一周日志：里程涨了三成，配速反而慢了
先看一份模拟示例。假设一位备战半程马拉松的业余跑者，前一周跑了30公里，这一周他把总量提到了39公里，理由很朴素：比赛还有八周，多跑总没错。周末他打开训练记录，发现一个尴尬的事实：同样是配速节奏跑，周二的平均配速比上周慢了一点，周四更慢，周六的长距离后半程几乎是在“拖”着腿完成的。
如果只看一个数字，这周的训练量确实上去了，但换一个角度看，这周并没有让他更接近目标。节奏跑该有的强度没有达到，长距离课的后半程质量塌了，他的主观疲劳评分连续三天比平时高，晚上的睡眠也比之前碎。里程是涨了，身体接收到的有效刺激却未必涨了，多出来的公里数很可能只是在消耗恢复的余量。
这就是“无效堆量”的典型样子：训练记录上的数字在上升，训练目的却没有被满足。od体育在设计AI训练分析时，想回答的正是这个问题：怎么把一次训练拆开，判断它到底有没有起到作用，而不是简单地统计“做了多少”。
“做了多少”和“付出了多少”是两回事
运动训练里有两个常用概念。外部负荷是你实际完成的工作量，比如跑了多少公里、举了多少总重量、做了多少次冲刺；内部负荷是身体为完成这些工作付出的代价，比如心率反应、主观疲劳评分（RPE）。同样的10公里，在睡得好、天气凉爽的早晨和在熬夜、闷热的傍晚，外部负荷完全一样，内部负荷却可能差出一大截。
只看外部负荷，会把“能完成”误当成“恢复得好”。只看内部负荷，又容易被一次糟糕的睡眠或一杯咖啡带偏。所以比较合理的做法，是把两者放在一起看：外部负荷回答“计划执行了没有”，内部负荷回答“身体吃不吃得消”，两者的偏离才是最有信息量的部分。比如同样的配速，心率比平时高、主观感觉更吃力，往往说明这一次的代价被抬高了。
数据从哪里来也要说清楚。外部负荷通常来自手机或手表的定位、器械记录；内部负荷里，心率数据依赖设备，手表的光学心率在剧烈摆臂时可能受腕部动作干扰，胸带一般更稳定；主观疲劳评分则完全依赖用户的诚实填写。每一种来源都有各自的盲区，AI要做的不是迷信某一个，而是知道每一个的可信程度。
什么算“有效训练”：三个同时成立的条件
“有效”不是一个天然存在的指标，需要先定义。结合训练科学的常识，od体育的思路是用三个条件同时判断一次训练或一个训练周期。
- 目标刺激达成：这次训练想练的东西练到了没有。间歇跑要跑出足够的强度，长距离课要有足够的持续时间，力量课要让目标肌群真的承受到位。强度不够，做再多也只是“陪跑”。
- 动作质量维持：在完成刺激的整个过程里，动作有没有明显走样。质量下滑之后继续做的那部分，强化的可能是不良的动作模式，而不是能力。
- 可以恢复：训练之后，身体能否在下一次训练之前回到可用状态。恢复不了的训练，不是“更努力”，而是在预支下一次的表现。
三条缺一不可，而且常常互相牵制。想追求刺激，就可能牺牲质量；想保证质量，就要控制单次的量；想保证恢复，又不能压得太低而完全没有刺激。“有效”从来不是把某一项拉满，而是在三者之间找到当下最合适的平衡点。这个平衡点因人而异，也随着状态每周变化，这正是为什么同样的计划不能套在所有人身上，这个问题在另一篇文章里有更完整的讨论：《同一套训练计划为什么不适合所有人？od体育AI怎样根据训练反馈动态改计划》。
质量是最早响起的警报
回到那位模拟的跑者。他的周报里，最早出现异常的并不是总里程，也不是心率，而是一些“细节”：周二节奏跑的后半段，步频比前半段稳定下滑；周四的间歇，每一组的触地时间在逐组拉长；周六的长跑，身体前倾角度在最后几公里明显增大，落地的位置也更靠前。
这些变化在人眼里往往很难察觉，跑者自己只是觉得“腿沉了”。但对于有侧面视频和传感器数据的分析流程来说，它们是可以被量化对比的：同一位跑者、同样的配速，前半程和后半程的跑姿特征差多少，这一周和上一周比差多少。质量的下滑往往比配速的下滑更早发生，因为身体会在疲劳时先“改动作”来代偿，等到配速掉下来，通常已经是较晚的信号。
跑姿本身怎么看、哪些指标能相信、哪些容易误判，是另一个需要认真谈的话题，这里不展开，想细究的读者可以先读这一篇：《跑步AI不能只数步频：od体育如何从骨盆、膝关节和落地方式识别真正的跑姿问题》。这里要强调的是分析训练量时的用法：跑姿指标不是用来给动作打分的，而是用来判断“这一次训练里，有效的部分在哪一刻结束了”。
这个“结束点”很有价值。假设那次长距离课，第12公里之前跑姿基本稳定，之后出现明显代偿，那么真正有效的部分可能就是前12公里，后面的公里数换来的更多是疲劳和受伤风险。对一位业余跑者来说，把长距离课的目标从“跑够几公里”改成“在质量不崩的前提下尽量跑久”，往往是更聪明的做法。
急性/慢性负荷比：有用的提醒，不是判决书
谈训练量变化，绕不开急性/慢性负荷比（ACWR），也就是用最近一段时间的负荷和更长时间的平均负荷做对比。它的直觉很好懂：如果你近期的量相对长期水平突然拉高，身体来不及适应，风险可能会上升。这类指标被广泛使用，也有相当多的争议，学界对它的计算方式、统计特性以及能否可靠地预测伤病，看法并不一致。
所以在产品里，比较稳妥的态度是把它当作一个“提醒你多看一眼”的信号。当近期负荷相对长期水平上升较快时，系统可以提示“这一周增幅较大，请留意恢复”，并把它和其他信号一起看：如果同时出现了动作质量下滑、主观疲劳上升，那么这个提醒的分量就更重；如果其他信号都很平稳，这个提醒的分量就该降低。单凭一个比值就断定“你会受伤”或者“你必须休息”，既缺乏依据，也容易让用户对数字产生不必要的焦虑。
AI是怎么把几条线索拼起来的
判断有效还是无效，靠的不是某一个指标，而是几条线索是否互相印证。下面这张表用模拟示例说明几种常见的组合，以及为什么不能只看其中一条。
| 观察到的线索 | 可能的含义 | 容易被误读的地方 |
|---|---|---|
| 总量上升，配速质量下降，跑姿后半程变差，疲劳评分升高 | 增量可能超过当前恢复能力，倾向于减量或保持 | 若当周有高温、缺觉等特殊因素，未必是训练本身的问题 |
| 总量上升，质量稳定，疲劳评分平稳 | 身体可能正在适应，可以继续按计划推进 | 数据只有一周，样本太短，需要连续几周验证 |
| 总量不变，质量下降，心率偏高 | 可能是疲劳累积或状态波动，值得追问原因 | 可能是设备佩戴问题或光线、机位变化造成的测量偏差 |
| 总量下降，质量上升，主观感觉良好 | 可能是恢复后的反弹，也可能刺激已经不足 | 需要对照目标，别把“感觉好”直接等同于“练得好” |
表里最后一列很重要。任何一组数据都有不止一种解释，AI的职责是把最可能的解释摆出来，同时告诉用户“还有哪些别的可能”。如果一个系统对所有情形都给出确定的因果，那多半是在装懂。
该加、该稳、该退：几种典型决策与边界
基于上面的线索，系统给出的建议大致落在几类：继续按计划推进、保持当前水平再观察一周、适当减量、换一种练法，或者安排一个真正的休息。具体到那位模拟的跑者，更合理的做法可能是下周把总量拉回到接近前一周的水平，把节奏跑的强度放回既定目标，长跑改成“质量不崩即可”，然后连续观察两周的质量与疲劳趋势，再决定是否继续加量。
这里有两个容易做错的地方。第一，不要因为一周的数据就过度反应。一周的下滑可能来自感冒、出差、天气，单次波动不该推翻整个计划，否则计划会一天一变，用户反而无所适从。第二，不要用“质量下降”去逼用户更用力，质量下滑的第一反应应该是找原因，而不是要求“再坚持一下”。
还要防止走向另一个极端：并不是所有“质量下降”都意味着该减量。计划里有意安排的高负荷周，比如为了适应而刻意加重的一周，质量出现一定程度的下滑本来就在预期之内，关键在于它能否在随后的减量周里恢复。同样，低强度的长时间有氧跑在配速上看不出亮点，却可能是整个周期里最有价值的部分。所以系统判断“有效”时，必须先读懂这一周的计划意图，再拿实际数据与意图对照，而不是套用一条通用的“质量下降就减量”的规则。
也有必须交给人的时刻。持续的疼痛、夜间痛、不明原因的心率异常升高、运动中头晕或胸闷、长期睡眠明显恶化、青少年出现明显的训练疲劳等情形，已经超出了“调整训练量”的范围，应当建议用户咨询专业的教练、医生或运动康复人员。系统的数据只能说明“这周不太对”，无法解释“为什么不对”。
数据的局限，同样要写进结论里
最后要坦白几条局限。手机拍摄的跑姿受机位、光线、帧率影响，同一位跑者在不同场地拍出来的数据不能直接比较；手表心率在运动中可能有偏差；主观疲劳评分依赖用户的自我感觉和填写习惯，有人偏保守，有人偏乐观。这些偏差叠加在一起，意味着任何“有效性判断”都是一个带置信度的估计，而不是精确的测量。
od体育的做法，是让系统在输出里区分“测得比较确定”和“推测得比较多”的部分，数据质量差的时候主动降低结论的强度，甚至建议用户补一次测量再判断。训练量本身没有对错，对错在于它是否服务于目标、是否被身体消化。把“做了多少”换成“做得值不值”，是这套分析想传达的核心。
