体育中的人工智能与机器学习

人工智能是一个广义术语，指能够执行识别模式、生成语言或选择行动等任务的系统。机器学习指的是从数据中学习模式的方法，而不是要求人为规定每一条决策规则。

在健身领域，这些方法可以帮助对活动进行分类、整理训练记录、估计运动的某些方面或提供建议。它们的价值取决于实际任务以及系统完成任务的效果。一个回答错误问题的复杂算法，不如一个解决实际需求的简单工具有用。

同一个应用中可能包含多种技术。了解某项功能由哪种技术产生，有助于你提出关于其可靠性的正确问题。

“个性化”也有多种含义。训练计划可能只是根据器械条件替换练习，依据你近期的成绩调整规则，或使用基于大量人员训练数据的模型。这些方法都可能有用，但仅凭这个标签无法告诉我们实际采用的是哪一种。

提出一个具体问题：这一功能执行什么工作，我将如何知道它是否有帮助？节省时间并获得可靠的摘要是一项正当的益处。它不必被夸大为软件能够理解你身体的方方面面。

训练记录可以包含外部指标，例如距离、时长、速度、重复次数和阻力，同时也可以包含内部反应，例如心率和主观用力程度。前者描述任务的某些方面；后者描述人的反应的某些方面。

两者都无法完整呈现整个体验。背着背包进行陡坡行走、技术性训练课和轻松骑行，可能持续时间相近，但对人的要求却不同。环境为这些数字赋予了意义。

优质输入比更大规模的收集更有用

一项关于可穿戴光学心率传感器的研究发现，准确度会因设备和活动而异。^[2] 这说明测量结果需要在相关条件下进行验证。但这并不意味着当前的每台设备都像研究中测试的旧设备一样表现。

睡眠追踪还涉及推断。一项实验室对比研究发现，七种消费级设备在识别清醒状态和划分睡眠阶段方面存在差异。^[3] 将睡眠图作为一种信息来源，并结合你的日程、体验和白天的功能状态进行判断。

单次训练 RPE 是一种简单的监测方法：训练时长（分钟）乘以使用统一 0–10 量表评定的整体主观用力程度。例如，40 分钟、用力程度评分为 5，即得到 200 个任意单位。这个分数可以帮助整理观察结果；它并不是组织应激、能量消耗或受伤概率的测量值。^[4]

明确标注单位。不要把公里、分钟、千克和准备度分数混在一起，仿佛它们可以相互替代。导入训练记录前，应检查重复训练、错误日期，以及以错误名称记录的活动。如果某次训练是有意放轻、被中断或在异常条件下完成的，请添加简短备注。

只有当预测目标明确时，预测才具有可解释性。“受伤风险”可能指任何疼痛主诉、一次缺席训练、经医学诊断的病症，或特定的因伤缺阵。它们彼此相关，但不能互换。

预测时间范围也很重要。估计某事件是否会在下周发生，与估计它是否会在整个赛季的任何时候发生，是不同的问题。可信的描述应明确人群、结果、时间范围，以及进行估计时可获得的信息。

TRIPOD+AI 为开发或评估预测模型的研究提供报告指南，包括使用机器学习的研究。^[8] 清晰的报告让读者能够查看实际完成了什么；它并不是模型在所有场景中都有效的证明。

排序能力和概率准确性是不同的成就

区分度关注的是，对于最终出现某结果的案例，模型是否倾向于给出高于未出现该结果案例的分数。AUROC 是衡量这种排序能力的一种常用指标。AUROC 为0.80并不意味着80%的人会得到正确诊断，也不意味着显示的每个概率都准确。

校准关注的是预测概率与实际结果之间的一致性。在许多次观察中，对于被赋予约10%风险的可比预测窗口，一个校准良好的模型预测到该事件的频率大致也应为10%。模型可以合理地对案例进行排序，同时高估或低估其概率。^[9]

模式不是对个人的判决

估计描述的是特定模型和数据集中的不确定性。它并不能揭示某种固定命运，也无法考虑未来发生的每一件事。与另一名运动员发生碰撞、场地表面改变或未记录的症状，都可能产生影响，却未必出现在输入数据中。

同样的谨慎也适用于表现预测。预测的比赛用时取决于其背后的条件和假设。没有不确定性范围的点估计，可能会让人感觉其确定性超过证据所支持的程度。

在采取行动之前，先问清楚预测本来要帮助改进哪项决策。帮助教练决定先与谁沟通的模型，与自动将某人移出训练的系统，作用不同。

开发模型意味着让模型适应数据。评估模型则意味着考察它在未决定其最终形态的信息上的表现。混淆这两项任务，可能会让系统看起来比实际更有能力。

保持测试真正独立

数据泄漏是指模型从原本不应在预期预测中合法获得的信息中受益。这可能通过未来观测数据、使用整个数据集进行的预处理，或训练记录与测试记录之间的重叠而发生。关于数据泄漏的研究记录了这些错误如何产生过于乐观的科学结果。^[11]

在体育运动中，数千条记录可能来自相对较少的运动员。随机划分这些记录，可能会让同一个人的密切相关训练课同时出现在评估的两侧。这并不一定能检验模型对新运动员的性能。

数据划分应与预期用途相匹配。要为已知运动员预测未来训练课，就需要进行合适的基于时间的评估。关于新运动员的主张，则需要将不同运动员彼此分开进行评估。以下是将这一一般问题应用于训练数据库的原创示例。

不要只看开发环境

外部验证会使用与模型拟议用途相关的独立数据评估模型，例如来自另一组队列、俱乐部或环境的数据。也可以使用后续时期来检验模型随时间的性能。具体细节比“已验证”这一标签更重要。

PROBAST+AI 是一种用于评估预测模型质量、偏倚风险和适用性的结构化工具。其评估领域包括参与者和数据来源、预测因子、结果以及分析。^[12] 这些考量有助于区分令人印象深刻的分数与能够支持实际决策的证据。

前瞻性研究可以随时间收集数据，但不一定会检验根据模型采取行动是否有帮助。影响评估考察使用模型所产生的后果。对于预防损伤的主张，重要结果是某种明确方法是否减少相关损伤或减轻其负担，而不仅仅是风险评分能否区分不同群体。

还要检查版本。对某种算法、传感器或发布版本开展的研究，并不能自动验证后续版本。负责任的更新包括检查性能是否发生变化，并清楚记录评估过的内容。

自适应计划会根据信息作出调整。这些信息可能包括已完成的训练、更新后的目标、漏掉的一周或反复出现的困难。调整可以通过简单规则或机器学习来实现；其有用程度取决于决策的质量。

目标是在应对重大变化的同时，保持连贯的训练方向。不断追求新变化会让人更难比较训练、学习动作，并理解究竟是哪项改变带来了结果。

区分平台期与正常波动

一次较慢的跑步或一组困难的动作，并不能证明出现了平台期。首先检查比较是否公平：任务相同、条件相近、测量一致，并且时间尺度合适。然后考虑训练执行情况、近期负担、睡眠机会，以及训练计划是否仍然指向目标。

对于力量训练动作，只有在阻力和技术动作保持大致可比的情况下，增加重复次数才意味着实现了预期进步。对于耐力训练，在不同用力程度下或不同路线中保持相似配速，需要结合具体情况解读。仪表板应保留这些细节，而不是把每次训练简单归结为成功或失败。

改变一些你能够评估的内容

假设某人因为工作结束得太晚，总是无法完成计划中的周中长时间训练。AI 助手可以帮助缩短这次训练，或将其移到另一天。问题在于实际的日程安排；制定更高强度的训练计划并不能解决这一问题。

假设某人反复发现计划中的最后几次重复动作比预期困难得多。检查负重、休息、技术动作和近期训练情况，可能会发现有用的调整方向。适当的改变因人而异；不存在一个所有应用都应强制采用的通用增幅百分比。

这些是原创示例，并非经过测试的训练方案。它们的目的是让决策过程清晰可见：找出问题，选择适度的改变，并在继续改变其他多个变量之前观察结果。

将维持状态也视为成果

一个人可能会在照顾家人、应对忙碌时期或享受其他活动的同时，有意维持力量或耐力。系统应允许这一目标。进步不一定意味着无限期地提高每一个数字。

简要记录变更日志：改了什么、为什么改，以及将要复查什么。助手可以帮助整理这份记录。这样，日后回顾训练调整时会更容易理解，因为单靠记忆可能会模糊细节。

对于包含许多不同技术的领域而言，“人工智能有效”是一个过于笼统的结论。更有用的描述应说明系统、比较对象、研究人群和结果。以下示例展示了不同类型的证据。

回答常见的运动问题

一项 2026 年的研究将 ChatGPT 3.5 的回答与九名私人教练针对常见运动问题提供的答案进行了比较。在九个问题中的六个问题上，盲法评估者对聊天机器人的总体评分更高。^[15] 这支持了在该研究条件下，人工智能可能在信息辅助方面发挥作用的观点。

这并不是一项显示接受人工智能指导的人在力量、耐力、依从性或受伤结果方面有所改善的试验。该研究还评估了特定模型和问题集。回答质量以及指导某人完成数月训练的能力，仍然是不同的结果。

鼓励进行短时间步行

HeartSteps 在一项为期六周、招募了 44 名成年人的微随机试验中，测试了根据情境定制的活动建议。步行建议增加了随后 30 分钟内的步数，但效果会随时间减弱；减少久坐的建议没有显示出同样的益处。^[16]

这是关于特定提示和近期行为的证据。它并不能证明每一种提醒应用都能带来持久的体能改善。后续的 HeartSteps 研究介绍了一种强化学习方法，用于学习何时提供活动建议。^[17] 这项算法研究应与早期试验以及现代对话式指导区分开来。

预测跑步相关损伤

一项 2026 年的研究对 142 名竞技耐力跑者进行了 12 个月的跟踪，并利用多学科信息建立模型。报告的最佳 AUROC 约为 0.78。作者指出，在另一组跑者队列中缺乏外部验证是该研究的一项局限，并呼吁开展试验，检验基于模型的反馈是否能够减少损伤。^[18]

这是一项很有前景的预测研究。但它并不能证明消费类应用可以预防某位跑者下一次受伤，也不能证明收集研究中使用的每一种数据类型都值得用于日常训练。

让动作分析更易于使用

OpenCap 提供了另一个例子：将选定的动作估计结果与参考方法进行评估，是迈向实用测量的重要一步。^[14] 进一步的问题包括目标人群、测量结果所支持的决策，以及据此采取行动后的结果。

这些例子说明了一条实用的解读规则：在结论中保留研究的边界。更好的答案、短期的行为反应、有用的测量，以及有效的长期干预都很有价值——但它们所能确立的结论各不相同。

你不必连接每台设备，也不必自动化整个计划。从一项范围明确的任务开始，并确定有用的结果应是什么样的。这一框架是一份原创的实用指南，并非临床方案或经过验证的评分系统。

未来更好的系统会提供什么？

有前景的方向包括更谨慎地结合有用的测量结果、减少手动输入、改进易于获取的反馈，以及将适当的任务更多地放在设备附近处理。这些是开发方向，并不保证一定带来临床益处或完全隐私。

进步还意味着更好的评估：更清晰地说明不确定性、进行独立测试、开展有用的比较、记录更新，并对真实结果进行试验。更多数据或更大的模型无法取代这些步骤。

一个尤其有价值的改进，是让系统知道何时应停止推断。能够提出相关问题、识别不可靠的记录，或将疑虑转交给合适人员的系统，可能比总是给出另一个自信满满的答案更具实际智能。