准备度分数，其实只是在描述今天
Garmin 的训练准备度（Training Readiness）、WHOOP 的恢复分、COROS 的恢复指标，长得都像“预测”：一个百分数，早上出现，告诉你今天适合练多狠。但翻开公开的说明就会发现，它们回答的是“你现在的状态怎么样”。以 Garmin 为例，公开说明列出的输入包括睡眠评分、HRV 状态、剩余恢复时间、近期训练负荷、睡眠历史和压力历史，各项权重不公开，2025 年 5 月还调整过一次权重。第三方评测也指出，这个分数看不到肌肉酸痛和精神疲劳，并且没有公开发表过与实验室恢复指标对照的独立验证，所以更适合看自己的趋势，而不是当绝对值。
“预测下一次训练”则是另一个问题：给定你过去几个月的全部训练与身体反应，如果周四安排 8 组 400 米，你的心率、配速、主观感受和第二天的恢复大概会是什么样。前者是读体温计，后者更像预报天气。贝博体育观察到，行业里前一件事已经很普遍，后一件事还处在早期。
公开资料里的“预测”，各自走到哪一步
下面这张表只放我们查到、能确认来源类别的内容，没有内部数字。
| 方向 | 公开可见的进展（2025—2026） | 我们的读法 |
|---|---|---|
| 运动员数字孪生 | 体育科学领域已有综述，讨论用传感器数据构建“数字替身”辅助负荷管理与伤病预防；美国夏洛特大学 2025 年初也发布过面向运动员训练的人体数字孪生项目介绍 | 多为框架与愿景，公开介绍里对局限着墨很少 |
| 伤病风险预测 | 急慢性负荷比（ACWR）本身在学界有争议，有人认为方法存在缺陷；2026 年仍有研究把它与时序神经网络结合，在足球运动员数据上做风险预测 | 结论主要来自职业团队球类数据，不能直接搬到业余跑者 |
| 手表恢复与准备度 | Garmin、WHOOP、COROS、Polar 都有各自的评分，COROS 2026 年 6 月的更新还加入了心率恢复 | 描述当下为主，算法细节多不公开 |
| 大模型教练 | WHOOP 2023 年推出基于 OpenAI 的对话教练；Google 2025 年 8 月发布 Fitbit 个人健康教练，10 月起对美国的 Premium 用户开放公开预览 | 擅长解释和对话，长期预测能力缺少公开验证 |
顺带一提，Google 发表过一项个人健康大模型（PH-LLM）研究，输入是最长 30 天的日聚合传感器数据，评估了睡眠与健身建议的质量，也尝试预测用户自评的睡眠质量。论文自己承认存在“编造”和错误引用用户数据的情况，也没有验证对行为改变的真实效果。这正说明：读懂三十天数据，和预测三个月后的你，不是同一件事。
长期运动员模型到底需要什么
我们把它拆成四类输入，缺哪一类，预测的可信度就掉一截。
- 足够长的负荷史：不是最近七天，而是至少覆盖一两个完整的训练周期，包括增量周、减量周和比赛前后。只有一个月历史时，模型只能学到“你最近很规律”。
- 成对的反应数据：同样一次训练，当时的强度、天气、睡眠，加上第二天的心率恢复和主观疲劳。只有输入没有反应，就像只记菜谱不记味道。
- 自我报告：腿沉、心情差、工作太累这类信息，穿戴设备测不到（Garmin 的说明里也承认这一点），需要用户给一句话或一个滑块。
- 背景事件：比赛、出差、换鞋、换设备。它们不是噪声，而是解释曲线突变的原因。
我们的判断是：数据的“厚度”比模型的“深度”更早成为瓶颈。一个个人历史只有六周的用户，用再新的网络也预测不出他的赛前减量反应。
曲线断了怎么办：断训、伤病、生病和换设备
这是长期模型最容易出丑的地方。示意场景：某跑者（模拟数据，非真实用户）过去 12 周每周跑 40 公里左右，随后因为感冒完全停了 9 天，恢复时按“旧水平”被安排了一次 12 公里节奏跑，体验很糟。问题出在把“停了 9 天”当成“没有数据”，而不是“一个有信息的事件”。
我们倾向的处理方式是分开对待：
- 短期断训（一周内）：保留原有能力估计，但把近期负荷归零，让模型意识到“体能基本还在，耐受度暂时下降”。
- 生病或受伤：标记为事件，暂时不用这期间的心率去校正个人基线，因为病中静息心率和 HRV 都不再代表平时的你；复训阶段用更保守的起点，并鼓励用户补一句症状。
- 长期断训（数周以上）：旧历史仍有参考价值，但权重要明显降低，让新数据尽快接管。
- 换设备：不同手表的光电传感器和算法有差异，同一个人的静息心率可能整体偏移几个点。模型应把设备切换记成分界点，先并行记录一段时间，再决定新旧数据能否拼接。这一点和多传感器融合直接相关，可以参考我们对可穿戴融合的观察。
这里必须承认，伤病的原因常常在数据之外。ACWR 之类的负荷指标在学界都还有争议，谁也不该宣称“模型能预测你会不会受伤”。合理的说法只是“最近的负荷变化比你平时的习惯更陡，建议留意”。
不确定性，要说给用户听
预测最怕的不是错，而是错得很自信。“明天你的 5 公里配速是 5:12”给人的是一个承诺；“明天大概率在 5:05 到 5:25 之间，天气偏热的话往慢的一端靠”给人的是一个范围加一个原因。
我们认为一个预测至少要带三样东西：区间而不是单点；依据，比如“依据最近 6 次同类训练”；以及置信度，历史太短或刚换设备时明确写出“这次预测把握较低”。当把握低到一定程度，宁可退回“先按保守强度试一次，之后我再校准”。
这与贝博体育对自适应训练的思路是一致的：计划要随状态改变，但每次改变都要讲得出理由。用户看到“为什么”，才有机会纠正模型，比如告诉它“那天其实是因为没吃早饭”。
贝博体育观察：现在做不到什么
我们的判断可以概括为三点。
第一，预测式训练是方向，但眼下最有价值的是“更好的描述加诚实的区间”，而不是神奇的准确率。公开资料中，我们没有查到可以让个人跑者信赖的、跨数月并经过独立验证的训练结果预测研究，所以不会在这里引用任何准确率数字。
第二，做不到的事情很具体：预测受伤、预测比赛成绩、预测心理状态；在个人历史不足时给出精确的单点结论；在缺少睡眠和自我报告时判断疲劳原因。
第三，有一件事现在就能做：把断层、换设备、生病记录成事件，让用户看到模型用了哪些历史、忽略了哪些。
