在 2026 世界人工智能大会（WAIC）由硅星人主办的「AI 青年创变者创新论坛」上，Keep 算法负责人武博文以《运动科技的下一个十年：AI 如何重塑健康服务的本质》为题，分享了 Keep All in AI 战略背后的思考与实践。

过去十年，运动科技公司围绕内容供给与用户体量的传统模式已触及天花板；而 AI 正在同时改写内容生产与商业模式——过去一年，AIGC 已成为 Keep 运动课程的主流生产方式，不少 AI 生成的课程已超过人工编排水平；2025 年，Keep 也实现了十年来首次全面盈利。

但 Keep 想解决的，是一个通用大模型难以回答的问题：在运动健康领域，模型给出的每一节课程、每一条指导，都可能被用户用身体去执行。安全与科学，因此成为垂类模型必须守住的底线。今年 4 月，Keep 交出了第一份答卷——运动健康垂类模型 Keepace.ai。

以下为武博文演讲实录整理稿。

大家下午好，很高兴今天有机会与大家交流。刚才的分享聊了很多垂直领域和传统行业的话题。我今天演讲的标题里写了 " 下一个十年 "，为什么用十年？因为我们在运动科技领域已经做了大约十年。过去这十年，行业内几乎所有从业者、运动科技公司，基本都是围绕内容、用户体量，用传统移动互联网的方式在做这件事。这条路基本已经走到头了——大家都在服务各自固定的用户需求，进行产品的迭代，行业进入了一个相对稳定的阶段。

如今，随着 AI 的发展——我今天也看到，一楼的展台上有不少与运动科学相关的产品，包括运动眼镜等，都围绕着用户的运动健康领域——行业正在发生一个最大的变化：AI 正在重塑运动健康与运动科技行业。这也是我今天想主要分享的：我们在这一方向上的一些思考和工作。我会从几个维度，包括我们的思考与我们做的事情，与大家做一个交流。

为什么 All in AI：传统模式的天花板

首先要讲的是，Keep 为什么从去年开始提出 "All in AI" 的战略。这离不开刚才提到的传统模式存在的问题。

过去我们最主要做两件事：一是为用户供给运动类内容，二是关注用户体量。在内容层面，过去的内容都是由人生产的，人工生产无论从方法论还是投入产出上，都存在一定的天花板，我们无法产出更多的内容。但随着社会的发展，用户对于运动本身的需求，包括品类，一直在变化，这导致用户的需求逐渐得不到充分满足。另一个层面，Keep 过去在运动科学方面为用户提供的，一方面是内容，一方面是工具，但它们都是单点能力，并非一套完整的服务。因此在商业化方面，我们同样面临天花板的问题。

而 AI 在这两方面同时提供了非常大的机会。首先在内容方面，AIGC 内容生产如今已是主流的生产方式。过去一年，我们的运动课程生产也基本以 AIGC 为主，很少再采用人工生产的模式。它对生产效率是非常大的提升，也能让内容库得到快速补充；无论品类还是质量，如今 AI 生成的课程有很多已经超过了过去人工编排的课程。

其次是商业模式层面。我们过去已经积累了内容和各种各样的运动类工具，而 AI 本身非常擅长把内容与工具串成一套完整的服务，为用户提供价值。因此我们判断，用户价值的增长空间应该在 10 倍以上。这也是我们全面投入 AI 的原因。

在 AI 的驱动下，过去我们也做了各种各样的事情。2025 年，Keep 在过去 10 年内首次实现了全面盈利，毛利率也有了比较大的提升。

为什么还要做运动健康垂类模型

接下来的问题是：在 AI 已经产生价值的背景下，加上大模型的发展速度非常快——过去是每半年、每三个月一次大的发展，现在可能每个月都有很大的进展——为什么还要做运动健康的垂类模型？

一言以蔽之，这个领域最大的特征在于：模型给出的课程也好、指导也好，是有可能被用户用身体去执行的，这与通用的 AI 场景有很大不同。因此，垂类模型首先要保证足够的安全底线和安全边界。模型的错误有可能被用户用身体去执行——这样的例子非常多——可能给用户带来真正的身体伤害；如果用户在伤害恢复过程中又缺乏正确的指导，很多时候甚至会造成不可逆的身体伤害。

所以，在运动健康领域，垂类模型一定要把安全边界作为底线标准，无论从模型构建、系统角度还是评测角度都应如此，而不应把安全能力交由 Agent 层或应用层去保障。

其次，这与运动领域的特点有关。运动领域的营销相当广泛——运动品牌、运动用品的市场体量比较大——因此大量营销类内容充斥在互联网上，其中大部分内容都可能带有一定的伪科学成分。传统的预训练大模型在预训练期间对这些内容照单全收，在后训练阶段又缺少足够的引导和对齐。因此，一个专属模型应当在科学性上有所取舍，并以正确的价值观与人类对齐。以减肥为例，很多药物减肥在科学上也是成立的，但从健康的角度，我们仍会鼓励运动——国家现在也在鼓励全民健身、运动——这可能是对大众更科学、更好的一种方式，这也是垂类模型需要对齐的。

安全边界与科学性这两件事，是垂类模型首先要打好的底线基础，因为模型一旦出错，就可能真正影响用户自身的感受和身体状况。有了这样的基础之后，还有很重要的一点：用户的个性化需求。对于运动健康类 AI，用户需要它理解自己长程的行为——一个用户过去可能有非常多的运动记录、饮食记录，以及各类身体健康数据。这些数据一方面需要一个好的记忆基础设施，把它们做好整理、提取与理解；另一方面也需要模型进行针对性训练，真正把用户数据应用到回复与课程指导的过程中。

行业内，Google Health 一直致力于把用户的传感器数据与大模型、Agent 更好地结合。今年上半年，腾讯也在行业内发布过 CL-Bench Life ——在那个时间点，行业内的一些 SOTA 模型还不能很好地处理用户关于饮食记录、运动记录等数据的长程理解。因此，个性化这个维度也是需要长期投入建设的方向。

Keepace 模型与三大核心任务

Keep 今年上半年也一直在致力于打造一个在垂类表现更好的模型。4 月，我们交出了第一份答卷——模型名为 Keepace.ai，借用了运动领域中 Pace、Ace 的概念。我们当时聚焦在三个领域：课程编排、知识问答和运动数据解读。下面我会举一些例子，讲讲在这些维度上用户的需求，以及传统通用模型目前还存在哪些不足、需要做垂类增强的地方。

举一个例子：一位腰疼的用户希望做练背的动作，通用 AI 很可能会给出一些可选动作，其中可能包括俯身划船这类会加重腰痛风险的动作。而从 Keepace.ai 模型的角度，我们首先会选择对这类用户比较友好的动作作为主训动作。其次，训练本身需要包含热身、训练、拉伸等完整环节，才称得上一次好的训练，而不是只提供一个动作就结束了。在整个环节中，还要关注科学性、动作要领，并对安全性做出足够的提示。因此，怎么练、如何编排课程、休息多久，都是我们在构建垂类模型时需要考虑的任务——其中安全约束是第一位的，因为课程一定会被用户执行。

其次是运动领域的问答。我们在线上看到，很多用户非常渴望知道自己为什么要这么练、应该怎么练。这里有一个很典型的用户问题：减肥的用户可能会问，跑步是快一点好，还是慢一点好？这其实与刚才提到的伪科学问题有很大关系——用户本身可能并不了解，减肥的核心是热量缺口，跑步的快慢并不是直接因素。所以在问答层面，需要在问题的背后告诉用户：跑步的速度并不是最重要的，能够坚持下来、多运动，才可能达到减肥的目标。

另外，配速方面也有科学依据，我们可以通过靶心率区间等有据可循的科学依据给予指导。同时也要传递这样的信息：长时间慢跑与短时间快跑都能达到同样的效果，但要考虑用户自身的身体情况，比如关节状况、自身的运动能力等，这些都很重要。其次还要纠正一些常见的错误。有了这些完整信息，用户才能更清楚地了解自己问题背后需要了解的信息，从而更好地达成减肥的目的。

另一项我们在做的任务是运动数据解读。Keep 上有非常多的用户持续进行锻炼、跑步等行为，运动之后会非常关心自己本次运动的表现，甚至有自己的一些感受，需要与 AI 交流，以提升未来的运动表现。

这里有一个关于恢复的例子：我们会拿到这位用户的心率数据，他可能还有其他设备的数据。首先要根据数据判断他本次运动处于什么样的强度。其次，传感器数据在分析中很容易引入错误，如果模型不能很好地校验数据本身，就可能使用了错误数据，得出完全错误的结果。因此模型需要对数据的准确性有足够的判别能力，并在这样的理解基础上，基于运动生理学给出完整的恢复建议。

所以，数据解读这项任务需要结合用户的心率数据、配速数据、步频情况，完整识别本次运动的情况，最终给出建议。

在上面三件事背后，从模型的角度看，隐藏着一个上下文（context）缺失的问题：用户问了一个简单的问题，但背后可能还有非常多需要通过模型或 Agent 帮他补全的、他自己缺失的上下文信息，才能更好地回答这个问题。否则，比如用户问恢复的问题，他可能并不只是想了解 " 怎么恢复 " ——只告诉他怎么恢复，解决不了他真实的问题。

专业评测：联合专家建立 Benchmark

针对第一版模型，我们组织了 Keep 的运动科学专家，与首都体育大学的运动专家一起联合开展了专业评测，制定了专业的 Rubric 与专业 Benchmark。结果显示，Keepace.ai 模型在我们重点提升的三个领域上，都显著优于目前的通用模型。

Keep 的积累：数据、标签体系与设计原则

第四部分，我想再谈谈更长远的话题。我们的模型肯定远不止完成这三个能力，就能为用户提供好的运动整体解决方案。因此还要讲一讲：Keep 为什么要持续做这件事？我们为什么能做这件事？最终能为用户提供的 AI 服务是什么样子的？

首先，Keep 过去 10 年积累了非常多的真实用户数据。很多用户日常会跟着 Keep 上的课程锻炼，也会使用 Keep 上的跑步、骑行等工具，记录自己真实的运动数据，这部分数据的积累非常多。

其次，随着用户的使用与产品的迭代，我们建立了非常多与运动科学相关的标签体系，以及更宏观的对运动科学的理解。另外在人体层面，用户拥有各种各样的设备，如今 AI 设备也越来越多，能够记录的身体数据越来越丰富。围绕这些数据，如何更好地理解用户的身体状况——比如他当前的运动表现能力——需要更多的特征和指标去标识，这方面我们也已经积累了非常多的相应能力。

相比当下很多时候迭代模型只是增加算力、增加 token 储备、制造纯 AI 生成的数据，我们的这些数据是过去用时间沉淀下来的，因为它们来自用户一次又一次真实的运动行为。

在设计原则方面，我们主要专注于运动健康相关领域。如果真的涉及医疗领域——完全的严肃医疗，目前 AI 的能力还是不够的——无论是伤病治疗，还是现在发展非常快的运动医学，我们要做的是把用户引导到运动医学的就医渠道。这是我们在设计原则上要持续坚持的。

终极形态：一套完整的 AI 运动健康服务

我们重点做的事情，始终围绕用户该练什么、不该练什么。我们认为，一个更懂用户的运动类 AI 产品，需要知道用户怎么练更好，什么该练、什么不该练，能把整个过程告诉用户，甚至让用户能够脱离 AI，自己管理好自己的身体——那可能才是 AI 在运动健康领域的终极形态。这个形态本身就是一套服务，也是我们未来要持续去做的事情。