理動作，只傳輸彙總過的合規訊號——規定的運動已經完成，達到這樣的品質，在這個日期——絕不傳輸影片，絕不傳輸關鍵點。雇主得到的是經過驗證的參與紀錄。員工的身體資料則留在員工自己的裝置上。這是我唯一真正願意讓別人拿來用在我自己身上的企業運動驗證版本。

「但一支手機相機不是永遠都不夠準確嗎？」

人們把準確度的天花板拿來當作這件事行不通的理由，而我很認真看待這一點——我只是認為它其實指向相反的結論。是的，一支單目相機永遠比不上一間造價十萬美元的標記實驗室。但臨床上的實用性並不需要實驗室等級的角度。它需要的是可靠地捕捉那些真正重要的模式：持續的膝蓋向內偏移、一週比一週退步的深度、一個透露出代償的節奏。即使穿過相機的雜訊，這些依然是穩健的訊號，只要詮釋層是為了找出它們、並忽略抖動而打造的。目標從來就不是測量出 90.0 度。而是要知道：這一下動作，對這個人來說，在今天，正朝著錯誤的方向移動。

我還常被問到的另一個問題是：大家在各種研討會上聽到的那波新的「agentic AI」浪潮，是不是會讓量身打造的生物力學工作變得過時。恰恰相反。一個會調整患者運動計畫的自主健康代理（agent），其可信度完全取決於它底下的資料。你要是把一個代理指向次數計數，它就會滿懷信心地把一位患者「優化」得更深地陷入傷害。運動智慧層，正是那個讓代理式監測變得安全、而非魯莽的東西。上層的代理越聰明，它底下的驗證是否真正理解動作，就越發重要。

那一幀凍結的畫面教會我的事

我們圍繞著一個單一的想法重建了整個引擎：閾值不是一個數字，它是一個臨床決定，而且它屬於臨床醫師。針對「ACL 術後第 8 週」設定的深蹲深度目標，和針對「70 歲、膝關節置換術後」或「30 歲的企業運動員」設定的目標並不相同。所以我們讓閾值變得可以設定——由臨床醫師針對每位患者、每項運動去設定——並且我們把輸出打造成 RTM 計費和一位緊張的健康養生買家兩者都真正需要的東西：結構化、帶時間戳記、對應到療程方案、又尊重隱私的合規資料。相機進去，具臨床意義的決定出來。如果你想了解那整條管線是如何拼接在一起的完整樣貌，它就在我們的解決方案頁面上。

我至今仍會想起那位 62 歲、正在做深蹲的男子，他信任著一個綠色的勾勾，而那個勾勾根本不知道他的膝蓋正在向內折。他每一件事都做對了。他準時出現，他認真做了，他遵照指示。軟體悄無聲息地辜負了他，以一種只有受過訓練的眼睛才會察覺的方式——而把 AI 放進他客廳裡的整個承諾，本該是：那雙受過訓練的眼睛會永遠都在。

一個次數計數器看著一具身體移動。一個運動驗證引擎則知道這個動作意味著什麼。在這兩句話之間，橫著一個正在康復的膝蓋、一個可計費的臨床決定，以及一位正在決定要不要信任那個盯著自己看的東西的員工。那不是技術上的一道空缺。那就是這份工作的全部。