揭秘AI赋能训练 01

一个训练者，家里只买了一台骑行设备。我该怎么给他安排训练计划？

直觉的反应是"有什么用什么"——既然能骑行，那就安排骑行。每天四十五分钟，心率控制在有氧区间，一周五六天。设备的利用率做到了满分，可是在用户看来，训练效果却可能是零分——如果用户想要的是增肌呢？让希望全身增肌的训练者做了一周有氧，或者只做下肢抗阻，方向是错的，越努力离目标越远。

这只是最简单的类比，但同类的场景在我们的系统里每天以各种变体出现。过去两年构建 Speediance AI 训练计划系统的过程中，我们的一个感受越来越强烈：计划编排的根本困难，不在于 AI 不够聪明，而在于训练目标、设备能力、时间安排和人体恢复需求之间天然存在互相制衡、拉扯的约束关系。 当我们把这些冲突摊开，要求 AI 在每一次生成中稳定地找对答案——你会发现，"对"不是一看就知道的。它是一组互相角力的约束在小空间里碰撞出来的。

同一个训练目标，完全不同的剧本

"增肌"这个目标，在有一定训练经验的情况下，第一眼也许我们就能得到一个直观方案——以抗阻为主体，胸背腿分化，每周三四次，强度适合肌肥大训练。但对 AI 来说，我们需要严谨、科学地进行这一解压缩，这个过程的每一步都因为对设备的选择不同而完全不同。

以 Speediance 的硬件为例，Gym Monster 是绳索和杠铃力量设备，能做各种抗阻训练，支持一定的有氧训练。VeloNix 是智能骑行设备，能做各种强度的骑行有氧训练。

最常规的情况，是拥有 Monster 的用户想增肌，AI 可以直接安排 Monster 上的抗阻训练，包括胸背腿等肌群。

但如果是只拥有 VeloNix 的用户想增肌呢？骑行设备理论上只能支持下肢的抗阻训练。我们正确的做法是：大多数训练日主动放弃 VeloNix，仅保留强度匹配的心肺训练、下肢抗阻训练，其余时间安排设备以外的其他抗阻训练。

还有一种更隐蔽的情况：用户的心肺基础极弱，连中等强度的持续有氧都撑不下来，这时候即使他有 Monster ——能支持划船、滑雪等有氧模式——强度曲线对他刚入门的时候来说也太陡了，心率直接飙过无氧阈，练不了几分钟就会崩溃，对健康也有不利影响。正确的起点，应该是在前一两周，只做低强度持续步行或非常缓和的骑行。

相比于一味地提升设备的利用率，我们的AI更应该考虑的是真正适合用户的训练方向。毕竟，设备只是你的工具，不应该锁住你的训练路线图。

到这一环节，AI 为一节训练课定了框架。但这节课里面的结构还有一层逻辑。一节完整的训练课由热身、主体训练和放松整理三段构成。这个结构的每一部分，都有它重要的用处，绝不是形式主义。

热身不只是"活动一下"——它需要针对当天主体训练实际用到的关节做专项激活：练腿日激活髋膝踝，练上肢日激活肩袖和胸椎。如何按照热身方向选择热身动作，这要求我们对主体训练的动作特点有充分的理解。放松动作也是同理。

主体训练的编排，也有非常多的铁律需要我们去考虑。举个例子，复合动作通常安排在孤立动作之前，大肌群通常安排在小肌群之前。第一个动作如果是单关节孤立训练，用户的神经系统还没被叫醒，后面的大重量复合动作就有很大的隐患。

这些约束，每一条都有科学依据，但如何把每一条约束显式化、综合一起考虑，并且如何确保一千次生成，每一次都不会遗漏，也是我们要面对的重要问题。人类教练也许偶尔也会有状态起伏，但我们不希望 AI 有状态起伏。

而这还只是训练结构上的编排，训练强度上的编排难度也不亚于此。同样是 Monster 上的抗阻训练，AI 需要判断这节课的训练目的落在哪个区间——肌肥大？最大力量？还是肌肉耐力？这三个方向练出来的身体完全不一样。有氧训练的强度分层更细——无氧阈训练、冲击最大摄氧量极限、极限燃脂——同一个"减脂"目标，初学者和进阶者不该在同一个强度层级上。

设备、强度以及其他种种因素放在一起，AI 面对的不是"选 A 还是选 B"，而是一棵不断分岔的决策树。 树上的每个节点都需要在同一个推理中逐级求值。跳过任何一个节点，下游拿到的就是残缺的方案。

时间安排不是填日历，是在约束里找出路

训练计划的时间轴，和单纯的编排日历有本质区别：日历只管在正确的时间显示正确的事件，训练计划则需要面对身体从第一次刺激开始的连续生理响应。

真正的难题，反而在日程被编排出来之后等着我们：用户可能正在被一个看似合理的计划，一步步推向恢复赤字。

分享我们真实踩过一个坑。我们制定了四周的计划，第一周练四天、休三天。第三周，用户身体表现数据上来了，AI 排了五天训练、两天休息。第四周则是六天运动、一天休息。单看每一周，这样的安排都没离谱到值得一票否决。但四周摆在一起，休息天数从三天、到两天一直缩减到一天——而后期的训练强度在周期化的进展期里偏偏是最高的。用户不知道，系统也没告诉他，但他正在被计划的惯性一步步推向恢复赤字。

这个错误的根源是混淆了"训练量递增"和"压缩休息"。量递增的正确方式是提高单次训练的刺激质量——加负荷、加复杂度、加密度——而不是一味地砍恢复时间。高强度训练需要的休息不是更少，是更多。AI 如果不做跨周的趋势校验，这个问题会在四周里默不作声地蔓延。每一周单独看都合理，合在一起则会造成慢性事故。

所以 AI 不能只是"看了今天排今天"。它必须同时盯着四周的全局——每一周的休息达标了没、跨周的负荷递增是否过载、相邻训练日的训练刺激是否能尽量避免重复。

说到这个，相邻训练日之间的关系也不单只是避免重复。它们之间有一条隐形的恢复链。

假设我们周一练了胸和肩，这两个肌群在接下来的四十八到七十二小时里正在被拆解和重建——你需要一个时间窗口，来进行这一轮超量恢复，周三的训练必须躲开这两个部位。所以周三训练的可选范围缩小到了腿、背或手臂上。但这三个可选项，实际还得继续筛选。

腿部是大肌群，会导致很强的中枢神经负荷。周一胸肩训练虽然以上肢为主，但大重量推举同样对 CNS 有不低的消耗，到周三未必完全清空。这时候接腿部高强度训练，不是不行，但不是在最优恢复窗口里。更稳妥的选择是背——大肌群、训练价值高、CNS 负荷比腿温和。这时候，我们应该选择练背。

时间来到周五，这时候距离周三又间隔了一天，距离训练背部四十八小时不到，大概率还在重建。但周一至今已经四天，胸肩基本完成重建，因此，这一天安排胸、肩、腿都是可以的。我们根据用户意愿，选择在周五的训练纳入胸、肩、手臂，两个上肢肌群错开推和拉的方向，正好可以互补。

AI 的每一个决定都不是独立在每一天做出的。周一在练完的那一刻，就已经把周三的禁区画好了，也把周五的回归窗口标出来了。三个训练日不是三张独立的课表，是三块互相咬合的拼图，它们之间的约束关系比单日内部的约束更不容易被察觉。

比信息管理更难的，是约束管理

我们最早也曾把创建训练计划理解为“收集需求，再填入模板”：问清目标、设备和空闲时间，然后生成课程。变量少的时候，这个思路很自然；因素一多，模板就开始失效。除了前面介绍的训练目标、设备能力、恢复节奏的互相制约，设备配件选择、训练的效率、训练的多样性，更是让这个求解空间被层层逼到墙角。

实际上，我们做的事不是"发明一套训练哲学"，而是把这些已经在运动科学界被验证了几十年的原则，从教科书上搬到 AI 的脑子里。ACSM（美国运动医学会）的 FITT-VP 原则——频率、强度、时间、类型、总量、渐进——是运动处方的通用框架，NSCA（美国国家体能协会）的周期化理论进一步规定了不同训练阶段的负荷-恢复比例和部位轮转规则。最大的难点，就是当 ACSM 的频率约束撞上用户的设备现实，当 NSCA 的恢复比例撞上用户的日程偏好——这些原则彼此之间并不总是和谐共处。

每加一个新的条件，就是少掉一批原本可行的方案，是在缩小合法解的生存空间。加法问题转变为了求交集的问题——而交集的大小随着维度增加，将会快速趋近于零。

一个真正好的训练计划，是那个在所有已知约束的交集空间里，找到了唯一或少数几个合法解的产物。用户的初衷、设备的能力、训练科学的底线、时间的可行性——四股力量在每个训练日上角力，AI 的任务是找到那个四方谁也打不过谁的平衡点，这才是"AI 生成训练计划"这件事的真实难点。

具体而言，取得训练约束的交集在技术上是怎么办到的？以及，在有了每一节课的大方向之后，应该具体该怎么编排训练的动作内容？我们将在下一篇的内容为您揭晓。