Alexey Kurov，Zing Coach 首席产品官和联合创始人 – 采访系列

您有一个令人着迷的经历，从联合创立 Zenia 到推出 Zing Coach——您能分享一下最初是什么激发了您创建一个 AI 驱动的健身平台的灵感，以及您的过去工作如何影响了 Zing 的愿景？

我整个职业生涯都在与 AI 产品合作，从传统的机器学习开始，接着是深度学习，现在是大型语言模型。在 Zenia 之前，我们的公司帮助不同的企业集成 AI 解决方案，同时寻找一个我们可以解决真正问题并建立自己的产品的领域。在那时，深度学习解决方案可以在设备上实时运行重型算法，例如 Instagram 的面部遮罩。我们开发了自己的技术，用于在移动设备上跟踪运动，最初是考虑虚拟服装，但是在更深入的研究后，我们意识到它对健身非常有用。

在健身领域，有很多产品，但体验自 80 年代以来几乎没有变化——您仍然只是从库中关注一个视频。我们看到了使用超个性化、交互式教练来颠覆市场的巨大潜力。我们从 Zenia 的瑜伽开始，在被 Zing 收购后，我继续在那里建设我们的原始愿景。

Zing Coach最近完成了1000万美元的A轮融资，目前服务超过100万用户。是什么最大的技术或战略里程碑帮助您达到这种规模，您如何优先考虑功能来驱动增长？

从第一天开始，我们相信一个AI健身教练应该真正个性化和主动，所以我们在这种范式下构建了产品。为了使锻炼生成灵活，我们从一开始就设计了一个可以处理它的架构。当大型语言模型变得广泛可用时，我们的解决方案自然地与它们结合并扩展到更多的用户案例。

第二个大里程碑是我们的通信层。现在我们的教练不仅仅提供建议——它与其他系统集成，以根据用户的反馈来适应用户的旅程，像真正的教练一样。它不仅仅是关于情感，还关于主动性，了解何时和为什么要联系用户，以及何时他们需要一个推动或只是对他们的活动的一个洞察。

机器学习如何用于实时个性化每个用户的锻炼？您可以带我们了解一下为Zing的自适应教练系统提供支持的模型和数据输入吗？

我们在四个时刻个性化。首先，我们根据您的目标、训练历史、受伤、身体指标、VO₂最大值、休息心率和偏好建立一个计划。在那一天，我们查看恢复信号，如睡眠和酸痛，并调整锻炼、负荷、重复次数和休息时间。在锻炼过程中，我们跟踪心率、重复次数、节奏和组间心率恢复，以实时调整下一个组。之后，我们使用估计的力量、心率漂移、恢复时间、您的喜欢或跳过以及您的笔记来不断改进计划。

我们的运动分析在设备上实时运行，用于姿势和重复质量。我们使用预测模型来设置目标，使用GPT进行长期规划、教练提示和主动激励，并使用计算机视觉来跟踪身体成分和肌肉生长，反馈到计划中。

您已经建立了ZingLab的身体扫描和柔韧性测试——这些物理输入如何集成到您的训练算法中，您是否使用任何集成学习或强化学习来优化结果？

我们使用它们的方式有两种：跟踪进度和更新锻炼计划参数。健身测试调整用户的健身水平，身体扫描器使用身体成分数据来完善计划。很快，我们将推出肌肉分析。所有这些对于建立一个强化学习系统都很重要，该系统可以分析推荐与实际结果之间的联系。

您采取了什么措施来确保AI推荐感觉像人类一样，具有激励和支持作用，而不是机械的？教练声音有多少是由语言模型驱动的，多少是由脚本规则驱动的？

我们有关于教练如何沟通的指南，以及防护措施。我们没有任何预定义的脚本。为了确保它的作用，我们进行了多层次的测试：自动检查指南的遵守情况，人类评估者评估“人类”的感觉和案例解决率，A/B测试来衡量对产品指标的影响以及用户反馈。教练配置文件是根据我们的受众研究开发的，因此它们感觉真实但有效地指导用户。

Zing强调参与度和留存率，据报道比更大的竞争对手高出25％以上。是什么最有效的机器学习或产品设计技术在驱动这种留存率方面被证明是最有效的？

我们运行了很多实验和特性，这些实验和特性对用户旅程产生了积极的影响。主要驱动因素是主动性、个性化和游戏化指标，例如活动条纹和力量评分，这些都是由我们之前描述的AI系统提供的。

您如何在应用程序中实现游戏化？像徽章、里程碑和排行榜这样的功能是否根据用户行为进行个性化，您是否看到证据表明这种个性化可以提高长期的承诺度？

对于我们来说，找到能够增加参与度的工具非常重要。在健身方面，进度并不总是立即可见，结果往往需要时间。这就是为什么我们致力于找到方法来衡量和显示甚至小的改进，例如健身和柔韧性测试，以及力量评分。活动条纹帮助用户保持一致性，许多用户已经保持了他们的活动水平超过一年。

您在构建Zing Vision时遇到了什么技术挑战，Zing Vision是一种实时姿势纠正功能？该系统如何适应边缘情况，例如在移动设备上出现的糟糕照明或不寻常的角度？

主要挑战是收集用于训练模型的数据集。我们花了很多时间收集和标记数据，并建立了一个强大的数据增强系统，使其能够适应不同的条件，例如糟糕的照明或不寻常的角度。当我们7年前开始开发它时，没有可以在本地运行的解决方案，所以我们创建了自己的架构。即使现在有了更好的处理器，这个架构也帮助我们保持能效。

随着您扩展到像普拉提和瑜伽这样的模态，当前的AI系统如何适应新的运动模式？这些是建立在相同的模型之上，还是您正在重新训练新的模型？

我们的系统是模块化的，因此对新锻炼类型的方法是相似的。目前，我们还在努力升级我们的活动规划系统，以更好地支持不同的锻炼类型。

随着您在全球范围内扩张并通过Zing合作伙伴计划与健身工作室合作，您如何根据区域或文化的健身偏好定制内容或训练计划？

我们的系统可以根据文化偏好优先考虑锻炼。它是灵活的，得益于大型语言模型和代理方法的结合，主要代理根据用户的配置文件设置锻炼和营养参数。

展望未来，您如何看待AI在健身领域的角色演变，特别是在帮助用户不仅开始锻炼，而且长期坚持下去——您最期待建立什么新的功能？

我们看到，拥有真正的教练，人们有很强的参与度。但现在，技术已经达到了可以甚至超越人类教练的水平，得益于其可用性、对用户的深入了解以及能够在大量数据上进行训练并使用更有效的模式。

感谢您接受这次精彩的采访，希望测试应用程序的读者可以访问Zing Coach。