Zing Coach 首席产品官兼联合创始人 Alexey Kurov 访谈系列

从共同创立 Zenia 到推出 Zing Coach，您经历了一段令人着迷的旅程——您能否分享最初启发您创建人工智能健身平台的灵感，以及您过去的工作如何影响了 Zing 的愿景？

我的整个职业生涯都在与人工智能产品打交道，从我们现在所说的传统机器学习 (ML) 开始，然后是深度学习，现在是法学硕士 (LLM)。在 Zenia 之前，我们公司帮助不同的企业整合人工智能解决方案，同时也在寻找一个能够解决实际问题并打造自主产品的利基市场。当时，深度学习解决方案蓬勃发展，这些解决方案可以在设备上实时运行复杂的算法，就像 Instagram 的口罩一样。我们开发了自己的移动设备运动追踪技术，最初考虑的是虚拟服装，但经过深入研究后，我们意识到它对健身领域可能非常有用。

健身领域产品琳琅满目，但体验自80年代以来几乎没有什么变化——你仍然只是跟着图书馆里的视频练习。我们看到了高度个性化、互动式的教练服务颠覆市场的巨大潜力。我们从Zenia的瑜伽课程起步，在被Zing收购后，我继续在那里朝着我们最初的愿景努力。

Zing Coach 最近完成了 10 万美元的 A 轮融资，目前服务于超过一百万用户。帮助你们达到如此规模的最重要的技术或战略里程碑是什么？你们是如何优先考虑功能以推动增长的？

从第一天起，我们就坚信 AI 健身教练应该真正做到个性化和主动性，因此我们以此为范式打造了这款产品。为了提升训练计划生成的灵活性，我们从一开始就设计了一个能够处理此类情况的架构。随着 LLM 的普及，我们的解决方案自然而然地与之融合，并扩展到更多用户场景。

第二个重要里程碑是我们的沟通层。现在，我们的教练不仅仅是提供建议，它还能与其他系统集成，根据反馈调整用户的旅程，就像一位真正的教练一样。它不仅关乎情感，还关乎主动性，了解何时以及为何联系用户，以及他们何时需要推动，或者仅仅是了解他们的活动。

机器学习是如何实时个性化每个用户的训练计划的？您能介绍一下Zing自适应教练系统的模型和数据输入吗？

我们会根据你的目标、训练历史、伤病情况、身体指标、最大摄氧量、静息心率和个人偏好制定个性化训练计划。训练当天，我们会关注睡眠和酸痛等恢复信号，并调整训练动作、负荷、次数和休息时间。训练过程中，我们会追踪每组训练之间的心率、次数、节奏和心率恢复情况，以便实时调整下一组训练。训练结束后，我们会根据预估强度、心率漂移、恢复时间、你的点赞或跳过记录以及你的笔记来持续改进训练计划。

我们的运动分析在设备上实时运行，以确保动作姿势和重复质量。我们使用预测模型设定目标，使用 GPT 进行长期规划、提供指导提示和主动激励，并使用计算机视觉跟踪身体成分和肌肉随时间的变化，并将所有信息反馈到计划中。

您已经通过 ZingLab 构建了身体扫描和柔韧性测试——这些物理输入如何融入您的训练算法中？您是否使用任何形式的集成学习或强化学习来微调结果？

我们以两种方式使用它们：跟踪进度和更新锻炼计划参数。体能测试会调整用户的体能水平，而身体扫描仪则会利用身体成分数据来优化计划。我们很快将推出肌肉分析功能。所有这些对于构建一个能够分析建议与实际结果之间关联性的强化学习系统都至关重要。

您采取了哪些措施来确保人工智能的建议更具人性化、更具激励性和支持性，而不是机械式的？指导语音有多少是由语言模型驱动，而不是脚本规则？

我们有指导教练如何沟通的指南和护栏。我们没有任何预设的脚本。为了确保有效，我们进行了多层测试：自动化检查以确保指南合规性，人工评估员评估“人性化”体验和案例解决率，以及 A/B 测试来衡量对产品指标的影响以及用户反馈。教练档案是根据我们对受众的研究而制定的，因此它们既真实可信，又能有效地指导用户。

Zing 注重用户参与度和留存率，据报道其业绩比规模更大的竞争对手高出 25% 以上。哪些具体的机器学习或产品设计技术已被证明在提升留存率方面最有效？

我们开展了许多实验和功能，对用户体验产生了积极的影响。主要驱动因素包括主动性、个性化以及游戏化指标，例如活动连续性和强度得分，这些指标由我之前描述的人工智能系统提供支持。

你们是如何在应用中实现游戏化的？徽章、里程碑和排行榜等功能是否根据用户行为进行定制？你们是否有证据表明这种个性化设计能够提升用户的长期忠诚度？

对我们来说，找到能够提升用户参与度的工具至关重要。在健身领域，进步并非总是立竿见影，效果往往需要时间。因此，我们致力于开发各种方法来衡量和展现哪怕是微小的进步，例如体能和柔韧性测试以及力量得分。活动记录可以帮助用户保持活跃，许多用户已经保持了一年多的活动水平。

你们在开发实时形态校正功能 Zing Vision 时遇到了哪些技术挑战？系统如何适应移动设备上光线不足或角度异常等特殊情况？

主要的挑战是收集用于训练模型的数据集。我们投入了大量时间收集和标记数据，并构建了一个强大的增强系统，使其能够应对各种条件，例如光线不足或角度异常。7 年前我们开始开发它时，没有本地运行的解决方案，所以我们创建了自己的架构。即使现在有了更先进的处理器，这个架构仍然帮助我们保持了节能。

随着你们的业务拓展到普拉提和瑜伽等运动模式，你们目前的AI系统是如何适应新的运动模式的？这些系统是基于相同的模型构建的，还是你们正在重新训练新的模型？

我们的系统是模块化的，因此处理新的锻炼类型的方法也类似。目前，我们也在升级活动计划系统，以便更好地支持不同的锻炼类型。

随着您通过 Zing 合作伙伴计划在全球范围内扩张并与健身工作室合作，您如何根据地区或文化健身偏好定制内容或培训计划？

我们的系统可以根据文化偏好优先安排锻炼项目。它结合了 LLM 代理方法，主代理会根据用户的个人资料设置锻炼和营养参数，因此非常灵活。

展望未来，您如何看待人工智能在健身领域的作用演变——尤其是帮助用户不仅开始健身，而且长期坚持健身习惯——您最期待构建哪些新功能？

我们发现，在真正的教练指导下，人们的参与度很高。但现在，科技已经达到了一个新的高度，凭借其可用性、对用户的深入了解，以及基于海量数据进行训练和运用更有效模式的能力，它的表现甚至可以超越人类教练。

谢谢 f或者精彩的采访，想要测试该应用程序的读者可以访问 津教练.