你的 AI 健身教練慢了三秒，根本救不了你的脊椎
我看著一個人差點因為一款應用程式在錯誤的時機告訴他錯誤的資訊而弄傷了下背部。
他在班加羅爾的一家商業健身房裡，手機靠在一個啞鈴上，運行著那些號稱能「即時觀察你動作」的 AI 教練應用程式之一。他正在深蹲——重量不大，大概 80 公斤——在第四次動作左右，他的腰椎開始拱起。經典的「臀眨」（butt wink）。他 L4-L5 椎骨上的剪切力不斷攀升，椎間盤的壓迫從安全轉為危險。
應用程式震動了一下，說：「保持胸口挺起。」
但它是在他的第五次動作時才說的。而那一次他的姿勢其實完全正確。那個糾正是針對第四次動作的——三秒前，在生物力學上已是一個永恆——如今它卻讓他困惑，去過度糾正一個根本不需要糾正的動作。他在舉起途中做了調整，失去了核心穩定，我看著他的背拱得比之前更嚴重。
那一刻讓我在 Veriprajna 已經懷疑了好幾個月的某件事變得清晰起來：大多數健身 AI 公司所建構的整個架構不僅慢——它在生物力學上是危險的。從雲端 AI「看見」問題，到它的回饋抵達使用者之間的延遲落差，並不是一個小小的使用者體驗上的不便。它是一種責任風險。而在負重脊椎運動的情境下，它是糾正與受傷之間的差別。
沒有人談論的 200 毫秒預算
這裡有一個數字，應該刺在每一位健身科技創辦人的額頭上：200 毫秒。
這大約是人類感知一個視覺刺激並啟動運動糾正所需的總時間。對頂尖運動員來說，接近 150 毫秒。對一般健身房常客來說，大概 250 毫秒。聽覺和觸覺提示更快——25 到 100 毫秒。
這不是我的意見。這是生理學。它為任何想要即時指導人體動作的系統，創造了我所謂的「延遲預算」。如果系統的總延遲——從相機擷取一個畫面，到使用者感受到觸覺震動——超過 200 毫秒，回饋就會來得太晚，無法影響當前的動作階段。它變成了裝飾。或者更糟，變成了干擾。
現在來想想後蹲的運動學。下降需要 1.5 到 2 秒。底部的轉換——那個「反彈」，也就是你脊椎最脆弱的地方——通常不到 200 毫秒。如果你的腰椎在下降的中點開始屈曲，剪切力會立即飆升。指導提示需要在你觸及最大深度和負荷之前抵達。
一個在你脊椎拱起三秒之後才抵達的警告，不是指導。那是驗屍報告。
大多數建構 AI 健身產品的人不會想到這一點。他們想的是模型。他們想的是提示詞。他們想的是使用者介面。他們不去想回饋時機的物理學，也不想當你在一組連續動作中讓糾正與錯誤失去同步時，會發生什麼。
為什麼雲端 AI 無法應付即時健身？
我需要在這裡說得具體一點，因為「雲端很慢」是一個模糊的抱怨。讓我帶你走一遍：當健身應用程式把一個影像畫面送到 GPT-4o Vision 或 AWS Rekognition 進行動作分析時，實際上發生了什麼。
畫面擷取與編碼：50 到 100 毫秒。你的手機抓取一個 1080p 畫面，把它壓縮成 JPEG，通常還要進行 Base64 編碼以便 API 傳輸。你不能過度降採樣，因為你需要解析度來偵測像腳踝內翻這類細微的關鍵點。
網路傳輸（上行）：100 到 1,000 毫秒。這是事情變得難看的地方。健身房是射頻的噩夢——地下室、像法拉第籠一樣的金屬框架建築、擁擠的公共 Wi-Fi。在波動的 LTE 連線上上傳一張 2MB 的圖片，可能耗時從 200 毫秒到超過一秒不等。
伺服器佇列與推論：500 到 4,000 毫秒。請求抵達 OpenAI 或 Google 的伺服器，進入佇列。GPT-4o 的音訊延遲基準約為 320 毫秒，但視覺分析明顯更慢——依伺服器負載而定，通常是 2 到 4 秒。
回應傳輸與呈現：另外 250 到 600 毫秒，用於權杖（token）生成、下行、JSON 解析、文字轉語音。
把它們全部加起來。使用光纖 Wi-Fi 的最佳情況：約 1.5 秒。典型的健身房情境：3 到 5 秒。
我記得那個晚上，我和團隊坐下來，實際端到端測量了這個過程。我們一直假設雲端路徑「夠快」，因為行銷資料說是「即時」。我們架設了一個測試裝置——手機放在三腳架上，一位團隊成員做受控的深蹲，在管線的每個階段都打上時間戳記。當我們看到數字回來時，出現了一段長長的沉默。有人說：「所以我們基本上是在造一台行車記錄器，而不是一個保護者。」就在那一刻，我們廢棄了六週的工作，重新開始。
負向遷移問題
延遲落差不只是讓回饋遲到。它讓回饋有害。
在運動學習研究中，有一個被充分研究的現象，叫做負向遷移。它發生在回饋與它所指涉的動作失去同步的時候。在一組連續的練習動作中，3 秒的延遲意味著針對第 1 次動作的糾正，會在你正在執行第 2 次動作時才抵達。
你的大腦不知道回饋是過時的。它會把提示與你此刻正在做的任何事情連結起來。如果 AI 在你胸口已經抬起的那一次動作中說「保持胸口挺起」，你會下意識地把這個糾正連結到你當前（正確）的行為。你在第 3 次動作時過度糾正。你的姿勢惡化。而 AI，如果它還在觀察，現在會看到一個新的錯誤——一個由它自己造成的錯誤。
我曾深入地在我們研究的互動版本中撰文探討過這個回饋迴圈問題。運動學習的文獻很清楚：計時不完美的同步回饋，不只是無法幫助——它還會主動干擾大腦內在的錯誤偵測機制。
而且還有一個認知負荷的面向。在一次重量級的舉重中，運動員正在管理平衡、腹內壓、槓桿作用、呼吸。遲來的回饋就像一個神經認知的干擾源。針對「11+」傷害預防計畫的研究顯示，任何延遲感官處理的因素，都會減少可用於運動協調糾正的時間。AI 實際上是在從運動員的大腦中竊取處理能力，增加受傷風險，而不是降低它。
一個有延遲的 AI 保護者無法保護使用者。它在最糟糕的時刻，與使用者爭奪注意力。
當你把智慧移到手機上時，會發生什麼？
這正是故事開始轉變的地方。
現代智慧型手機都配備了專用的神經處理單元（NPU）——Apple Neural Engine、高通的 Hexagon DSP。這些晶片是專門為驅動神經網路的矩陣乘法運算而設計的。它們此刻就躺在你的口袋裡，大多處於閒置狀態，卻能以每秒 30 幀以上的速度運行複雜的電腦視覺模型，同時幾乎不消耗電池。
我們評估了三個開源的姿勢估計模型：BlazePose（Google 的 MediaPipe）、MoveNet（TensorFlow Lite），以及YOLOv11-Pose。每一個都有取捨，但對於一款準確度比多人追蹤更重要的專屬私人教練應用程式來說，BlazePose 明顯勝出。
為什麼？兩個原因。首先，它偵測33 個關鍵點——明顯多於標準的 17 點拓撲結構。這包括詳細的手部和腳部標記點，這對於分析臥推中的握距或深蹲中的腳部穩定性極為重要。其次，它推斷 3D 座標。這種 Z 軸估計意味著它能偵測旋轉動作——例如弓步中膝蓋向內塌陷——這是 2D 模型會完全錯過的。
在裝置端上的延遲計算，與雲端完全不同：
相機擷取：30 毫秒。NPU 上的推論：15 毫秒。角度計算邏輯：不到 1 毫秒。回饋觸發：不到 1 毫秒。
總計：大約 46 毫秒。遠低於人類反應時間 200 毫秒的門檻。AI 偵測並回應動作崩壞的速度，比使用者自己的神經系統察覺錯誤還要快。
有一個時刻——我想那是一個星期二的晚上，辦公室裡幾乎空無一人——我們第一次讓裝置端的管線端到端運行起來。我的一位工程師正在他的筆電相機前做徒手深蹲，骨架疊層以一種詭異的精準度追蹤著他。沒有延遲。沒有抖動。就在他膝蓋開始向內偏移的那一瞬間，觸覺震動打在他的手機上。他停下來，看著我，說：「感覺就像是它置身於動作之中。」那一刻，我就知道我們手上有真東西了。
你要如何阻止骨架不斷抖動？
原始的神經網路輸出充滿雜訊。由於像素量化和波動的模型信心值，關鍵點會逐幀抖動。如果你用原始資料計算膝蓋角度，即使使用者站著不動，數字也會跳來跳去——90°、85°、92°。這會讓體驗感覺像是壞掉了。
顯而易見的修正方法是平滑化。對最近 10 幀取平均，抖動就消失了。但你剛剛在 30 FPS 下引入了 333 毫秒的延遲。你重新引入了自己花好幾個月才消除的延遲。
我們使用1€ Filter——一種具有自適應截止頻率的一階低通濾波器。它是即時人機互動的業界標準，用於 VR 遊戲和精密游標追蹤。它的優雅之處在於它的自適應性：當使用者維持平板支撐（低速度）時，濾波器會積極地平滑處理，讓骨架看起來穩如磐石。當使用者蹲入深蹲（高速度）時，濾波器會退讓，把回應性置於平滑性之上。
人們有時會問我，我們為什麼不使用卡爾曼濾波器（Kalman filter）。卡爾曼濾波器在預測彈道軌跡方面很出色——飛彈、衛星。但人體動作是不規則且非線性的。要為橫跨數千種體型與動作模式的一般健身去調校卡爾曼濾波器，簡直是一場噩夢。1€ Filter 輕量、只用兩個參數就能輕鬆調校，並能優雅地處理人體動作的不可預測性。若想完整了解我們訊號處理方法的技術細節，請參閱我們的研究論文。
每小時 36 美元的健身夥伴
除了物理學之外，還有一個反對雲端健身 AI 的殘酷經濟論點，而大多數創辦人發現得太晚。
GPT-4o Vision 的輸入成本大約是每張圖片 $0.001。對於安全等級的動作分析，你至少需要每秒 10 幀。也就是每分鐘 600 幀。每分鐘 $0.60。每小時 $36。
沒有消費者會為一個自動化的健身夥伴支付每小時 $36。所以開發者只能做他們唯一能做的事：把幀率壓低到每 5 或 10 秒一次。這意味著這個產品現在在一組深蹲期間只檢查你的姿勢兩次。那不是保護者。那是一個意見箱。
我們曾有一場投資者會議——那是很早期的時候——有人看著我們的邊緣優先架構，說：「為什麼不直接用 GPT-4o？它現在能看影片了。」我在一張餐巾紙上算了成本。5 萬名月活躍使用者，每人每月做 10 次訓練，持續分析。光是 API 費用，每月就超過 $250,000。全場都安靜了下來。
有了邊緣 AI，分析一百萬次深蹲的成本，與分析一次深蹲的成本是一樣的：零。使用者的手機就是伺服器。
邊緣模型徹底翻轉了經濟模式。應用程式一旦被下載，運算就發生在使用者那台 $1,000 的 iPhone 上。沒有 API 呼叫，沒有頻寬成本，沒有伺服器擴充。如果應用程式一夜爆紅、獲得 10 萬名使用者，基礎設施的帳單也不會改變。這個架構是無限可擴展的，因為根本沒有什麼需要擴展。
那電池耗電呢？
這是每個工程師提出的第一個反對意見，而且它是合理的。每秒運行神經網路 30 次，聽起來像是一個讓手機在 20 分鐘內就沒電、燙到能煎蛋的配方。
但數據講述了一個違反直覺的故事。智慧型手機的耗電主要由兩件事主導：螢幕和行動通訊無線電。持續將影片串流到雲端，會讓無線電保持在高功耗狀態，這是一個巨大的電池殺手。相較之下，本地 NPU 推論是專門為低功耗運作而設計的——每次運算的效率比通用 CPU 高出好幾個數量級。
我們在此之上疊加了三個緩解策略：自適應幀率（在休息期間壓低到 1 FPS）、int8 量化（將模型的權重從 32 位元縮減到 8 位元，把大小減少為原本的四分之一，而準確度損失可忽略不計），以及遲滯冷卻（監控裝置的熱狀態，並在作業系統強制硬性節流之前，主動切換到較輕量的模型）。在我們的測試中，長達一小時的訓練都能舒適地運行，不會過熱或對電池造成顯著影響。
沒有人夠大聲提出的隱私論點
這件事還有一個超越效能與成本的面向，而它正是那個讓我夜不能寐的面向。
雲端健身 AI 意味著把你身體的影片串流到遠端伺服器。生物特徵資料——身體幾何、步態模式、動作特徵——在伊利諾州的 BIPA、歐洲的 GDPR、加州的 CCPA 之下受到嚴格監管。對於在沒有滴水不漏的同意與保留政策下收集這些資料的公司來說，法律風險是巨大的。光是 BIPA 就已經催生了大規模的集體訴訟和解。
有了邊緣處理，影像畫面存在於裝置的 RAM 中，並且立即被丟棄。它們永遠不會被寫入磁碟。永遠不會被傳輸。使用者始終保有對自己資料的所有權。
一個在飛航模式下也能運作的應用程式，正在做出一個任何服務條款頁面都無法比擬的隱私承諾。
我發現，當我們告訴使用者「你的影片永遠不會離開你的手機」時，那種信任的轉變是可以明顯感受到的。對他們來說，這不是一個法律論點。這是一種直覺。他們放鬆下來。他們真的會在自己的臥室或車庫裡使用這個應用程式——那些他們絕不會對著連上雲端伺服器的相機的地方。
那麼，雲端的定位在哪裡？
我不是反對雲端。我反對的是把雲端用在錯誤的工作上。
我們建構了我心目中那種具有兩個迴圈的混合架構。其中的熱迴圈在裝置端運行：NPU 上的 BlazePose，低於 50 毫秒的延遲，負責安全、保護、次數計算。它處理高頻率的影片，並在使用後將其丟棄。回饋是即時的——一次觸覺震動，一個簡短的音訊提示，像是「膝蓋向外」。
而冷迴圈則在雲端運行，但它從不接觸影片。它接收輕量的 JSON 元資料——「第 1 組：平均深度 90°、脊椎角度 170°、第 4 次動作出現姿勢崩壞。」一個 LLM 會在數分鐘或數小時內處理這些資料，生成個人化的洞見：「你的姿勢在第 4 組時持續惡化。下週我們來降低訓練量、建立耐力。」
這讓你擁有 GPT 那種對話式的智慧——「我的訓練狀況如何？」——同時又不犧牲邊緣保護者的速度。傳送到雲端的資料是幾 KB 的數字，而不是幾 GB 的影片。隱私的暴露面積縮小到幾乎為零。
有人問我，這種混合方法是不是意味著，一旦模型變得更快，我們只是在延緩那不可避免地全面轉向雲端的行動。我不這麼認為。網路傳輸的物理學不會改變。光在光纖中傳輸有速度上限。基地台會壅塞。健身房永遠都會是射頻不友善的環境。而那個根本的洞見——使用者的手機早已具備完成這項工作的運算能力——只會變得更加真實——隨著每一代硬體推進都是如此。明年手機裡的 NPU 將會是今年的兩倍快。這道差距正朝著對我們有利的方向擴大。
架構就是產品
過去一年，我一直在主張一個讓 AI 健身領域裡某些人感到不自在的立場：你對架構的選擇不是一個技術實作細節。它就是產品。
如果你的架構引入了 3 秒的延遲，你打造的就不是一個保護者。你打造的是一個評論員。如果你的架構需要把影片串流到伺服器，你打造的就不是一個尊重隱私的產品。你打造的是一個披著健身外皮的監控工具。如果你的架構讓每個使用者每小時花費 $36，你打造的就不是一門生意。你打造的是一個試玩品。
這個產業被大型多模態模型的能力所誘惑——而在正確的使用情境下，那些能力確實令人印象深刻。長篇影片分析、對話式指導、個人化編排。但一個 3 秒推論管線的正確使用情境，絕不是負重脊椎運動期間的即時傷害預防。
在生物力學裡，800 毫秒是一段永恆。如果你的 AI 無法比人類神經系統回應得更快，它就不是一個教練——它是一名觀眾。
你口袋裡的手機有一顆晶片，被設計成能以思考的速度運行神經網路。相機早已對準使用者。觸覺馬達也早已就位。你打造一個真正能看見運動員的系統所需的一切——而不是一個觀看他們延遲影片的系統——就躺在使用者的手中。
每一家健身科技公司都需要誠實回答的問題是：你的應用程式是在觀看一段影片，還是在保護使用者？因為運動員的脊椎不在乎你的行銷文案。它只在乎毫秒。
