你的健身 App 分不出你有沒有作弊——這是個價值數十億美元的問題
去年十一月，我看了一場讓我腦中某個東西徹底崩塌的示範。
一家企業健康管理供應商正向一屋子保險業高階主管推銷他們的「AI 驅動健身平台」。這場示範很花俏——螢幕上的使用者做著深蹲，App 數著次數、頒發積分，整套遊戲化包裝一應俱全。高階主管們讚許地點頭。接著我提出了一個讓全場鴉雀無聲的問題：「如果使用者只是上下晃動三英寸，而不是真的深蹲，會怎麼樣？」
供應商笑了笑。「嗯，我們信任我們的使用者會——」
「你信任他們，」我說。「但你卻要求這家保險公司根據那份信任來為風險定價。」
就在那一刻，我知道我們在 Veriprajna 打造的東西是對的。不是又一個聊天機器人。不是又一個包裹著 GPT 的外殼。而是這個產業迫切需要、卻始終不知該如何表達的東西：不生成答案、而是驗證物理現實的 AI。
健身與數位健康產業有個不可告人的秘密。價值 600 億美元的企業健康管理市場、保險折扣方案、邊動邊賺（move-to-earn）加密貨幣專案——它們全都建立在一經稽核就瓦解的數據之上。而沒人願意談論這件事，因為儀表板看起來一片大好。
我要來談談它。
為什麼你的健身 App 無法分辨你是否真的運動了？
以下是市面上幾乎每一款健身 App 的架構：它就是一個外掛了推薦引擎的影片播放器。你按下播放，教練做伏地挺身，你應該跟著做，影片結束時，App 就把這次運動記錄為「完成」。它從通用表格估算你的熱量消耗。它頒給你一枚徽章。
App 從頭到尾都沒有驗證你是否真的動過。
這款 App 假設「觀看等於完成」。它問：「你做了這些運動嗎？」然後不加質疑地接受「有」作為答案。
這不是什麼小眾的抱怨。這是一個價值數十億美元產業的根本架構。而它失敗的原因，是任何行為經濟學家都能預見的。
有一個原則，叫做坎貝爾定律（Campbell's Law）——社會學家唐納德·坎貝爾（Donald Campbell）觀察到，你越是用某個指標來做決策，人們就越會扭曲那個指標。把金錢綁在步數上，人們就會把 Fitbit 綁在吊扇上。把保險折扣綁在「運動完成」上，人們就會一邊吃晚餐一邊讓影片播放。
這並非假設。還記得 STEPN 這個邊動邊賺的加密貨幣專案嗎？它之所以崩潰，部分原因在於協定偵測有效動作的能力，與使用者用 GPS 偽造定位和機械搖擺器造假的能力之間的軍備競賽。當驗證薄弱時，詐欺就變得理性。誠實的參與者反而受罰。提供獎勵的一方則走向破產。
我一再回想起一句話，最後我在每一場推銷會議上都會說：你無法把你無法驗證的東西遊戲化。
我們意識到姿態估計並非智慧的那一夜
我們並非一開始就有這個洞見。我們是誤打誤撞才發現的。
早期，我的團隊對姿態估計感到興奮——像 BlazePose 和 MoveNet 這類能從影片中擷取骨骼關節座標的函式庫。我們心想，太好了，我們可以用這些來打造一套健身驗證系統。我們花了數週整合 MoveNet，讓乾淨的骨骼資料從手機攝影機串流出來，然後我們坐下來，真正開始使用這些資料進行驗證。
爭論就是從那時候開始的。
我的一位工程師堅信我們快完成了，他調出了一張骨骼資料的單幀畫面——一個手肘彎曲、軀幹下沉的人。「看吧？伏地挺身，」他說。
「是嗎？」我問。「他們是正在往下還是往上？他們維持那個姿勢是三十秒還是三十毫秒？他們是因疲勞而顫抖，還是完全在控制之中？」
單一幀什麼也告訴不了你。某一時刻的骨骼座標在語意上是空洞的。這就像遞給某人一份心電圖（ECG）的原始電壓讀數，然後要求對方做出心臟診斷。感測器提供的是資料。智慧負責詮釋訊號。
我們打造了一個非常出色的感測器。我們打造的智慧卻是零。
那是艱難的一週。我們太過專注於電腦視覺這一塊——取得乾淨的關節座標——以至於把前提條件跟解決方案搞混了。而這個領域的每一個競爭對手都在犯同樣的錯誤，把姿態估計行銷成「AI 驅動的健身」，但它其實只是一把花俏的尺。
我在文中更深入地探討了這場典範轉移——從視覺到訊號處理——詳見我們研究的互動版本。但核心的體悟很簡單，而它改變了我們之後打造的一切。
如果人體是一種無線電訊號呢？
以下就是解鎖我們整套方法的重新框架。
當一個人做深蹲時，其髖關節的垂直位置會隨時間描繪出一道波。這不是比喻——是字面上的。它是一個正弦訊號。開合跳會在肩部角速度上產生週期性的波形。走路則會在下半身各處產生複雜的多諧波訊號。
人體在進行重複性運動時，就是一台機械振盪器。
一旦你這樣看待它，你就不再想著電腦視覺，而開始想著訊號處理。突然間，你就能運用一整套完全不同的數學工具箱：
- 振幅告訴你深蹲的深度
- 頻率告訴你節奏
- 相位告訴你左右兩側是否協調
- 頻譜純度告訴你動作是受控的還是抖動的
我們不再要求 AI「猜測」正在進行的是什麼運動。我們是在測量一道波形的物理特性。問題從「這看起來像什麼？」轉變為「這能測量出什麼？」
我們把人類活動辨識（Human Activity Recognition）重新定義，不是當成一個影像分類問題，而是當成一個數位訊號處理問題。就這一個決定，讓驗證成為可能。
但原始的訊號處理——傅立葉轉換之類的——一旦套用到真實的人體動作上就很脆弱。人們會改變速度。攝影機角度會移動。手臂會遮擋腿部。你需要深度學習來處理這些雜訊。問題是：該用哪種架構？
我們為什麼捨棄了 LSTM
如果你在過去十年上過任何一門機器學習課程，你學到的是：序列資料就意味著循環神經網路。LSTM——長短期記憶網路（Long Short-Term Memory）——曾是黃金標準。文字、音訊、時間序列——一切都要經過 LSTM。
我們試過了。它行不通。至少不是以我們需要的方式運作。
這些問題是根本性的，不是調整超參數就能修好的。LSTM 依序處理資料——要計算第 100 幀發生了什麼，你必須先處理第 1 到第 99 幀。在一支即時運作的手機上，那種序列瓶頸所造成的延遲會毀掉使用者體驗。你不能在某人已經站起來兩秒後，才告訴他「蹲低一點」。
更糟的是，LSTM 會遺忘。它們的「記憶」在長序列中會衰退。一段五分鐘的瑜伽組合，或一場五十次的伏地挺身挑戰，會產生數千幀，而到最後，模型已經失去了最開始的脈絡。我們把這視為漂移（drift）——模型對自己計數的信心會隨時間侵蝕，就像一個人在腦中數著數著就數亂了。
有一次團隊會議，我們把數字攤開來看。延遲無法接受。記憶不可靠。在數千個並行的企業串流上運行 LSTM 的運算成本高得令人卻步。有人說：「也許我們得重新思考整個架構。」
另一個人說：「也許我們需要的是卷積。」
那個人是對的。
時序卷積網路究竟是如何運作的？
時序卷積網路（Temporal Convolutional Networks）——TCN——採用了徹底革新影像辨識的卷積架構，並將其應用到時間域上。你不是在影像的像素間滑動一個濾波器，而是在訊號的時間步之間滑動它。但有兩個設計上的選擇，讓 TCN 與過去的一切截然不同。
第一：因果卷積。網路在時間t只會查看來自時間t及更早之前的資料。它從不偷看未來。這聽起來理所當然，但它是一項數學上的保證，對即時驗證極為重要。我們不是在一組動作結束後才回溯判定某一次是否有效——我們是在它發生的當下就驗證它。
第二，而這是至今仍讓我興奮的部分：膨脹卷積。網路不是看相鄰的時間步，而是在它所檢視的點之間引入間隔。而那個間隔會隨著每一層以指數方式增長。第 1 層看相鄰的幀。第 2 層跳過一個。第 3 層跳過三個。到了第 10 層，單一個濾波器就能捕捉到 512 幀的視窗。
這意味著網路可以同時關注此刻正在發生的事——在這特定一幀上，膝蓋是否正向內塌陷？——以及過去三分鐘裡一直在發生的事——動作的週期性是否正以某種暗示疲勞的方式衰退？
一個採用膨脹卷積的 TCN，既能看見單一幀的瞬時物理特性，也能看見整場運動的長期時間脈絡。沒有其他架構能讓你一次同時擁有這兩者。
而且因為卷積是平行運算，而非序列運算，整套系統跑得夠快，足以進行即時的行動裝置推論。訓練也更快——沒有梯度爆炸，沒有梯度消失，只有穿過固定深度網路的穩定反向傳播。
若想看完整的技術拆解——包括與 LSTM 的效能對比數據，以及我們訊號分析背後的數學——請參閱我們的研究論文。
在不知道一次動作是什麼的情況下計算次數
我們早期的一個設計決定引發了爭議，即使在團隊內部也是如此。
大多數嘗試計算次數的健身 App，都會為每一種運動訓練一個特定的模型。一個「伏地挺身計數器」。一個「深蹲計數器」。一個「二頭彎舉計數器」。這意味著每一種新運動都需要新的訓練資料、新的標註、新的部署。它很脆弱，而且無法規模化。
我們走了一條不同的路。我們打造了一套類別無關、基於時間自相似性的計數系統。其概念是：如果一個動作是重複性的，那麼訊號會在固定的間隔上與自身相似。你不需要知道是什麼運動。你只需要偵測到訊號正在重複。
TCN 會把骨骼姿態序列映射成一個壓縮後的表徵，然後我們計算每一對時間步之間的相似度。重複性動作會呈現為一種獨特的視覺模式——一條條高相似度的平行線。這些線之間的距離就是每次動作的持續時間。而線條的強度則告訴你這些動作有多一致。
這套方法適用於深蹲、壺鈴擺盪、划船、開合跳，或是物理治療師下週二才發明出來的任何復健動作。我們偵測的是重複這件事本身的物理特性，而不是運動的身分。
我承認曾有過一絲懷疑。一位投資人告訴我：「直接用有影片輸入的 GPT-4 就好了。它能數伏地挺身。」我請他試試看：讓一個人以不定的速度做四分之一幅度的動作，同時一個幼兒走過鏡頭。之後他就不再提這件事了。
當你測量的是動作品質、而不只是計數時，會發生什麼事？
計數是必要的，但遠遠不夠。有人可以用一英寸的活動範圍做五十下「伏地挺身」。計數器往上跳。但物理告訴你什麼也沒發生。
我們打造了三項指標，把次數計數轉化為品質評估。
深度。我們追蹤關鍵關節的軌跡——深蹲時的髖部、伏地挺身時的胸部——並對經過 TCN 過濾的訊號進行峰值偵測。唯有位移超過一個生物力學門檻，一次動作才算有效。這不是一種看法。它是對關節實際移動了多遠的測量。
控制。在訊號處理中，「加加速度」（jerk）是位置的三階導數——加速度的變化率。高加加速度意味著顫抖、不穩定，或是利用慣性來作弊。我們計算一個標準化的版本，稱為對數無因次加加速度（Log Dimensionless Jerk）。分數高代表這個人正在勉強撐著，或是靠甩動身體來完成動作。在復健與企業健康管理中，這是傷害風險的一項領先指標。
對稱性。我們比較左右兩側之間的訊號能量與相位。一個不對稱指數能揭露某人在深蹲時何時偏重某一條腿——這往往是傷害的前兆，或是復健尚未完成的徵兆。這項指標不可能靠自我回報。你感覺不到 12% 的不對稱。但訊號可以測量出來。
一個「Veriprajna 經驗證的動作」不是一個勾選框。它是一個資料封包，包含時間戳記、骨骼關鍵點雜湊值、TCN 信心分數，以及運動學遙測數據——深度、速度、加加速度、對稱性。它可稽核。它不可竄改。它就是主張與證據之間的差別。
讓企業客戶點頭答應的隱私架構
我得回應一件人們總是問我的事：「你們在分析人們對著鏡頭做運動。這怎麼不會是一場隱私惡夢？」
如果我們把影片串流到雲端，那確實會是。但我們沒有這麼做。
手機會在其神經處理單元（Neural Processing Unit）上運行一個輕量級的姿態估計器。它擷取的是骨骼座標——只是代表關節位置的數字。區區幾 KB 的資料。影片幀會被立即丟棄。沒有任何像素資料離開裝置。傳輸到我們雲端引擎的（或在高階手機上於裝置端處理的）是匿名的運動學資料。是數字。不是臉孔。
這是靠架構、而非靠政策達成的 GDPR 與 HIPAA 合規。生物特徵資料——某人臉部與身體的影片——從不儲存、從不傳輸、從不處於風險之中。這不是事後才補上的想法。我們是圍繞著這項限制來設計整個系統的，因為我們知道企業客戶不會碰其他任何做法。
誰會為物理買單？
一旦你看清了經驗證動作的經濟效益，那規模令人咋舌。
保險。保險公司目前針對健身房會員資格提供折扣，但那驗證的是地點，而不是努力。有了經驗證的功能性動作資料——五下深蹲、五下弓步蹲、一次平衡維持——保險公司就能評估穩定度、活動範圍與對稱性。這些都與年長者的跌倒風險以及整體代謝健康高度相關。這是基於經驗證的功能性能力、而非靜態精算表的動態核保。最先想通這一點的保險公司，將贏得整個市場。
企業健康管理。這是一個價值 600 億美元的產業，企業為它們無法測量的成果付費。員工搖晃手機以達成步數目標，然後申領健康儲蓄帳戶（Health Savings Account）的補助。有了經驗證的活躍分鐘數，作弊的門檻就變成了真實的體力付出。要在我們的系統上偽造一次伏地挺身，你基本上得打造一個人形機器人——不然就乾脆真的做那下伏地挺身。
遠距復健。肌肉骨骼疾病是雇主最主要的成本驅動因素之一。居家運動的遵從率是出了名地低於 50%，而當病患真的運動時，他們往往姿勢不良，反而拖慢了復原。一個監測處方關節角度的 TCN，能給臨床人員一個顯示經驗證遵從度與品質趨勢的儀表板。遠端治療監測（Remote Therapeutic Monitoring）如今在美國已是一個可申請給付的 CPT 代碼——這並非空談。它是一條營收來源。
正確做法的邊動邊賺。那些 Web3 健身專案之所以失敗，是因為 GPS 太容易被偽造。我們提供的是體力付出的預言機（oracle）。以 TCN 驗證作為關卡的代幣鑄造，創造出一種經濟體系，其供給量受限於使用者群體的實際體能，而不是作弊者的創意。
「但 LLM 最終不會做到這件事嗎？」
我不斷聽到這種說法。那種假設是：因為大型語言模型持續變得更強，它們最終將能解決一切，包括物理驗證。
它們不會。而原因出在架構上，不是規模的問題。
LLM 的設計目標，是產生最有可能的下一個詞元。它們是機率性的。它們產生看似合理的輸出。在創意與行政領域，那極其有用。但在物理驗證中，合理性正是敵人。一項醫療診斷、一套復健方案、一次保險費調整——這些都不能建立在很可能發生的事情之上。它們必須立基於實際正在發生的事情。
再多的規模擴張，都改變不了根本的目標函數。一個擁有一兆個參數的 LLM，仍然是在為可能性、而非真相進行最佳化。我們的 TCN 則是在為一道波形的物理特性進行最佳化——振幅、頻率、相位、頻譜純度。這些是測量值，不是預測值。
我還會被問到另一個問題：「你不能就拿運動影片去微調一個視覺語言模型嗎？」你可以。它會告訴你「這看起來像伏地挺身」。但它不會告訴你左肩承受的負荷比右肩多了 15%，不會告訴你加加速度曲線顯示疲勞正提早出現，也不會告訴你動作幅度在過去兩分鐘內衰退了 8%。它會給你一個標籤。我們則給你一份訊號分析。
AI 產業痴迷於生成。我們則痴迷於驗證。這兩者不是同一門學問，而把它們混為一談，正是你最後會拿幻覺來為保險費定價的原因。
氛圍與物理之間的界線
我常常想這件事：整個數位健康產業都坐在一條界線的某一側，而其中大多數人並沒有意識到這條線的存在。
一側是我所稱的氛圍經濟。自我回報的資料。來自可以被搖晃的裝置的步數。來自可以被忽略的影片的運動完成紀錄。看起來令人振奮的儀表板。感覺起來正確的資料。它一直管用，直到有人去稽核它，然後它就蒸發了。
另一側則是我們正在打造的：物理經濟。經驗證的動作。經測量的位移。經量化的控制。可稽核的資產。經得起檢驗的資料，因為它打從一開始就不是建立在信任之上。
這兩種經濟之間的轉變不是漸進式的。你不會靠著在影片播放器上加個計步器，就走完通往物理的 60% 路程。你要嘛測量波形，要嘛不測。你要嘛驗證那次動作，要嘛就聽信使用者的一面之詞。
我們接觸的每一家企業——每一家保險公司、每一個企業健康管理採購方、每一個遠距復健平台——最終都會抵達同樣的體悟。他們一直在為氛圍付費，還把它稱作數據。當他們一看見經驗證的動作資料實際上是什麼樣子的那一刻，就再也無法當作沒看見了。
我創辦 Veriprajna，是因為我相信這個十年裡最重要的 AI 問題，不是生成更好的文字。而是驗證物理現實。每過一個月，每一個新推出的 LLM 外殼，每一款又推出一個附帶徽章系統的影片播放器的健身 App——我就變得更加確定。
健康 AI 的未來，不是更聰明的聊天機器人。而是誠實的測量。而物理不會產生幻覺。
