你有沒有過這種經驗：做深蹲的時候，教練突然說「你的腳跟翹起來了」，但你自己完全沒感覺？或是捲腹捲到一半，其實是靠身體「甩」上去的，而不是真的用核心出力？
這種身體「偷吃步」的現象，在運動科學與動作分析裡常被稱為代償。這篇文章要說的，是代償怎麼發生，以及 AI 為什麼不能只看一張照片，而要理解整段動作如何隨時間展開。
「代償」到底是什麼？
當某個關節活動度、力量或控制能力不足時，身體可能改用其他部位或不同策略完成同一個任務。例如深蹲時踝關節活動受限，有些人會出現腳跟抬起、軀幹前傾或其他動作策略。表面上任務完成了，但使用的方式已經不同。
不過要特別注意：不是所有「和標準姿勢不同」都等於代償。每個人的骨骼比例、訓練目的與動作策略都有差異，如果 AI 只認得單一標準答案，反而可能把正常差異誤判成錯誤。
代償是怎麼發生的？
一、關節活動受限
例如深蹲需要一定程度的踝背屈。如果活動度不足，身體可能改變腳跟、膝、髖或軀幹策略來完成下蹲。
二、身體比例本來就不同
大腿骨長度、軀幹比例等結構差異會影響深蹲外觀。好的系統應避免把所有人硬套進同一個模板。
三、動作控制與借力
有些動作不是「角度做不到」，而是用速度、反彈或其他部位借力完成。這種問題往往必須看動作前後過程，單張最低點照片可能看不出來。
以前，我們是怎麼發現代償的？
傳統方式通常依賴真人教練或治療師觀察，或使用穿戴感測器與專業動作捕捉設備。真人能理解情境，但難以對每一個影格與關節做一致量化；穿戴設備則可能只看到裝置所在部位。電腦視覺的價值，在於以一般相機同時觀察多個身體關節，並把結果轉成可追蹤資料。
AI怎麼「看懂」代償？
第一步：先找出關節位置
MediaPipe 等姿態估計工具可以從影像中建立人體關鍵點，例如肩、肘、髖、膝與踝的位置。這一步把原始影片轉成比較容易分析的骨架座標。
第二步：讓 AI 記住動作怎麼發生
光知道某一瞬間關節在哪裡還不夠。很多代償藏在動作速度、順序與路徑裡，因此需要分析連續影格。LSTM 與 GRU 都是能處理時間序列的模型，可以把前後影格資訊一起考慮；雙向模型與 Attention 機制則能進一步利用整段動作中較關鍵的時間點。
把它想成「看照片」和「看電影」的差別：一張跳起來的照片告訴你人在空中，但一段影片才能告訴你他是助跑、原地起跳，還是失去平衡。
實際案例：深蹲、瑜伽、皮拉提斯
深蹲
研究者可以把常見動作模式標成不同類別，例如前傾、腳跟離地、膝蓋內夾、深度不足等，再使用整段骨架時間序列訓練模型辨識。部分研究也嘗試把身體比例納入考量，避免所有人使用單一深蹲模板。
瑜伽
有研究先辨識當前姿勢，再利用前幾秒的動作資料預測下一個時間點的關節角度。如果實際表現與預測差距很大，就能標記需要注意的關節或姿勢段落。
皮拉提斯
早期方法常用單張畫面做分類；後續研究加入 LSTM 等時間序列模型後，可以把一整段動作綜合起來判斷，降低單張影格造成的誤判。
技術現況：能做到什麼，還做不到什麼？
- 可以做：以一般相機取得關節位置、角度與時間變化，建立一致的量化與追蹤資料。
- 持續進步：個人化身體比例、裝置端 AI、時間序列與較輕量的裝置端運算。
- 仍有問題：鏡頭角度、遮擋、光線、多人體、動作相似度與資料代表性都可能影響結果。
- 不應過度解讀：AI抓到關節運動，不等於直接量到肌肉出力，也不等於醫療診斷。
這也是動康評分成兩個部分的原因：動康評 APP 負責體測，CoachOS 負責資訊整合與教練輔助；真正的服務仍需要把資料放回會員背景、教練觀察與訓練情境中。
常見問題
Q1｜AI真的能取代教練嗎？
目前更合理的定位是輔助。AI適合一致量化、提示與追蹤，但仍可能受拍攝條件與模型適用範圍影響；重要的動作調整與安全判斷仍應由專業人員負責。
Q2｜LSTM 跟 GRU 到底哪裡不一樣？
兩者都用來處理時間序列。GRU結構較精簡，LSTM則有較完整的記憶控制機制；哪一個較好取決於資料與任務，對一般使用者來說，重點是它們讓AI能從「看照片」進化到「看一段動作」。
Q3｜這種技術一定需要昂貴設備嗎？
不一定。許多研究使用一般相機搭配姿態估計工具；真正的導入成本還取決於模型、標準化流程、裝置效能、資料管理與實際服務需求。
Q4｜AI會不會誤判？
會。遮擋、拍攝角度、動作相似、光線與訓練資料不足都可能造成誤判，因此應清楚說明適用條件與限制。
Q5｜除了健身，還能用在哪裡？
同樣的姿態估計與時間序列概念也能用於步態與其他人體動作研究；不同場景仍須使用適合該任務的資料與驗證方式。
結論
- 代償不是單純「不好看」，而是完成任務時採用了不同的動作策略；判讀時也要考慮人體比例與任務差異。
- AI要理解代償，關鍵通常不是單張照片，而是連續動作的時間資訊。
- 姿態估計、LSTM／GRU、注意力機制與裝置端 AI，讓手機型動作分析越來越可行，但拍攝條件與誤判仍需要真人專業判斷。
參考資料
- Chariar, M. et al. (2023). AI Trainer: Autoencoder Based Approach for Squat Analysis and Correction. IEEE Access.
- Gadhvi, R. et al. (2025). PosePilot: An Edge-AI Solution for Posture Correction in Physical Exercises. arXiv:2505.19186.
- Zhao, M., Lu, N., & Guan, Y. (2024). Classification of Pilates Using MediaPipe and Machine Learning. IEEE Access.
- Kim, H. et al. (2023). Real-time Pilates Posture Recognition System Using Deep Learning Model. ICOST 2023.
- Kushioka, J. et al. (2024). Deep learning-based screening for locomotive syndrome using single-camera walking video. PLOS Digital Health.
- Wu, Y. et al. (2022). A Computer Vision-Based Yoga Pose Grading Approach. Healthcare.
- Shih, C.-L. et al. (2024). A Yoga Pose Difficulty Level Estimation Method Using OpenPose. Information.