高瓴投“人体模型”:AI 体育的机会,真的来了吗?

最近看到一条很有意思的消息：高瓴独家投资了一家做“人体模型”的 AI 公司。

标题很抓人。

“世界模型”的另一半。“首个 AI 人体模型”。“教 AI 理解人”。

如果只看这些词，很容易被带进一个很宏大的叙事里：世界模型、人体模型、Body Operating System、端云协同、动态物理系统、实时反馈闭环。

这些概念当然重要。

但作为一个长期在 AI + 体育方向创业的人，我的第一反应不是兴奋于某个新名词，而是想追问一个更本质的问题：

AI 到底怎样才算真正懂一个人的运动？

如果只是识别一次动作，给出一个评分，生成一段建议，这算不算懂？

如果只是通过摄像头看到你的骨骼点，判断你的手臂角度、挥拍轨迹、身体重心，这算不算懂？

如果只是把人抽象成一组姿态数据、一段运动轨迹、一个技术评分，这算不算懂？

我认为，这些都只是开始。

真正的 AI 体育，不应该只是在“看见动作”。真正的 AI 体育，应该走向“理解人”。

而“懂你的运动”和“长期记忆”，可能是 AI 体育从工具走向教练、从功能走向系统、从噱头走向本质的关键。

PART 01

不要被概念迷惑：世界模型也好，人体模型也好，本质是理解与预测

这两年，“世界模型”变得非常火。

但说实话，今天 1000 个人心中可能有 1000 个世界模型。

有人把世界模型理解成视频生成，有人理解成空间理解，有人理解成机器人控制，有人理解成自动驾驶里的未来状态预测，也有人把它理解成 AI 对物理世界运行规律的一种内部表征。

那“人体模型”是什么？

是人体姿态识别吗？是动作捕捉吗？是运动表现评估吗？是疲劳状态建模吗？是个性化训练系统吗？还是一个能够长期理解人的身体、动作、能力、状态和成长路径的 AI 系统？

今天其实也没有一个标准答案。

但这很正常。

很多真正的大机会，在早期都不是先有一个完美定义，然后大家照着定义去做。很多时候，是创业公司先在真实场景里不断试错、不断迭代、不断形成闭环，最后才反过来定义这个品类。

所以，我并不反感“人体模型”这个词。

相反，我觉得它提出了一个非常重要的问题：

当 AI 要进入真实世界时，它不能只理解外部世界，也必须理解“人”本身。

因为很多场景里，人不是旁观者，而是系统的一部分。

在自动驾驶里，人可能是乘客、司机、行人。在机器人场景里，人可能是协作者、指令发出者、风险源。在运动场景里，人既是动作的发出者，也是反馈的接收者，更是长期变化的主体。

所以，所谓“人体模型”，如果只停留在姿态识别层面，那它还不够本质。

真正重要的不是“模型”这个名词，而是：

它是否能理解一个人当前的状态？它是否能理解一个人动作背后的原因？它是否能预测一个人下一步应该怎么练？它是否能记住一个人长期的变化？它是否能帮助这个人变得更好？

这些问题，才是 AI 体育真正应该回答的问题。

PART 02

运动的本质，不是动作，而是“人如何学习动作”

今天很多 AI 运动产品，还停留在一个比较初级的阶段：

拍一段视频，识别动作。分析一下角度，输出评分。指出几个问题，给一段建议。

这当然有价值。

对于一个普通运动爱好者来说，过去他可能根本不知道自己动作哪里错了。AI 能够把动作可视化，把问题说出来，把建议给出来，这本身就是一个进步。

但如果我们往深处看，运动的本质并不是“动作本身”。

运动的本质是：

一个人如何通过持续反馈，建立更好的身体控制能力。

以网球为例。

一个人的正手打不好，表面上看可能是挥拍问题，但背后可能有很多原因：

可能是击球点太靠后。可能是转体不充分。可能是重心没有向前。可能是步伐没到位。可能是引拍太晚。可能是手臂太紧。可能是比赛一紧张，动作就变形。也可能是他根本没有建立起正确的身体发力感。

如果 AI 只是看到“正手动作不标准”，然后给一句“建议加强转体、注意随挥”，这其实并不是真正懂他。

真正懂他，应该知道：

他现在是什么水平。他过去的动作问题是什么。他最近有没有进步。他在稳定球和发力球里的表现有什么差异。他在训练和比赛里的动作是否一致。他最应该优先解决哪一个问题。他下一次训练应该做什么。他适合怎样的反馈方式。

这才是“懂你的运动”。

所以，AI 体育真正的难点，不只是动作识别，而是理解一个人的运动学习过程。

动作只是结果。身体状态是原因之一。训练历史是上下文。反馈方式决定改变效率。长期记忆决定系统能否持续变聪明。

如果没有这些东西，AI 再聪明，也只是一个“单次点评工具”。

而不是一个真正陪你成长的教练。

PART 03

为什么“长期记忆”是 AI 体育的核心能力？

我越来越觉得，AI 体育里最重要的能力之一，不是某一次分析有多炫，而是这个系统有没有长期记忆。

因为人不是一天练成的。

一个人的技术动作，不是孤立存在的。一个人的运动水平，也不是一次视频就能完全判断的。一个人的进步，更不是靠一次建议就能完成的。

运动天然是一个长期过程。

你今天的动作，和你过去一个月的训练有关。你今天的问题，可能是过去一直没有解决的老问题。你今天的进步，可能来自上周某一次训练的突破。你今天的疲劳，可能影响动作质量。你今天的比赛压力，可能让你回到旧动作模式。

如果 AI 没有长期记忆，它每次看到你，都是第一次见你。

它可以分析你这一次的视频，但不知道你上一次是什么样。它可以指出你这一次的问题，但不知道这个问题是不是反复出现。它可以给你建议，但不知道你之前有没有尝试过。它可以判断你这一拍打得好不好，但不知道你是不是真的在变好。

这就像一个教练每次上课都失忆。

他可能很专业，但他没法真正陪你成长。

真正的 AI 教练，必须能记住你。

记住你的技术特点。记住你的动作习惯。记住你的训练目标。记住你的历史问题。记住你的进步轨迹。记住你容易在什么场景下犯错。记住你适合怎样的训练方式。

这就是长期记忆的价值。

它让 AI 不再只是一个“分析器”，而是逐渐成为一个“理解你的人”。

这也是为什么我认为，AI 体育未来的核心壁垒，不只是模型能力，也不只是单次识别精度，而是长期数据、个体画像和训练闭环。

谁能真正理解一个用户长期如何运动、如何变化、如何学习，谁才可能做出真正有价值的 AI 运动产品。

PART 04

“懂你的运动”不是一句口号，而是一个系统能力

“懂你的运动”听起来像一句 slogan。

但在我看来，它背后其实是一套很复杂的系统能力。

第一层，是看见

AI 要能看见你的动作。看见你的挥拍、击球、步伐、发球、移动、节奏。这是视觉识别、动作捕捉、视频理解的问题。

第二层，是判断

AI 要能判断你的动作质量。知道哪里好，哪里不好，哪里稳定，哪里不稳定。这是技术评估、动作标准、运动知识的问题。

第三层，是解释

AI 不能只说“你错了”，还要说清楚“为什么错”。为什么击球点靠后会影响质量？为什么转体不足会导致发力不充分？为什么步伐不到位会让动作变形？

这是从数据走向因果理解的问题。

第四层，是建议

AI 要知道你下一步应该怎么练。不是所有问题都要同时改。不是所有建议都适合每个人。一个初学者和一个进阶选手，面对同样的问题，训练方案可能完全不同。

这是个性化训练的问题。

第五层，是记忆

AI 要记住你过去发生过什么。它要知道你是不是一直有这个问题。它要知道你最近是否改善。它要知道你上次训练的重点是什么。它要知道你接下来应该延续什么。

这是长期成长系统的问题。

第六层，是陪伴

很多人运动不是为了成为职业选手，而是为了更健康、更自律、更快乐、更有成就感。

所以 AI 不只是一个冷冰冰的分析工具，也应该成为一个能陪你复盘、鼓励你、提醒你、理解你目标的长期伙伴。

真正的“懂你的运动”，不是某一个模型，也不是某一个功能。

它是从看见、判断、解释、建议、记忆到陪伴的完整闭环。

PART 05

体育为什么可能是 AI 理解人的最好入口之一？

很多人过去低估了 AI 体育。

他们觉得体育只是一个垂直场景，市场不够大，技术不够“硬核”，商业化不够性感。

但我反而觉得，体育可能是 AI 理解人的最好入口之一。

因为体育场景有几个非常独特的特点。

第一，动作高频。

每一次训练都有大量动作数据。每一次挥拍、击球、移动、转身、发力，都是可观察的数据。

第二，反馈明确。

球有没有过网，落点好不好，速度快不快，动作稳不稳定，比赛有没有赢，用户自己也能感受到结果。

第三，目标强烈。

运动用户天然希望进步。他们不是为了体验一个 AI demo，而是真的希望下一次打得更好。

第四，长期数据有价值。

运动不是一次性消费。一个人可能打网球很多年，跑步很多年，滑雪很多年，健身很多年。

只要 AI 能持续记录和理解，它就能越来越懂这个人。

第五，身体状态变化明显。

疲劳、紧张、伤病、恢复、信心、专注度，都会影响运动表现。

这让体育场景天然适合研究“人如何在真实动态环境中行动”。

所以，体育并不是一个简单的内容工具场景。

它本质上是一个关于身体、动作、反馈、学习、记忆和成长的复杂系统。

这也是为什么，当资本开始关注“人体模型”时，我并不意外。

因为如果 AI 要真正理解人，体育可能是最真实、最高频、最可验证的场景之一。

PART 06

概念会变，但本质不会变

今天我们讲世界模型。明天可能讲人体模型。后天可能又有新的名词。

每一个时代都会有新的概念。

但创业者不能被概念牵着走。

概念的价值，是帮助我们更好地理解问题，而不是替代我们思考问题。

对于 AI 体育来说，我觉得真正值得关注的不是：

它是不是叫人体模型。它是不是叫世界模型的另一半。它是不是有一个更宏大的英文名。它是不是包装成了一个更性感的技术叙事。

真正值得关注的是：

它有没有真的理解用户？它有没有真的改善训练？它有没有真的形成闭环？它有没有长期记忆？它有没有让用户下一次变得更好？

如果没有这些，再好的概念也只是概念。

如果有这些，即使一开始只是一个很小的运动场景，也可能生长出非常大的系统价值。