它知道你在搬重物，但不知道你會受傷：想讓 AI 讀懂物理世界究竟多困難？
隨著人工智慧技術發展至今，許多人都認為 AI 理論上已經變得無所不能，畢竟 AI 特別擅長發現模式，所以能快速分類醫學影像、定位人體關節，並且找出其中的各種規律。
然而，當 AI 應用來到實驗室之外，例如將場景轉換到健身房、工廠或診所等真實環境時，情況就會變得完全不同。
在缺乏完整情境與動作連續資訊下，AI 對異常動作的判斷仍高度不可靠，例如病患因走路重心不穩造成的摔跤，或者工人搬運物品時，在姿勢上出現的過度傾斜。人工智慧依然難以理解人類的運動方式。
使用靜態圖片訓練，AI 不懂連續行為
畢竟，主流通用視覺模型的核心訓練資料，仍以靜態影像為主，導致對連續動作與力學變化的理解不足。可是人類的動作卻是「動態」且「連續」的行為，其中更包含了力量、節奏、意圖，甚至是可能的疲勞表現。
因此，如果人工智慧無法清楚理解上述要素，AI 就始終只能靠猜測，判斷人類的動作行為究竟是屬於正常運動，或者是出現了異常。
在這種情況下，隨著越來越多產業倚賴 AI 進行監控、指導，或者將實體任務自動化，技術的侷限已經變得日益顯著且難以忽視，這也同時解釋了為何眾多科技團隊，皆希望教導人工智慧去主動理解人類的運動模式。
人類意圖、光線、角度，全都干擾 AI
深度探討 AI 容易「誤讀」物理世界的原因，首先就在於連續性。
正如同前文所述，大多數 AI 模型的訓練資料都是「靜態圖片」，雖然單一畫面可以捕捉人類姿勢，但卻無法判斷一個人是否確實站得穩，或者下一秒的動作即將發生變形。
其次，AI 無法判斷人類動作背後的多重意涵。舉例來說，當人類做出膝蓋內夾的動作時，即可能代表疲勞、活動受限，或根本只是想換個姿勢；至於肩膀聳起則可能反映某個人的習慣，或者那個人正感覺疼痛，對於機器來說，這些訊號全都非常難以解讀。
此外，環境的光線變化、攝影機的拍攝角度不同，或者有人從鏡頭前方經過等狀況，都會讓 AI 的影像識別機制感到困惑。
過去曾有研究表明，即使是在標準測試中表現優異的 AI 模型，一旦轉換到現實環境使用，遇到畫面遭到遮蔽，或者鏡頭拍攝角度出現變化等情境，其判斷準確度也會大幅下降。
視覺辨識不夠強，無法滿足精準需求
簡單來說，以 AI 為基礎的視覺辨識系統，雖然擅長「辨識物體」，例如分辨鞋子跟椅子之間的差別，但當我們要求 AI 評估「人類身體究竟如何移動」時，各種缺點就會變得一覽無遺。
正如同健康科技企業 FlexAI 共同創辦人 Amol Gharat 的觀點，他指出想要教導 AI 看懂人類姿勢，跟訓練 AI 辨識物體其實完全不同，開發者必須要強調身體部位變化，於時間推移中的連續性關係。
綜觀當今大多數 AI 系統，原本都是為了通用的視覺辨識任務所打造，從未針對理解人類身體於現實世界的行為模式進行設計，這對於仰賴精準動作的產業而言，該缺陷可能造成毀滅性後果。
舉例來說，假若 AI 模型誤判工人搬運物品的方式、病患行走的方式，或者運動員跳躍後落地的方式，便會忽略那些導致人類受傷、體育表現下滑，甚至是在某些情況下，造成致命事故的關鍵模式。
真實世界數據不足，應用出現落差
專家認為，拖累 AI 理解人類物理世界的一大障礙，即在於真實數據不足所造成的訓練缺口。
傳統上，用於訓練 AI 的動作捕捉數據，雖然整體品質很高，但都是在變因獲得控制的實驗室中進行採集；那些地方擁有固定的燈光、實驗者也穿著特製的服裝，跟 AI 未來實際所應用到的倉庫、診所或健身房等真實場景相去甚遠。
此外，不同人類之間的個體差異極大，近來有許多生物力學研究都強調，每個人的動作會因疲勞程度和受傷病史的不同，進而造成表現上的差異。
然而，大多數商業級、方便取得的訓練影像或資料，仍然缺乏類似的力學標籤，導致 AI 無法分辨某個動作究竟是無害，或者即將導致人類受傷。
延遲、隱私要兼顧，轉回地端運算
在訓練數據嚴重不足的情況下，有部分研究團隊，例如 FlexAI 只能選擇從頭開始，聘請專家逐格標記數千支影片，替人體的髖部位置、脊椎排列等細節打上力學標籤，然後再放入自家的 AI 模型進行訓練。
只不過，即使開發團隊能夠擁有真實且正確的數據，速度與隱私又成為了相關 AI 技術開發的另一個阻礙。
簡單來說，當 AI 系統進行判讀影像之後，其給出的回饋必須足夠即時，才能協助使用者於運動過程中立刻調整，但是，若將影像傳輸至雲端處理，必然會導致延遲增加，同時引發資料隱私、個資儲存的相關疑慮。
對此，採用相關 AI 技術的健康科技企業，比方說 FlexAI 就開始選擇將 AI 運算任務，從遠端伺服器遷回使用者的個人裝置。
期待 AI 給出理由，需要其他數據輔助
展望未來，如果 AI 能夠真正理解人類的運動方式，其影響肯定將變得無遠弗屆，不只是提高健身或健康 App 的品質，還可以協助物理治療師遠端追蹤患者的復健進度，甚至是在工廠中提前偵測出，可能導致員工受傷的危險姿勢。
以 FlexAI 目前擁有的技術而言，他們所開發的 AI 模型，已經可以協助健身者於運動過程中，比方說舉重時透過 AI 偵測姿勢跑掉的情況，然而，當前的 AI 模型仍然無法解釋，究竟健身者發生姿勢錯誤的實際理由是什麼。
換句話說，雖然 AI 可以偵測到健身姿勢錯誤，但卻無法得知使用者究竟是由於疲累、舊傷復發，或者單純因為技巧不夠熟練。若想解決這個問題，FlexAI 強調 AI 仍必須結合視覺數據、穿戴裝置訊號及使用者的主觀回饋。
當然，蒐集這些數據必然會涉及使用者對企業透明度、信任度的質疑，無論是勞工、病患或運動員，勢必都會想理解自身運動數據的使用方式，以及個人資料如何影響 AI 做出決策，這對於健康科技公司來說又是一大挑戰。
快速運算＋情境判斷，成未來 AI 關鍵
目前市場上大多數投入運動智慧研究的團隊，基本上都不認為自己正在發展的技術，未來將會取代掉人類專家。FlexAI 執行長 Amin Niri 就指出，公司研究 AI 模型並非是想要替代健身教練，而是要讓專業知識更容易取得。
FlexAI 所抱持的營運思維，或許正是讓新一波 AI 技術保持務實的關鍵，當企業持續將控制權放在人類而非機器身上，使用者自然就能更清晰、更快速的理解自身動作模式，在健康、安全與運動表現的深層意義。
總歸來說，判讀人類動作是 AI 最艱鉅的考驗，但是其解決之道，並不僅僅在於更龐大的模型，還需仰賴更優質的數據、更完善的情境脈絡，以及研究者對人體複雜性的深刻體悟。
FlexAI 共同創辦人 Amol Gharat 強調，AI 必須學會跟人類同步進化，而未來將會屬於那些既能夠快速運算，又能夠深度理解情境的 AI 系統。
【推薦閱讀】
◆ 舊金山停電成自駕車「壓力測試」：Waymo 大規模停擺、Tesla 正常運行，技術路線差異被實戰放大
◆ AI 每 8 個月效能翻倍、部分任務達 PhD 水準：英國報告揭前沿模型的能力、風險與防護三大輪廓
◆ 好萊塢 AI 導入三路徑：從極端實驗到制度化合作，如何「多軌道」探索 AI？
＊本文開放合作夥伴轉載，參考資料：《Forbes》、《arXiv》，首圖來源：Nano Banana Pro
（責任編輯：鄒家彥）